Метеослужба Великобритании объявила, что вместе с Институтом Алана Тьюринга будет разрабатывать высокоточный и недорогой ИИ для прогноза погода. При этом служба и так использует одну из лучших моделей прогнозирования погоды в мире.
Если раньше метеорологические агентства мира соревновались в том, у кого самая передовая компьютерная модель прогноза погоды, то теперь они спешат внедрить в этот процесс искусственный интеллект.
Национальное управление океанических и атмосферных исследований США (NOAA) также планирует применять ИИ, например чтобы переводить прогнозы на разные языки.
За последние два года Google, Microsoft, Nvidia и Huawei научились лучше прогнозировать погоду с помощью нейросетей. Компании утверждают, что их технологии работают также эффективно, как ведущая модель Европейского центра среднесрочных прогнозов погоды (European Center for Medium-Range Weather Forecasts, ECMWF), или даже превосходят ее.
ECMWF даже опубликовал прогнозы, которые сгенерированы ИИ на основе исходных данных центра. Вероятно, NOAA сделает то же самое со своей моделью Global Forecast System.
Читайте по теме:
Спутники, беспилотники и машинное обучение: как стартапы прогнозируют погоду при помощи технологий
ИИ-модель от DeepMind научилась предсказывать, когда и где пойдет дождь
В ближайшее время Метеорологическая служба Великобритании и NOAA не планируют отказываться от численных моделей, работающих на суперкомпьютерах.
Скорее всего, они сначала разработают технологии на базе ИИ и с их помощью улучшат прогнозы для конкретных целей. Например, для краткосрочного прогноза высокого разрешения, где крупномасштабные модели испытывают трудности.
Модели на базе ИИ обучаются на исторических данных, и их не нужно запускать на суперкомпьютерах. По сравнению с численными моделями прогнозирования погоды, ИИ задействует меньше вычислительной мощности и выдает результат за несколько минут, а не часов.
Однако на практике технология может совершать ошибки, которых не было ранее. Критики называют ИИ «черным ящиком», качество результатов которого зависит от набора данных. Также есть опасение, что такие модели не смогут распознавать аномальные события из-за ошибок или пробелов в обучающих данных.
Фото на обложке: Oleg Elkov /
Нашли опечатку? Выделите текст и нажмите Ctrl + Enter