DeepMind'in açık kaynaklı WeatherNext modeli, kasırga yolu tahminlerini geleneksel sayısal hava tahmini sistemlerine kıyasla yaklaşık bir tam gün daha ileriye taşıdı — bu sonuç, profesyonel meteorologları gerçek anlamda şaşırttı.
Temel çıkarımlar
- DeepMind'in WeatherNext'i, kasırga yolu tahminlerini geleneksel sistemlere göre yaklaşık 24 saat daha önceden üreten açık kaynaklı bir yapay zeka hava modelidir.
- WeatherNext, bu doğruluğu standart operasyonel tahmin modellerinin gerektirdiğinden daha düşük çözünürlüklü atmosferik giriş verileriyle elde etmektedir.
- Performans farkı, yalnızca yapay zeka araştırmacıları tarafından değil, hava bilimcileri tarafından da şaşırtıcı olarak nitelendirildi.
- WeatherNext açık kaynaklıdır; bu sayede araştırma kurumları ve meteoroloji ajansları modeli bağımsız olarak çalıştırıp inceleyebilir.
- Ek önceden uyarı süresi, kıyı toplulukları için doğrudan daha erken tahliye kararlarına ve acil durum kaynaklarının önceden konuşlandırılmasına dönüşmektedir.
WeatherNext'in gerçekte ne farklı yaptığı
Geleneksel sayısal hava tahmini, yoğun bir atmosferik veri noktaları ızgarasında fizik denklemlerini çözerek çalışır. Bu yöntem hesaplama açısından pahalıdır ve uzun vadeli tahmin aralıklarında doğruluğu korumak için yüksek çözünürlüklü girdiler gerektirir. WeatherNext ise tarihsel hava kayıtları üzerinde eğitilmiş bir makine öğrenmesi modelidir. Ars Technica'ya göre model, daha kaba giriş verilerinden rekabetçi kasırga yolu tahminleri üretebilmektedir — bu, açık okyanus üzerinde gerçek zamanlı yüksek çözünürlüklü gözlem verisinin mevcut olmadığı durumlarda anlamlı bir pratik avantajdır.
Bir günlük kazanım küçümsenecek bir fark değildir. Kasırga tahmininde, 24 saatlik ek güvenilir önceden uyarı süresi, düzenli bir kıyı tahliyesi ile kaotik bir tahliye arasındaki fark anlamına gelir. Acil durum yöneticileri genellikle savunmasız nüfusları taşımak için 72 saatlik uyarıya ihtiyaç duyar; güvenilir tahmin penceresini örneğin beş günden altı güne çıkarmak, operasyonel olarak mümkün olanı somut biçimde değiştirir.
Meteorologların neden şaşırdığı
Hava bilimi topluluğu, son birkaç yıl içinde yapay zeka tahmin modellerinin istikrarlı biçimde geliştiğini izledi — Google'ın GraphCast'i, Huawei'nin Pangu-Weather'ı ve NVIDIA'nın FourCastNet'i, makine öğrenmesinin standart ölçütlerde operasyonel modellere eşit ya da yakın sonuçlar üretebileceğini kanıtladı. Ancak eşit olmak ile geçmek farklı şeylerdir; üstelik uzun vadede kasırga yolu gibi yüksek riskli bir ölçütte geçmek bambaşka bir kategoridir. Yalnızca yapay zeka laboratuvarlarından değil, profesyonel tahmin uzmanlarından gelen şaşkınlık, WeatherNext'in pek çok kişinin bu kadar erken beklemediği bir eşiği aştığına işaret etmektedir.
Açık kaynaklı olması etkiyi daha da artırıyor. Ulusal meteoroloji ajansları, üniversite araştırma grupları ve bağımsız tahmin uzmanları modeli indirebilir, denetleyebilir ve üzerine inşa edebilir — bu, tescilli ticari yapay zeka hava sistemleriyle mümkün olmayan bir şeydir. Bu açıklık aynı zamanda bilim topluluğunun sonuçları DeepMind'in kıyaslama rakamlarına körü körüne güvenmek yerine bağımsız olarak sınayabileceği anlamına gelir.
Düşük çözünürlük avantajının pratikte anlamı
WeatherNext'in düşük çözünürlüklü verilerde iyi çalışması, belirli bir operasyonel anlam taşımaktadır: uydu ve dropsonde kapsamının sınırlı olduğu, fırtınanın yaşamının erken dönemleri de dahil olmak üzere veri açısından yetersiz ortamlarda kullanışlı tahminler üretebilir. Geleneksel modeller, giriş ızgaraları kabalaştırıldığında çok daha hızlı bozulur. Gürültülü girdilerde doğruluğunu koruyan bir model, tahmin becerisinin en çok önem taşıdığı koşullarda daha sağlamdır.
Bu aynı zamanda bir hesaplama maliyeti meselesidir. Daha düşük çözünürlüklü girdiler, daha hızlı çıkarım ve daha ucuz çalıştırma anlamına gelir; bu da tahmin belirsizliğini tahmin etmek için biraz farklı başlangıç koşullarıyla düzinelerce ya da yüzlerce model çalıştırması gerektiren topluluk tahminleri yapması gereken ajanslar açısından önem taşır. Çalıştırma başına daha düşük maliyetler, daha büyük toplulukları uygulanabilir kılar ve bu da olasılıksal rehberliği iyileştirir.
DeepMind'in kapsamlı yapay zeka bilim atılımı
WeatherNext, DeepMind'de büyük ölçekli makine öğrenmesini zorlu bilimsel tahmin problemlerine uygulama örüntüsüne uymaktadır — protein yapısı için AlphaFold, matris çarpımı için AlphaTensor ve şimdi operasyonel ölçekte hava tahmini. Demis Hassabis'in Alphabet Baş Bilim İnsanı olarak terfi ettirilmesi, bu yılın başlarında bildirildiği üzere, bu tür uygulamalı bilim çalışmalarının Google'ın uzun vadeli yapay zeka stratejisinin merkezinde yer aldığını, bir yan proje olmadığını göstermektedir.
Şimdilik WeatherNext'in kasırga sonucu, yapay zeka hava modellerinin yalnızca fizik tabanlı sistemlere yetişmekle kalmadığının — gerçek insani sonuçlar doğuran ölçütlerde öne geçmeye başladığının bugüne kadarki en somut göstergesidir. Bir sonraki sınav, operasyonel ajansların modeli resmi tahmin süreçlerine entegre edip etmeyeceği ya da bunun bir araştırma kıyaslaması olarak kalıp kalmayacağıdır. Bu kararın, çoğu meteorologun beklediğinden çok daha hızlı gelmesi muhtemeldir.
