Key takeaways
- Kunstig intelligens finkjemmer enorme mengder data for å lage mer nøyaktige værmeldinger.
- Storbritannias værtjeneste har utviklet et AI-verktøy som nøyaktig kan forutsi sannsynligheten for regn i løpet av de neste 90 minuttene.
- Spire Global er ett selskap som allerede bruker kunstig intelligens for å forbedre prognoser.
Din neste væroppdatering kan komme til deg takket være kunstig intelligens (AI).
Storbritannias nasjonale værtjeneste har utviklet et AI-verktøy som den hevder nøyaktig kan forutsi sannsynligheten for regn i løpet av de neste 90 minuttene. Å lage nøyaktige værmeldinger er et utfordrende problem som har motstått årtuseners innsats. Men forskere håper AI kan revolusjonere værvarsling.
"Enhver bransje som er værsensitiv ser på måter å bruke AI for å forbedre sikkerhet og drift," sa Renny Vandewege, visepresident for væroperasjoner i dataanalyseselskapet DTN, til Lifewire i et e-postintervju. «For eksempel bruker verktøy AI for å identifisere og forutsi nettresiliens og potensielle avbrudd.»
Nowcasting Rain
London er kjent for dyster himmel, men du kan i det minste få en bedre advarsel når sprinklene starter. I samarbeid med Storbritannias nasjonale værtjeneste har AI-selskapet DeepMind utviklet et dyplæringsverktøy k alt DGMR for prognoser.
Eksperter bedømte DGMRs prognoser til å være de beste på tvers av en rekke faktorer, inkludert spådommene om plasseringen, omfanget, bevegelsen og intensiteten av regnet - 89 % av tiden, ifølge en artikkel som nylig ble publisert i tidsskriftet Nature. Selskapet kaller teknikken "nowcasting" fordi den er så betimelig.
"Vi bruker en tilnærming kjent som generativ modellering for å lage detaljerte og plausible spådommer om fremtidig radar basert på tidligere radar," skrev DeepMind på sin nettside. "Konseptuelt er dette et problem med å generere radarfilmer. Med slike metoder kan vi både fange storskala hendelser nøyaktig, samtidig som vi genererer mange alternative regnscenarier (kjent som ensembleprediksjoner), slik at nedbørsusikkerhet kan utforskes."
Appu Shaji, en AI-forsker som ikke er involvert i DeepMind-studien, k alte selskapets arbeid "imponerende" i et e-postintervju med Lifewire.
"Når det er sagt, er disse arbeidene fortsatt i sin spede begynnelse, og vi bør forvente å se betydelig fremgang i nøyaktighet og prognosemuligheter i de kommende årene," la han til.
Forutsi kaos
Været er en kaotisk prosess som er vanskelig å forutsi med presisjon.
"Avanserte værmodeller og teknologi, som AI, forbedrer prognoser for å hjelpe oss med å planlegge, forberede og redusere virkningen av værhendelser," sa Vandewege.
Avanserte værmodeller og teknologi, som AI, forbedrer prognoser for å hjelpe oss med å planlegge, forberede og redusere virkningen av værhendelser.
"Når værhendelser blir hyppigere og mer ekstreme, betyr nøyaktige prognoser med lengre ledetid at bedrifter, lokalsamfunn og publikum har mer tid og mer informasjon til å ta bedre beslutninger."
Vêrsimuleringer kjøres for tiden ved hjelp av datamodeller, fort alte Vikram Saletore, en AI-ekspert hos Intel, til Lifewire i et e-postintervju. Men, sa han, værmodeller må kjøres ofte ettersom miljøet endres for nøyaktige prognoser.
"AI forbedrer værvarslingen dramatisk ved å aktivere og akselerere disse simuleringsmiljøene betydelig for å ta inn enorme mengder historiske modeller med det nåværende miljøet som input og kjøre spådommer om potensielle utfall," la Saletore til.
Spire Global er ett selskap som allerede bruker AI-programmer for å forbedre prognosene. PredictWind-programmet gir vindvarsler til maritime og fritidssportsbrukere ved å behandle satellittdata med dataalgoritmer.
"Klimaendringer øker sannsynligheten for ekstremvær og globale operasjoner åpner virksomheter for trusselen om værforstyrrelser hvor som helst i verden," sa Matthew Lennie, en AI-ekspert Spire Global, til Lifewire i et e-postintervju.
Datakraft har vært en flaskehals for værvarsling. Som et resultat har noen av de kraftigste superdatamaskinene blitt bygget spesielt for å knuse prognosetall.
"AI har en fantastisk sjanse til å redusere denne avhengigheten av kraftige motorer og potensielt kjøre disse modellene for å få like gode eller bedre resultater med betydelig mindre beregningsbelastning," sa Shaji. "Dyp læring prøver ikke å løse disse formlene direkte, men forutsier dem basert på observerbare mønstre.«
AI-metoden ligner på hvordan aksjemarkedsinvestorer ser på mønstre over lange perioder, påpekte Shaji. "Dyp læring har mer nøyaktighet," la han til. "Den prediktive nøyaktigheten og kapasiteten til modeller vil bare bli bedre i fremtiden."
