Ajándékozz éves hvg360 előfizetést!
Egyre több technológiai nagyvállalat fejleszt olyan modelleket, melyek ha nem is forradalmat, de jelentős változásokat ígérnek az időjárás-előrejelzések terén. De valóban kiszoríthatják az eddig használt modelleket? A meteorológus szerint az ördög a részletekben rejlik, és érdemes már most tisztában lenni ezekkel a részletekkel.
Egy jó családi ebéden egy-két óra alatt elfogy minden fogás, melyek elkészítéséhez egy-két nap is kellett. Hasonló a helyzet az időjárással kapcsolatos prognózisokkal: egy előrejelzés általában néhány bekezdésnyi szövegből áll, amit legfeljebb egy-két percbe telik elolvasni, meghallgatni – de ennek elkészítése rendkívül komplex fizikai folyamat, benne számos lépéssel: mérés, megfigyelés, számítógépes modellezés, a gépi eredmények értelmezése és tálalása. És az előrejelzés még így sem lehet 100 százalékban biztos, hiszen sok a bizonytalansági tényező. Ezek közé sorolható, ha némely területről nincs megfelelő meteorológiai információ, nem ismertek tökéletesen az időjárást alakító, légkörben zajló folyamatok, de a számítások során alkalmazott közelítések is pontatlansághoz vezethetnek.
Az előrejelzések készítésében jelentős szerephez jut a számítástechnika, és ahogyan ez a terület fejlődik, úgy lesznek egyre pontosabbak az előrejelzések is. A mesterséges intelligencia térnyerése pedig legalább olyan forró téma a számítástechnikában, mint az elmúlt időszakban tapasztalt hőség a meteorológiában – és a két terület a technológiai nagyvállalatok fejlesztési irányaiban találkozik.
A Google DeepMind algoritmusa, a gépi tanuláson alapuló GraphCast például egy perc alatt képes időjárási prognózist felállítani, és akár egy asztali számítógépen is futtatható. A tesztek során a GraphCast precízebb tíznapos előrejelzést produkált, mint az európai meteorológiai kutatóintézetben (European Centre for Medium-Range Weather Forecasts) használt, a világ legjobb időjárás-modellező szuperszámítógépének tartott HRES.
A GraphCast és a HRES versenyében 1300 tesztrégiót adtak meg a kutatók, ezek 90 százalékában az időjárási változók 99 százalékát tudta pontosabban előre jelezni a Google algoritmusa a HRES-nél. Ráadásul az extrém időjárási események előre jelzésében is hasznos lehet, legyen szó hőhullámokról, a hidegebb időszakokról vagy a trópusi viharokról.
A Google mellett a Microsoft is jelen van a területen az Aurora nevű időjárás-előrejelző MI-modelljével. Ez az 1,3 milliárd paraméterrel rendelkező modell képes kezelni a jelenlegi módszerek korlátait azzal, hogy kiterjedt légköri adatokat tud pillanatok alatt feldolgozni, ami segíthet a szélsőséges időjárási események korai jelzésében is. A Microsoft hangsúlyozza: egyértelmű, hogy pontosabb előrejelzésre van szükség, mivel az éghajlatváltozást továbbra is súlyosabb időjárási minták kísérik.
Az Aurora a cég állítása szerint felülmúlja a speciális mélytanulási modelleket a különböző időjárás-előrejelzési feladatok és felbontások tekintetében: egy perc alatt készít globális légszennyezettségi előrejelzéseket, vagy épp 10 napos, nagyfelbontású időjárás-előrejelzéseket.
A norvég 7Analytics MI-fejlesztése pedig 72 órával előre képes jelezni, ha az időjárás miatt villámárvíz vagy áradás fenyeget egy települést. Ezt egyméteres pontossággal tudja megtenni, méghozzá egy sor fontos adat, például az időjárás és a földhasználat betáplálásával.
Szintén érdemes kiemelni az Nvidia által fejlesztett FourCastNetet, de már az IBM és a NASA is összefogott egy időjárási- és klímacélokat szolgáló modell fejlesztésére.
Szépszó Gabriella meteorológus, a HungaroMet klimatológiai és kutatás-fejlesztési igazgatója szerint a techcégek a jelenlegi előrejelzési gyakorlatban alkalmazott, hagyományos meteorológiai modelleknek akarnak versenyt állítani, miközben jelentős mértékben építenek azokra. A GraphCast és a FourCastNet modelleket például „a háromdimenziós légkör jelenlegi legpontosabb leírását adó ERA5 reanalíziseken tanították be”, amit pedig mérések és hagyományos előrejelző modellek felhasználásával hoztak létre évtizedek munkájával.
Az MI-modellek alapját jelentő hosszadalmas folyamatok megérik a pénzt és az időt: a betanított algoritmussal készített egy-egy előrejelzés már gyorsan, néhány perc alatt elkészül, és pontossága – ahogy a szakemberek fogalmaznak: beválása – összemérhető a hagyományos, fizikai időjárási modellekével. Összemérhető, de egyelőre nem jobb.
A mesterséges intelligenciával az a legfőbb probléma, hogy valójában nem érti a légkörben lejátszódó fizikai folyamatokat (mint ahogy a ChatGPT sem érti a szöveget), hanem rengeteg változó figyelembe vételével, statisztikai alapon készít előrejelzést, az adatokban rejlő mintázatok felismerése által – magyarázza Szépszó Gabriella.
Ezzel szemben a meteorológusok, amikor az előrejelzéseket készítik, a légköri folyamatokat igyekeznek megérteni a ciklonoktól/anticiklonoktól a kisebb skálájú folyamatokig, mint például a lokális zivatarok. Ezeket vizsgálva írják le a légkör aktuális helyzetét, és vetítik előre várható változásait. Az ilyen módon készülő előrejelzéseket az MI jelenleg nem tudja kiváltani, csupán kiegészíteni, pontosítani.
Szintén fontos, hogy a mesterséges intelligencia által adott adatok, eredmények nehezen igazolhatók, mert az algoritmus nem tudja megmagyarázni azokat. Ismert problémája az MI-nek például a „hallucináció”: megesik, hogy hamis tartalmakat generálnak, amit aztán pontos információként tálalnak a felhasználóknak. Ez a tudományban komoly problémát jelent.
Amiben jól jön az MI, az a sok-sok időigényes részszámítás. Ezzel számítási időt és erőforrást takarít meg. Különösen igaz lehet az összetett, nagy adatigényű folyamatok esetében – hangsúlyozza Tóth Boglárka, a HungaroMet fejlesztési osztályvezetője. Mint kiemeli, néhány területen az MI jelentős sikereket érhet el, ennek pedig társadalmi és gazdasági haszna is lehet; még a közúti és a vasúti közlekedési szektorban is fontos szerepe lehet a várható csapadék, és annak halmazállapotának meghatározásában.
A mesterséges intelligencia megfelelő alapot nyújthat még az ultrarövidtávú előrejelzések készítéséhez, például a műholdképek elemzése, nyomon követése révén – ez a megújuló energiaszektor számára is hasznos lehet, ahol gyors és megbízható adatokra van szükség a napenergia-termelés optimalizálásához és az energiagazdálkodás javításához. Ezirányú, a napenergia-termelőket érintő fejlesztésen Szépszó Gabriella elmondása szerint a HungaroMet is dolgozik, mellyel – műholdképek felhasználásával – rövid, néhány órás időtávra készíthetnek majd sugárzás-előrejelzéseket.
A mesterséges intelligencia tehát látszólag nem forgatja fel alapjaiban az időjárás-előrejelzéseket, legalábbis egyelőre. Azt ugyanakkor Tóth Boglárka is kiemeli, hogy az MI a jövő, és számos folyamatban szolgálhatja a meteorológusokat, legyen szó az adatok pontosabb feldolgozásáról, értelmezéséről, vagy az adatminőség javításáról.
Az adatokat érintő megközelítéseket hangsúlyozza a Meteorológiai Világszervezet (WMO) is, de a katasztrófákra figyelmeztető, veszélyjelző rendszerek kialakításában is fontos szerep hárulhat az MI-re. A szakmai tudást, tapasztalatot azonban jelenleg nem tudja kiváltani – de jelentősen támogathatja azt.
Ha máskor is tudni szeretne hasonló dolgokról, lájkolja a HVG Tech rovatának Facebook-oldalát.
