Das Zyklonenmodell von Google DeepMind stellt KI-Prognosen neben offizielle Modelle auf den Bildschirmen des NHC

Warum die allgemeinen Wettermodelle für Stürme nicht ausreichten

Google DeepMind und Google Research hatten bereits Wettermodelle – GenCast, GraphCast und NeuralGCM –, die bei Zyklonenbahnen vielversprechend waren. Die Ankündigung ist offen darüber, warum diese nicht ausreichten: Sie wurden mit niedrig aufgelösten historischen Daten trainiert, lieferten schwache Intensitätsvorhersagen und, wie es im Artikel selbst heißt, die Vorhersager vertrauten ihnen nicht vollständig.

Dieses Misstrauen ist der eigentliche Ausgangspunkt. Ein Modell, das eine plausibel aussehende Bahn liefert, aber nicht sagen kann, wie stark ein Sturm werden wird, ist für einen Einsatzraum, der Evakuierungswarnungen herausgibt, keine verlässliche Grundlage. Das Team betrachtete die Lücke als Datenproblem: Zyklone sind selten und extrem, sodass ein Training allein auf allgemeinen Wetterdaten genau jene Bedingungen unterrepräsentiert, auf die es am meisten ankommt.

Zyklone sind hinsichtlich Windgeschwindigkeit und Wirbelstärke so selten und intensiv, dass wir die Art, wie wir unsere Modelle trainieren, ändern mussten. Wir trainieren jetzt sowohl mit allgemeinen Wetterdaten als auch mit spärlichen, zyklonenspezifischen Daten.Montana Labs

Ein Schritt statt iterativer Diffusion, und 50 mögliche Zukünfte statt einer

Die technisch bemerkenswerte Entscheidung ist die Abkehr von Diffusion. Diffusionsmodelle verfeinern eine Vorhersage über viele iterative Schritte; das Zyklonenmodell von Google nutzt stattdessen einen probabilistischen Ansatz, der in einem einzigen Schritt funktioniert, zufällige Störungen während der Vorhersage einführt und 50 mögliche Sturmverläufe erzeugt.

Das ist entscheidend für ein chaotisches System, bei dem, wie Ferran Alet es formuliert, kleine Unterschiede in den Daten zu stark unterschiedlichen Zukünften führen. Statt sich auf eine Trajektorie festzulegen, liefert das Modell den Vorhersagern eine Verteilung. Das Beispiel Zyklon Alfred macht das konkret: Der Ensemble-Mittelwert erwartete eine schnelle Abschwächung zum Tropensturm und eine Landung nahe Brisbane sieben Tage im Voraus, mit einer angegebenen hohen Wahrscheinlichkeit einer Landung irgendwo an der Küste von Queensland – eine Wahrscheinlichkeit, kein Versprechen.

Der Geschwindigkeitsvorteil ist die andere Hälfte der Geschichte. Traditionelle Modelle simulieren atmosphärische Physik auf Supercomputern; dieses Modell überspringt diese Simulation, was frühe Signale überhaupt erst möglich macht – etwa die Erfassung der Zyklone Jude und Ivone fast sieben Tage vor ihrer Entstehung.

Die Automatisierungsgeschichte hier ist eine an der Schnittstelle entworfene Erweiterung menschlicher Arbeit

Was dies von einer typischen Modellveröffentlichung unterscheidet, ist, dass die Ausgabe direkt neben den offiziellen Modellen platziert wird, die Vorhersager bereits nutzen – auf einer globalen Karte, zum Vergleich. Die KI wird nicht als Ersatz für den Prozess des NHC präsentiert – sie ist eine zusätzliche Beweisspur in einem Arbeitsablauf, der rund um die Uhr hinter 25 Zentimeter dicken Betonwänden läuft.

Der 'Expertenmodus' ist das deutlichste Zeichen dafür. Er entstand, als eine Vorhersagerin der Produktmanagerin Olivia Graham erzählte, dass ein Großteil ihrer Arbeit stattfindet, bevor sich ein Zyklon überhaupt bildet. Die Antwort war keine bessere Bahnvorhersage – es war eine neue Ansicht mit Clustern von Kreisen, von denen jeder eine Wahrscheinlichkeit von etwa 2 % für eine Zyklonentstehung darstellt, sodass Vorhersager Stürme untersuchen können, die noch gar nicht existieren. Dieses Feature gibt es, weil ein Mensch sagte, die ursprüngliche Oberfläche beantworte die falsche Frage.

Die Schlussfolgerung: Vertrauen in ein operatives Vorhersagemodell entsteht durch gemeinsame Entwicklung, nicht durch Benchmarks

Die ehrliche Lektion dieser Ankündigung ist, dass Spitzenleistung bei internen Auswertungen notwendig, aber nicht ausreichend war. Googles frühere Modelle hatten ordentliche Bahnvorhersagen und wurden trotzdem nicht eingesetzt. Was sich geändert hat, ist eine zweimonatige Phase mit Zugang für vertrauenswürdige Tester, in der Vorhersager Seite an Seite mit dem Team saßen, um mitzugestalten, wie Informationen dargestellt werden – nicht nur, ob sie korrekt sind.

Für alle, die Modelle in risikoreichen operativen Umgebungen einsetzen, ist das der übertragbare Kernpunkt. Das Modell, das tatsächlich genutzt wird, ist jenes, das mit den Menschen entwickelt wurde, deren Urteilsvermögen im Prozess bleibt, deren Fragen den Funktionsumfang mitgestalten und die seine Vorhersagen neben ihre bestehenden Werkzeuge stellen und vergleichen können. Genauigkeit verschafft Zutritt zum Sitzungssaal; die Benutzeroberfläche und die Zusammenarbeit sind es, die es während eines Sturms der Kategorie 5 auf den Bildschirm bringen.