WeatherNext od DeepMind pokonuje tradycyjne prognozy na tańszych danych

Tańsze wejścia zaczynają wygrywać z fizycznymi symulacjami

DeepMind wypuścił open-source'owy model WeatherNext, który według wczesnych doniesień przewidział uderzenie huraganu o dzień wcześniej, korzystając z danych o niższej rozdzielczości. (Oryginalny raport Ars Technica był zablokowany podczas weryfikacji, więc wnioski opierają się na metadanych). Dotychczasowy konsensus zakładał, że do lepszych prognoz absolutnie potrzebujemy o wiele gęstszych i droższych danych.

Bariera wejścia dla mniejszych ośrodków spada

Najlepsze dotychczasowe modele fizyczne wymagały gigantycznych budżetów na klastry obliczeniowe i zaawansowaną sensorykę. Jeśli sztuczna inteligencja potrafi utrzymać jakość prognozy na bardziej ogólnych informacjach, otwiera to drzwi do precyzyjnego przewidywania pogody dla mniejszych instytucji, które nie mają środków na najdroższą infrastrukturę.

Ekstremalne zjawiska nie gwarantują stabilności na co dzień

Model, który potrafi zabłysnąć na tak potężnym i widocznym zjawisku jak huragan, wcale nie musi radzić sobie z konsekwentnym prognozowaniem lokalnych opadów. Historyczną słabością AI w meteorologii są momenty, w których dochodzi do bezprecedensowych anomalii, jakich model nie widział podczas treningu.

O realnym wdrożeniu zadecyduje integracja

Prawdziwy test nadejdzie w momencie, gdy narodowe instytuty zdegradują fizyczne symulacje do roli zapasowej. Dowodem na skuteczność systemu będzie dopiero jego pełna integracja z rurociągami ostrzegawczymi, gdzie błąd oznacza realne zagrożenie dla infrastruktury.

Werdykt Lilith

Modele fizyczne zawsze wymagały droższych czujników i potężniejszych superkomputerów do uzyskania lepszych wyników. DeepMind właśnie udowodnił, że mądrzejsza architektura potrafi wyciągnąć trafną decyzję nawet z tańszych danych wejściowych.