DeepMind, die auf künstliche Intelligenz spezialisierte Google-Tochter, hat gerade ein sehr beeindruckendes neues Tool vorgestellt: Hier ist es GenCastein auf Wettervorhersagen spezialisiertes KI-Modell, das auf dem besten Weg zu sein scheint, diese Disziplin zu revolutionieren.
Es ist allgemein bekannt, dass maschinelles Lernen noch lange kein Allheilmittel ist, insbesondere in Disziplinen, die stark auf logisches Denken angewiesen sind. Andererseits ist es zweifellos ein hervorragendes Werkzeug, wenn es darum geht, komplexe Muster in riesigen Datensätzen aufzudecken, in denen Menschen und selbst herkömmliche Algorithmen große Schwierigkeiten haben, sich zurechtzufinden.
DeepMind ist sich dessen bewusst, da das Unternehmen die Technik bereits zur Lösung von Problemen eingesetzt hat, die einst völlig unerreichbar schienen. Das bemerkenswerteste Beispiel ist zweifellos AlphaFold, ein System, das es ermöglicht, die 3D-Struktur von Proteinen in Rekordzeit und mit hervorragender Präzision vorherzusagen. Es ist eine Übung, deren außerordentliche Komplexität seit Jahrzehnten die größten Spezialisten und die besten Computer auf die Probe stellt. Die Einführung von AlphaFold stellte daher eine echte Revolution in der Strukturbiologie dar – so sehr, dass seine Hauptarchitekten sogar mit dem Nobelpreis für Chemie 2024 belohnt wurden.
Meteorologie, die ungenaue Wissenschaft schlechthin
Dies gilt auch für andere Disziplinen wie beispielsweise die Meteorologie. Aufgrund der buchstäblich chaotischen Natur (siehe Chaostheorie) der Erdatmosphäre ist es praktisch unmöglich, die Entwicklung aller Variablen wie Temperatur, Luftfeuchtigkeit oder Druck zur Bestimmung des Wetters über einen langen Zeitraum vorherzusagen. Selbst bei hochmodernen Wettermodellen, die auf leistungsstarken Computern laufen, verstärken sich tendenziell selbst verschwindend kleine Fehler, wie das berühmte Beispiel des Schmetterlingseffekts zeigt. Um das zukünftige Wetter perfekt zu kennen, müssten Sie Zugriff darauf haben unendlich präzise Datenaber auch zu a idealer Computer, der alle diese Daten in akzeptabler Zeit verarbeiten kann.
Da es praktisch unmöglich ist, eine perfekte Präzision zu erreichen, müssen wir uns damit zufrieden gebenAnnäherung. Dies ist jedoch eine Aufgabe, bei der KI-Modelle außerordentlich effektiv sind; Sie sind unübertroffen, wenn es darum geht, klare Trends aus einem ansonsten unverdaulichen Datenmeer zu erkennen, dessen Verarbeitung ein auf roher Gewalt basierendes System ewig dauern würde. Basierend auf dieser Beobachtung hat sich DeepMind vorgenommen, eine zu entwickeln Wettervorhersagesystem, das ENS, das derzeit effizienteste statistische Modell, übertreffen kann.
Ein präzises und ultraschnelles KI-Modell
Konkret verwendet dieses Modell namens GenCast dieselbe probabilistische Methode wie ENS. Es generiert einen Satz von etwa fünfzig potenziell kohärenten Vorhersagen, die dann von Meteorologen mithilfe hochentwickelter statistischer Tools analysiert werden. Letztere interessieren sich insbesondere für die Lücke zwischen den verschiedenen Prognosen; Je ähnlicher die Szenarien sind, desto mehr Vertrauen können wir in das Ergebnis haben. Es ist daher eine entscheidende Messgröße zur Bestimmung der Wirksamkeit dieser Systeme.
Und das Mindeste, was wir sagen können, ist, dass sich GenCast auf diesem Niveau als außergewöhnlich erwiesen hat. Am Ende des Trainingsprozesses stellte sich heraus, dass es sich um dieses KI-Modell handelte in 97 % der 1320 Wetterszenarien genauer als ENS auf dem sie im Wettbewerb standen!
Und um das Ganze noch zu krönen, erreichte er dieses beeindruckende Ergebnis mit unglaublich kurze Berechnungszeiten. Im Gegensatz zu einem herkömmlichen Modell, das auf einem Supercomputer läuft, muss es nicht Tausende von äußerst komplexen Gleichungen der Fluidphysik lösen, um zu einer Schlussfolgerung zu gelangen. Stattdessen kann er einfach auf den Mustern aufbauen, die während seiner anfänglichen Ausbildung entstanden sind. Daher ist GenCast in der Lage, einen Katalog von Wetterszenarien zu erstellen weniger als zehn Minuten, verglichen mit mehreren Stunden bei herkömmlichen Systemen wie ENS !
Ein Paradigmenwechsel
Laut den Autoren markiert dies den Beginn eines echten Paradigmenwechsels im Bereich der Wettervorhersage. Diese Ergebnisse bedeuten nicht unbedingt, dass KI kurzfristig traditionelle Prognosetechnologien ersetzen wird; auf der anderen Seite, so Ilan Price, ein Manager bei DeepMind, der von der interviewt wurde WächterDies zeigt, dass dieser Ansatz bereits ausgereift genug ist, um zusätzlich zu herkömmlichen Systemen eingesetzt zu werden. Eine Interpretation, die Steven Ramsdale, Chefprognostiker des britischen MET, im Interview mit dem teilt Financial Times.
« Der größte Mehrwert liegt in einem hybriden Ansatz, der menschliche Einschätzung, traditionelle physikbasierte Modelle und KI-basierte Wettervorhersagen kombiniert “, fasst er zusammen. Es wird daher sehr interessant sein zu sehen, wie die Institutionen, die für die Vorhersage von Regen und gutem Wetter zuständig sind, diese neuen Tools bis zum Ende des Jahrzehnts in ihr technologisches Arsenal integrieren werden.
Die zu dieser Arbeit gehörige Forschungsarbeit ist hier verfügbar.
???? Um keine Neuigkeiten im Journal du Geek zu verpassen, abonnieren Sie Google News. Und wenn Sie uns lieben, haben wir jeden Morgen einen Newsletter.
