Microsoft разработала новый инструмент машинного обучения для прогнозов погоды

Согласно материалу The Verge, Microsoft представила новое программное обеспечение с открытым исходным кодом, которое может сделать прогнозирование погоды с использованием искусственного интеллекта более доступным. Исследователи компании утверждают, что нашли новый экономически эффективный способ получения более точных прогнозов погоды на срок от двух до шести недель вперед, что позволит фермерам и службам экстренной помощи заранее планировать свои действия с большей уверенностью. Результаты исследования были опубликованы в журнале Nature, и инструмент теперь доступен как программное обеспечение с открытым исходным кодом. Microsoft присоединилась к таким компаниям, как Google и Nvidia, которые также разрабатывают инструменты ИИ для прогнозирования погоды. Вместо создания новой самостоятельной модели прогноза погоды, последние исследования Microsoft используют машинное обучение для коррекции систематических ошибок в существующих моделях. Это более доступный способ для агентств, у которых ограничены ресурсы, улучшить точность прогнозов с помощью ИИ. Старший научный сотрудник Microsoft Research New England Лестер Маки говорит, что новый инструмент может работать только на центральных процессорах, в отличие от традиционного физического моделирования, которое требует ресурсозатратных суперкомпьютеров. «Я очень надеюсь на увеличение ресурсной эффективности прогнозирования погоды и расширение надежности прогнозов, особенно для экстремальных погодных условий», — сказал Маки. Физические и ИИ-модели сталкиваются с аналогичными проблемами, когда начинают прогнозировать погоду более чем на две недели вперед. Традиционные модели пытаются смоделировать сложную физику атмосферы Земли, в то время как ИИ-модели ищут закономерности в исторических данных для составления прогнозов. Оба подхода полагаются на приближения для заполнения пробелов в данных, которые могут возникать из-за недостатка метеорологических станций или сложных атмосферных явлений, которые ученые все еще пытаются понять. Способы, которыми эти модели компенсируют пробелы в данных, могут приводить к систематическим ошибкам. Ошибки накапливаются при составлении более долгосрочных прогнозов, что делает их менее точными. Microsoft называет свой метод коррекцией вероятностного смещения (PBC). Этот инструмент использует машинное обучение для выявления систематических ошибок в модели и их коррекции. Один из примеров, который приводит Маки, — это коррекция изменений климата. Выбросы парниковых газов от ископаемого топлива нагревают планету, но модель погоды может делать прогнозы на основе исторических данных, что может привести к смещению в сторону более холодных температур, чем те, которые фактически наблюдаются сегодня. Исследователи обнаружили, что PBC улучшает точность ведущей физической модели погоды Европейского центра среднесрочных прогнозов погоды (ECMWF) для 98% осадков и 92% температурных показателей. Машинно-обучающая структура также удвоила точность новой системы прогнозирования погоды на основе ИИ от ECMWF в ходе анализа исследования. Перед публикацией статьи ECMWF уже наградил авторов исследования PBC в своем конкурсе AI Weather Quest. Новая статья о PBC, опубликованная исследователями из Microsoft, MIT, ECMWF и других учреждений, «является хорошим примером новых идей, разрабатываемых на благо и в интересах сообщества», — сказал Мэтью Чантри, стратегический руководитель ECMWF в области машинного обучения, в комментарии по электронной почте для The Verge. «Как всегда, превращение идей в реальность [в] операционный процесс является наиболее сложным шагом», — добавил Чантри. Объем вычислительных ресурсов и инфраструктуры, необходимых для прогнозирования погоды, часто оставляет технологические достижения недоступными для многих агентств в развивающихся странах. Однако авторы статьи считают, что PBC может стать исключением. «Одно из вещей, которые меня действительно вдохновляют в таких моделях, как PBC, — это их легкость, простота в обучении, что позволяет ученым без огромных ресурсов работать над настройкой этих моделей и улучшением их работы в конкретных местностях», — говорит Женевьева Фласпохлер, одна из авторов статьи. Фласпохлер работала над PBC как стажер в Microsoft под руководством Маки, а сейчас она является исполнительным директором некоммерческой организации Rhiza Research, которая сотрудничает с Кенийской метеорологической службой — с финансированием от Фонда Гейтса — чтобы выяснить, может ли ИИ помочь предоставить более точные ранние предупреждения людям. PBC — один из методов, которые они тестируют перед тем, как ожидается более экстремальный дождливый сезон во время рекордного Эль-Ниньо. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.