Microsoft заявила, что с помощью машинного обучения решила проблему падения точности прогнозов погоды на срок более двух недель. Эта проблема характерна и для классических физических моделей, и для новых ИИ-систем.
Исследователи создали метод, который делает прогнозы на 2–6 недель вперёд точнее и дешевле. Результаты опубликованы в журнале Nature, а инструмент выложен как open-source.
Microsoft присоединилась к Google, Nvidia и другим компаниям, но не стала делать отдельную модель. Вместо этого ИИ исправляет систематические ошибки в уже существующих моделях.
Физическое моделирование требует суперкомпьютеров, а генеративный ИИ — мощных GPU. Новый инструмент работает только на CPU. Исследователь Microsoft Лестер Маки надеется, что он повысит эффективность прогнозов и их надёжность, особенно при экстремальной погоде.
Оба типа моделей на длинных сроках сталкиваются с похожей проблемой. Физические модели симулируют атмосферу, ИИ ищет закономерности в исторических данных. Пробелы в данных (мало метеостанций, не до конца изученные явления) закрываются приближениями, из-за чего возникает систематическая ошибка, а она накапливается со временем.
Метод называется Probabilistic Bias Correction (PBC). Он с помощью машинного обучения находит систематические смещения в модели и корректирует их. Например, модель, опираясь на исторические данные, может занижать температуру и не учитывать потепление климата.
Результаты тестов:
PBC улучшил точность ведущей физической модели ECMWF (Европейский центр среднесрочных прогнозов погоды) для 98% целевых показателей по осадкам и 92% по температуре
точность новой ИИ-системы ECMWF выросла вдвое
ещё до публикации ECMWF отметил работу наградой в конкурсе AI Weather Quest
Мэттью Чантри из ECMWF назвал работу хорошим примером новых идей для сообщества, но подчеркнул, что внедрение в реальные рабочие процессы остаётся самым сложным этапом.
Из-за требований к вычислительным ресурсам многие метеослужбы развивающихся стран не могли использовать технологические новинки. По словам соавтора Женевьев Фласфолер, PBC легко обучать, и учёные с ограниченными ресурсами смогут настраивать его под конкретные регионы.
Фласфолер работала над PBC стажёром в Microsoft, а теперь возглавляет некоммерческую организацию Rhiza Research. При финансировании Фонда Гейтса она вместе с метеослужбой Кении проверяет, может ли ИИ улучшить раннее оповещение. PBC — один из тестируемых методов перед ожидаемым более экстремальным сезоном дождей на фоне рекордного Эль-Ниньо.