Το μοντέλο για κυκλώνες της Google DeepMind τοποθετεί προγνώσεις ΤΝ δίπλα στα επίσημα μοντέλα στις οθόνες του NHC

Γιατί τα γενικά μοντέλα καιρού δεν ήταν αρκετά καλά για τις καταιγίδες

Η Google DeepMind και η Google Research διέθεταν ήδη μοντέλα καιρού —GenCast, GraphCast και NeuralGCM— που έδειχναν υποσχόμενα αποτελέσματα στις τροχιές κυκλώνων. Η ανακοίνωση είναι ευθεία ως προς το γιατί αυτά δεν αρκούσαν: είχαν εκπαιδευτεί σε ιστορικά δεδομένα χαμηλής ανάλυσης, προσέφεραν φτωχές προγνώσεις έντασης και, όπως αναφέρεται στο ίδιο το άρθρο, οι μετεωρολόγοι δεν τα εμπιστεύονταν πλήρως.

Αυτή η έλλειψη εμπιστοσύνης είναι το πραγματικό σημείο εκκίνησης. Ένα μοντέλο που παράγει μια φαινομενικά πειστική τροχιά αλλά δεν μπορεί να πει πόσο ισχυρή θα γίνει μια καταιγίδα δεν είναι κάτι στο οποίο μπορεί να βασιστεί ένα κέντρο επιχειρήσεων που εκδίδει προειδοποιήσεις εκκένωσης. Η ομάδα αντιμετώπισε το κενό ως πρόβλημα δεδομένων: οι κυκλώνες είναι σπάνιοι και ακραίοι, οπότε η εκπαίδευση αποκλειστικά σε γενικά δεδομένα καιρού υποαντιπροσωπεύει ακριβώς τις συνθήκες που έχουν τη μεγαλύτερη σημασία.

Οι κυκλώνες είναι τόσο σπάνιοι και ακραίοι σε όρους ταχύτητας ανέμου και στροβιλισμού, που έπρεπε να αλλάξουμε τον τρόπο με τον οποίο εκπαιδεύαμε τα μοντέλα μας. Τώρα εκπαιδεύουμε τόσο σε γενικά δεδομένα καιρού όσο και σε σπάνια δεδομένα ειδικά για κυκλώνες.Montana Labs

Ένα βήμα αντί για επαναληπτική διάχυση, και 50 πιθανά σενάρια αντί για ένα

Η τεχνική επιλογή που αξίζει προσοχή είναι η απομάκρυνση από τη διάχυση. Τα μοντέλα διάχυσης βελτιώνουν μια πρόγνωση μέσα από πολλά επαναληπτικά βήματα· το μοντέλο κυκλώνων της Google αντίθετα χρησιμοποιεί μια πιθανοτική προσέγγιση που λειτουργεί σε ένα μόνο βήμα, εισάγοντας τυχαίες διαταραχές κατά την πρόγνωση και παράγοντας 50 πιθανές εξελίξεις της καταιγίδας.

Αυτό έχει σημασία για ένα χαοτικό σύστημα όπου, όπως το θέτει ο Ferran Alet, μικρές διαφορές στα δεδομένα οδηγούν σε πολύ διαφορετικές εξελίξεις. Αντί να δεσμεύεται σε μία τροχιά, το μοντέλο δίνει στους μετεωρολόγους μια κατανομή πιθανοτήτων. Το παράδειγμα του κυκλώνα Alfred το καταδεικνύει συγκεκριμένα: ο μέσος όρος του συνόλου προέβλεψε ταχεία εξασθένηση σε τροπική καταιγίδα και προσέγγιση της ξηράς κοντά στο Μπρίσμπεϊν επτά ημέρες πριν, με δηλωμένη υψηλή πιθανότητα προσέγγισης κάπου κατά μήκος των ακτών του Κουίνσλαντ — μια πιθανότητα, όχι μια εγγύηση.

Ο ισχυρισμός περί ταχύτητας είναι το άλλο μισό της ιστορίας. Τα παραδοσιακά μοντέλα προσομοιώνουν την ατμοσφαιρική φυσική σε υπερυπολογιστές· αυτό το μοντέλο παραλείπει αυτή την προσομοίωση, κάτι που είναι ακριβώς αυτό που κάνει δυνατά τα πρώιμα σήματα — εντοπίζοντας τους κυκλώνες Jude και Ivone σχεδόν επτά ημέρες πριν σχηματιστούν.

Η ιστορία αυτοματισμού εδώ είναι ενίσχυση σχεδιασμένη στο επίπεδο της διεπαφής

Αυτό που διαφοροποιεί αυτή την κυκλοφορία από μια τυπική παρουσίαση μοντέλου είναι ότι το αποτέλεσμα τοποθετείται απευθείας δίπλα στα επίσημα μοντέλα που ήδη χρησιμοποιούν οι μετεωρολόγοι, σε έναν παγκόσμιο χάρτη, για σύγκριση. Η ΤΝ δεν παρουσιάζεται ως αντικαταστάτης της διαδικασίας του NHC — είναι μια επιπλέον στήλη αποδεικτικών στοιχείων σε μια ροή εργασίας που λειτουργεί 24/7 πίσω από τοίχους από σκυρόδεμα πλάτους δέκα ιντσών.

Η «λειτουργία ειδικού» είναι η πιο ξεκάθαρη ένδειξη αυτού. Προήλθε από έναν μετεωρολόγο που είπε στην product manager Olivia Graham ότι μεγάλο μέρος της δουλειάς τους γίνεται πριν ακόμα σχηματιστεί ένας κυκλώνας. Η απάντηση δεν ήταν μια καλύτερη πρόγνωση τροχιάς — ήταν μια νέα προβολή που δείχνει συστάδες κύκλων, καθένας από τους οποίους αντιπροσωπεύει περίπου 2% πιθανότητα σχηματισμού κυκλώνα, ώστε οι μετεωρολόγοι να μπορούν να διερευνούν καταιγίδες που δεν υπάρχουν ακόμη. Αυτή η λειτουργία υπάρχει επειδή κάποιος άνθρωπος είπε ότι η αρχική διεπαφή απαντούσε στο λάθος ερώτημα.

Το συμπέρασμα: η εμπιστοσύνη σε ένα επιχειρησιακό μοντέλο πρόγνωσης κερδίζεται μέσα από τη συνανάπτυξη, όχι μέσα από τα σκορ σε δοκιμές συγκριτικής αξιολόγησης

Το ειλικρινές δίδαγμα από αυτή την ανακοίνωση είναι ότι η υψηλή ακρίβεια σε εσωτερικές αξιολογήσεις ήταν αναγκαία αλλά όχι επαρκής. Τα προηγούμενα μοντέλα της Google είχαν αρκετά καλές τροχιές και παρόλα αυτά δεν υιοθετήθηκαν. Αυτό που άλλαξε ήταν μια περίοδος δύο μηνών με πρόσβαση για αξιόπιστους δοκιμαστές, όπου οι μετεωρολόγοι εργάστηκαν πλάι-πλάι με την ομάδα για να διαμορφώσουν τον τρόπο παρουσίασης της πληροφορίας — όχι μόνο το αν αυτή είναι ορθή.

Για όποιον αναπτύσσει μοντέλα σε επιχειρησιακά περιβάλλοντα υψηλού ρίσκου, αυτό είναι το δίδαγμα που μπορεί να μεταφερθεί. Το μοντέλο που τελικά χρησιμοποιείται είναι εκείνο που χτίζεται με τους ανθρώπους η κρίση των οποίων παραμένει μέσα στη διαδικασία, οι ερωτήσεις των οποίων διαμορφώνουν εκ νέου το σύνολο των λειτουργιών, και οι οποίοι μπορούν να τοποθετήσουν τις προβλέψεις του δίπλα στα υπάρχοντα εργαλεία τους και να συγκρίνουν. Η ακρίβεια σας ανοίγει την πόρτα της αίθουσας του διοικητικού συμβουλίου· η διεπαφή και η συνεργασία είναι αυτά που σας φέρνουν στην οθόνη κατά τη διάρκεια μιας καταιγίδας κατηγορίας 5.