Predpovedanie počasia bolo od nepamäti jednou z najväčších výziev ľudstva. Keďže sme žili vo väčšom spojení s prírodou ako dnes, zmeny počasia sa nás priamo dotýkali. Ak si včas nevšimli príchod mrazu, mohli prísť o úrodu, čo dozaista sťažilo ich život.

Aj napriek tomu, že nemali moderné technológie, dokázali tomu predísť. Starovekí Babylončania sledovali oblohu a hľadali na nej znaky meniaceho sa počasia. Starí Egypťania si zase všimli, že pred dažďom sa rojí určitý hmyz, uvádza portál povetrie.sk.

V našich končinách sa zaužívali pranostiky, ktoré taktiež vznikli pozorovaním prírodných úkazov. Týmto spôsobom si uvedomili, že isté javy sa zvyknú opakovať. Avšak tieto metódy predpovedania počasia mali obmedzenú presnosť a rozsah.

Portál o počasí povetrie.sk dodáva, že až vynález moderných meteorologických prístrojov – napríklad barometra a teplomera v 17. storočí – začal spresňovať predpoveď počasia. Teraz sa zdá, že nový medzník v tomto odbore dosiahneme pomocou umelej inteligencie.

Efektívnejší ako popredný systém

Vedecký tím zo spoločnosti Google DeepMind zverejnil začiatkom decembra štúdiu vo vedeckom časopise Nature, v ktorej opisujú ich systém predpovedania počasia na báze umelej inteligencie. Zároveň tvrdia, že je presnejší ako tradičný popredný model.

Model Gencast má poskytovať lepšie predpovede každodenného počasia aj extrémnych udalostí ako špičkový systém ENS Európskeho centra pre strednodobú predpoveď počasia (ECMWF), a to až 15 dní vopred, informuje Google DeepMind.

Model GenCast predpovedá lepšie extrémne podmienky ako popredný model ENS. Zdroj: Google DeepMind

Spoločnosť vytvorila difúzny model, čiže typ generatívneho modelu umelej inteligencie, ktorý je základom nedávno rýchleho pokroku v oblasti generovania obrázkov, videí či hudby. GenCast sa však líši sa v tom, že je prispôsobený sférickej geometrii Zeme.

Model sa učí presne generovať komplexné pravdepodobnostné rozdelenie budúcich scenárov počasia na základe vstupných dát o najnovšom stave počasia. Obdobne ako iné modely umelej inteligencie, aj GenCast potreboval na tréning obrovské množstvo dát.

Revolučný, no odkázaný na údaje iných

Systém umelej inteligencie na predpoveď počasia trénoval na takmer štyroch desaťročiach dát, ktoré získali práve z už spomínaného systému ENS. Údaje od roku 1979 do 2018 umožnili tréning na rozpoznávanie vzorcov a predpovedanie počasia.

Ide o odlišný spôsob predpovedania počasia, ktorý používajú tradičné modely. Systém podobné ENS sa pri simulácii atmosféry stále spoliehajú na riešenie zložitých rovníc pomocou tisícok superpočítačov, o čom informuje portál The Verge.

Model spoločnosti Google DeepMind dokáže predpovedať viacero scenárov, ako môže postupovať tajfún. Zdroj: Google DeepMind

Portál zároveň upozorňuje na jednu z výhrad voči modelu GenCast. Porovnávali ho so staršou verziou ENS, ktorá ešte nedokáže pracovať s vyšším rozlíšením. Koordinátora strojového učenia ECMWF Matt Chantry hovorí o zlepšení systému ENS od roku 2019.

Rozlíšenie však nie je jediným dôležitým faktorom pri vytváraní predpovedí. Spoločnosť DeepMind tvrdí, že vykonala podobné porovnania na údajoch z rokov 2020 až 2022, pričom zistila podobné výsledky, hoci tie doteraz neboli recenzované.

Nateraz preto nie je známe, ako by GenCast obstál v porovnaní s vylepšenou verziou ENS z roku 2023. Spoločnosť totiž nemala údaje, s ktorými by ich mohla porovnať.

Nahradí GenCast tradičné modely?

Názory o tom, či umelá inteligencia zmení predpovedanie počasia sa líšia, na čo upozorňuje portál New Scientist. Ilan Price z  tímu spoločnosti DeepMind tvrdí, že umelá inteligencia môže ponúknuť cestu vpred bez zhromažďovania presnejších údajov.

„Keď máte tradičný model založený na fyzike, je to nevyhnutná požiadavka na získanie presnejších predpovedí, pretože je to nevyhnutná požiadavka na presnejšie riešenie fyzikálnych rovníc,“ povedal a poukázal na rozdiel oproti ich systému GenCast.

David Schultz z Univerzity v Manchestri hovorí, že umelá inteligencia môže zefektívniť predpoveď počasia, no domnieva sa, že tieto systémy sa často preceňujú. „Spôsobí [GenCast] revolúciu v numerických predpovediach počasia? Nie, pretože stále musíte najprv vykonávať numerické predpovede počasia, aby ste vycvičili modely,“ hovorí Schultz.

Obdobne na problematiku nahliada Sergej Frolov z amerického Národného úradu pre oceány a atmosféru (NOAA): „Tréningové údaje pochádzajú z operačných centier ako ECMWF a NOAA. Aby sme túto oblasť posunuli dopredu, musíme vytvárať viac tréningových údajov s fyzikálnymi modelmi s vyššou vernosťou.“