Искусственный интеллект GraphCast, разработанный компанией Google DeepMind, продемонстрировал существенное улучшение точности прогнозов погоды на 10 дней вперед по сравнению с обычными методами. Система формирует прогноз менее чем за минуту, что указывает на потенциал для существенного повышения эффективности метеорологических прогнозов в будущем.
Долгосрочные прогнозы погоды играют важную роль во многих сферах нашей жизни. Однако их точность, как известно, пока не идеальна. Международная команда экспертов из компании Google DeepMind стремится это исправить и разработала машинную модель GraphCast, которая позволяет прогнозировать погоду в различных регионах мира с высокой степенью достоверности. Подробности об этом представлены в статье опубликована в журнале Science.
В ходе испытаний модель GraphCast продемонстрировала более высокие результаты по сравнению с лидирующей в мире традиционной системой, разработанной Европейским центром среднесрочных прогнозов погоды (ECMWF). Она превзошла ее по 90 процентов из 1380 различных параметров, таких как температура, давление, скорость и направление ветра, а также влажность на разных высотах в атмосфере.
GraphCast, как утверждают создатели, способен прогнозировать сотни погодных параметров на 10 дней вперед с разрешением 0,25 градуса по долготе и широте по всему миру, затрачивая на это менее минуты. Специалисты также подчеркнули, что их разработка потребляет энергию примерно в тысячу раз меньше, чем традиционные подходы к прогнозированию погоды. В качестве демонстрации они назвали предсказание урагана «Ли», обрушившегося на провинцию Новая Шотландия в Канаде в сентябре, которое было сделано за девять дней – на три дня раньше, чем предупреждали метеорологи.
Хотя GraphCast обладает значительным потенциалом, у него есть и недостатки: в некоторых случаях точность прогнозов модели оказывается ниже, чем у традиционных подходов. Кроме того, из-за существующих технологических ограничений, подобные системы пока не позволяют создавать прогнозы с таким же уровнем детализации, как это достигается при использовании традиционных методов. Недостаточно понятны и процессы, лежащие в основе прогнозирования – то есть, каким образом машина формирует свои прогнозы. В связи с этим, разработчики на текущем этапе рассматривают свою модель как вспомогательный инструмент для традиционных методов прогноза погоды.