Ученые-компьютерщики из DeepMind и Университета Эксетера в Англии объединились с метеорологами из Метеорологического бюро, чтобы создать модель искусственного интеллекта, способную предсказать, будет ли дождь за 90 минут до этого.
Традиционные методы прогнозирования основаны на решении сложных уравнений, которые учитывают различные погодные условия, такие как давление воздуха, влажность и температура атмосферы Земли. Проблема в том, что, по крайней мере, в Blighty, эти системы имеют тенденцию предсказывать то, что нас ожидает, на целые дни или недели вперед.
Согласно статье, опубликованной вышеупомянутыми специалистами в Nature в среду, модели глубокого обучения лучше подходят для составления более краткосрочных прогнозов – например, в течение следующих нескольких часов. Есть преимущества в использовании алгоритмов искусственного интеллекта; им не нужно решать термодинамические уравнения, и они менее требовательны к вычислениям, чем другие методы прогнозирования.
Команда под руководством DeepMind обучила генеративную враждебную сеть (GAN) созданию последовательности карт, указывающих, где пойдет дождь. Каждая из этих карт осадков показывает, где влага накапливается и перемещается в атмосфере, каждая из которых покрывает область размером 1536 × 1280 км. Миллионы примеров этих карт были собраны в результате радиолокационных наблюдений с 2016 по 2018 год. Данные, собранные в 2019 году, были зарезервированы для тестирования.
Примеры карт погоды, созданных нейронной сетью … Изображение предоставлено: Равури и др.
В модель была загружена последовательность примеров карт, каждый из которых собирал данные о погоде с пятиминутными интервалами на этапе обучения. Он научился улавливать общие закономерности, описывающие, как облака распространяются по небу и вызывают ли они дождь или нет.
На этапе тестирования систему попросили создать следующую серию карт для прогнозирования осадков с пятиминутными интервалами до 90 минут с учетом четырех предыдущих примеров. По сути, это немного похоже на загрузку в систему короткого видеоклипа и обучение ее предсказанию следующих кадров.
Его производительность оценивается с использованием ряда факторов, в том числе того, насколько плавными и постепенными были изменения между кадрами или картами. Вместо того, чтобы вычислить простой метод определения точности модели, команда обратилась к группе из 50 экспертов-метеорологов с просьбой оценить прогнозные карты, созданные GAN, и сравнить их с картами, созданными из других типов более традиционных систем численного прогнозирования погоды.
«Используя систематическую оценку более чем 50 экспертами-метеорологами, мы показываем, что наша генеративная модель заняла первое место по точности и полезности в 89% случаев по сравнению с двумя конкурирующими методами», – говорится в документе.
Но насколько точна модель на самом деле? «Сложно сказать», – сказал Найл Робинсон, соавтор исследования и руководитель отдела партнерских отношений и инноваций в Метеорологическом бюро. .
Мы решили, что в некотором смысле самый чистый способ проверить, имеет ли наш подход ценность, – это просто спросить конечных пользователей – наших собственных метеорологов. В ходе слепого исследования они в подавляющем большинстве предпочли наш новый подход другим алгоритмам.
«Алгоритмы машинного обучения обычно пытаются оптимизировать для одной простой меры того, насколько« хороши »их прогнозы. Однако прогнозы погоды могут быть хорошими или плохими по-разному; возможно, в одном прогнозе осадки выпадают в правильном месте, но с неправильной интенсивностью, или в другом – с правильным сочетанием интенсивности, но в неправильных местах, и так далее. В конечном счете, «хорошее» зависит от того, какое качество оказывается полезным для той или иной проблемы.
«В ходе этого исследования мы приложили много усилий, чтобы оценить наш алгоритм по широкому набору показателей, поэтому мы показали, что он« хорош »несколькими разными способами. Более того, мы решили, что в некотором смысле самый чистый способ проверить, Ценность нашего подхода заключалась в том, чтобы просто спросить конечных пользователей – наших собственных метеорологов. В ходе слепого исследования они в подавляющем большинстве предпочли наш новый подход другим алгоритмам. Раньше не было сделано для оценки использования ИИ в метеорологии. Я думаю, что это совершенно необычно для исследований в области машинного обучения ».
На данный момент исследовательский проект является скорее попыткой подтверждения концепции, и в ближайшее время Метеорологическое бюро не будет использовать алгоритмы искусственного интеллекта для прогнозирования в реальном мире. По словам Робинсона, существует множество других инструментов, которые метеорологическое агентство должно создать, прежде чем можно будет использовать что-то вроде GAN:
«После того, как будет опубликовано новое полезное исследование, предстоит еще много работы по созданию оперативной службы. Например, нам необходимо тщательно продумать, как развертываются и обслуживаются новые инструменты, какие пользовательские интерфейсы лучше всего подходят для наших метеорологов и как они сочетаются со всеми другими прогнозами, которые мы предоставляем. Таким образом, мы можем гарантировать надежность, которая лежит в основе цели Метеорологического бюро ».
Метеорологическое бюро заявило, что изучает решение других проблем исследования ИИ с помощью промышленности и академических кругов. ®
