مایکروسافت با هوش مصنوعی پیش‌بینی آب‌وهوا تا ۶ هفته آینده را دقیق‌تر می‌کند!

مایکروسافت ابزار متن‌بازی مبتنی بر یادگیری ماشین توسعه داده که با اصلاح خطاهای پیش‌بینی هوا، دقت پیش‌بینی‌های میان‌مدت را برای بازه دو تا شش هفته افزایش می‌دهد.

پیش بینی های هواشناسی مبتنی بر فیزیک و حتی مدل های تازه تر هوش مصنوعی، معمولاً پس از گذشت دو هفته دقت کمتری دارند. مایکروسافت می گوید با کمک یادگیری ماشین راهی برای غلبه بر این محدودیت پیدا کرده است.

پژوهشگران این شرکت می گویند روشی کم هزینه تر برای افزایش دقت پیش بینی های هواشناسی در بازه زمانی دو تا شش هفته یافته اند؛ قابلیتی که می تواند به کشاورزان و نیروهای امدادی کمک کند با اطمینان بیشتری برنامه ریزی کنند. نتایج این پژوهش امروز در نشریه «نیچر» منتشر شده و ابزار طراحی شده نیز به صورت متن باز در دسترس قرار گرفته است.

مایکروسافت در کنار گوگل، انویدیا و چند شرکت دیگر در حال توسعه ابزارهای هوش مصنوعی برای پیش بینی هواست. اما پژوهش تازه این شرکت بر ساخت یک مدل مستقل و جدید متمرکز نیست؛ در عوض، از یادگیری ماشین برای اصلاح سوگیری در مدل های موجود استفاده می کند. پژوهشگران امیدوارند این رویکرد به سازمان های هواشناسی کم برخوردار از منابع کافی امکان دهد با استفاده از هوش مصنوعی، دقت پیش بینی های خود را بهبود دهند.

اصلاح خطا بدون نیاز به ابررایانه

مدل سازی مبتنی بر فیزیک به منابع محاسباتی زیادی نیاز دارد و معمولاً روی ابررایانه ها اجرا می شود؛ هوش مصنوعی مولد نیز به پردازنده های گرافیکی قدرتمند وابسته است. با این حال، لستر مکی، پژوهشگر ارشد و مدیر در بخش نیوانگلند مرکز پژوهشی مایکروسافت، می گوید ابزار تازه تنها با پردازنده های مرکزی نیز قابل اجراست. او به وب سایت ورج گفته است: «به افزایش بهره وری منابع در پیش بینی هواشناسی و همچنین قابل اتکاتر شدن پیش بینی ها، به ویژه درباره رخدادهای شدید آب وهوایی، امید زیادی دارم.»

مدل های فیزیک محور و هوش مصنوعی با چالش های مشابهی روبه رو می شوند؛ این مشکلات زمانی آشکارتر است که پیش بینی برای دو هفته یا بیشتر انجام شود. مدل های سنتی می کوشند فیزیک پیچیده جو زمین را شبیه سازی کنند، در حالی که مدل های هوش مصنوعی با بررسی الگوهای موجود در داده های تاریخی به پیش بینی می رسند.

هر دو رویکرد برای جبران کمبود داده به تقریب متکی اند؛ این کمبود ممکن است از نبود ایستگاه های هواشناسی کافی در برخی مناطق یا دشواری شناخت پدیده های پیچیده جوی ناشی شود. راهکارهای مورد استفاده برای پر کردن این خلأها می تواند در مدل ها سوگیری نظام مند ایجاد کند. با طولانی تر شدن بازه پیش بینی، خطاهای حاصل نیز روی هم انباشته می شوند و دقت نتایج کاهش می یابد.

یادگیری ماشین برای کاهش سوگیری مدل ها

مایکروسافت روش خود را «اصلاح احتمالاتی سوگیری» یا PBC نامیده است. این ابزار با یادگیری ماشین، سوگیری های پایدار در یک مدل را شناسایی و اصلاح می کند. مکی برای توضیح کارکرد آن به تغییرات اقلیمی اشاره می کند: انتشار گازهای گلخانه ای ناشی از سوخت های فسیلی زمین را گرم تر کرده است، اما ممکن است یک مدل هواشناسی بر پایه داده های تاریخی پیش بینی کند و در نتیجه، دماهایی پایین تر از شرایط کنونی را برآورد کند.

بر اساس یافته های پژوهشگران، PBC دقت یکی از مدل های پیشرفته فیزیک محور مرکز اروپایی پیش بینی های میان مدت وضع هوا (ECMWF) را برای ۹۸ درصد از شاخص های بارش و ۹۲ درصد از شاخص های دما افزایش داده است. در تحلیل این پژوهش، چارچوب یادگیری ماشین همچنین دقت سامانه تازه هوش مصنوعی ECMWF برای پیش بینی هوا را دو برابر کرد. پیش از انتشار مقاله، ECMWF پژوهش نویسندگان درباره PBC را در رقابت «AI Weather Quest» خود برگزیده بود.

کاربرد برای سازمان های کم برخوردار

هزینه پردازش و زیرساخت های لازم برای پیش بینی هواشناسی، در بسیاری موارد دسترسی سازمان های کشورهای در حال توسعه اقتصادی را به پیشرفت های فناورانه محدود کرده است. با این حال، نویسندگان مقاله معتقدند PBC می تواند گزینه ای متفاوت باشد.

ژنوویو فلاسپولر، یکی از نویسندگان پژوهش، می گوید: «یکی از نکات هیجان انگیز درباره مدل هایی مانند PBC، سبک بودن و آموزش آسان آن هاست. دانشمندانی که منابع گسترده ای در اختیار ندارند نیز می توانند برای تنظیم این مدل ها و بهبود عملکردشان در مناطق مشخص تلاش کنند.»

فلاسپولر هنگام کارآموزی در مایکروسافت و همکاری با مکی روی PBC کار کرد. او اکنون مدیر اجرایی مؤسسه غیرانتفاعی «ریزَ ریسرچ» است؛ نهادی که با پشتیبانی مالی بنیاد گیتس و همکاری سازمان خدمات هواشناسی کنیا، بررسی می کند آیا هوش مصنوعی می تواند به انتشار هشدارهای زودهنگام و دقیق تر برای مردم کمک کند یا نه.

PBC یکی از روش هایی است که این گروه در آستانه فصل بارندگی شدیدتر از حد معمول آزمایش می کند؛ فصلی که انتظار می رود با پدیده ال نینوی بی سابقه همراه باشد.