سيترك برنامج Weatherman الجديد من Google المتنبئين في الغبار

وأخيرًا، سيخبرك الروبوت بالسترة التي يجب عليك ارتدائها أثناء المناسبة. أعلنت شركة Google DeepMind، وهي صندوق الذكاء الاصطناعي المرتكز على الذكاء الاصطناعي التابع لشركة البحث العملاقة، للتو عن نموذج جديد للتنبؤ بالطقس يتفوق على الأنظمة التقليدية بأكثر من 90٪ من الوقت. يعد نموذج التعلم الآلي المسمى GraphCast بتنبؤات لمدة 10 أيام أفضل وأسرع وأكثر كفاءة في استخدام الطاقة من الأدوات التي تقوم بتشغيل تطبيق الطقس الخاص بك اليوم.

وكتب باحثو جوجل في مقال: “نعتقد أن هذا يمثل نقطة تحول في التنبؤ بالطقس”. يذاكر نشرت الثلاثاء.

بشكل عام، يُطلق على النموذج الحالي للتنبؤات اسم “التنبؤ العددي بالطقس (NWP).” يقوم التنبؤ العددي بالطقس (NWP) بتوصيل الظروف الجوية الحالية إلى نماذج هائلة تحاكي التغيرات القادمة بناءً على مبادئ ديناميكيات الموائع والديناميكا الحرارية وعلوم الغلاف الجوي الأخرى. إنه أمر معقد، ومكلف، ويتطلب الكثير من الطاقة الحاسوبية.

بدلًا من إجراء عمليات محاكاة حول كيفية تحليق الجزيئات واصطدامها ببعضها البعض، تكسر GraphCast التقاليد من خلال التركيز بشكل أكبر على البيانات التاريخية. بمعنى آخر، إنه نموذج للتعلم الآلي يقوم بالتنبؤات بناءً على ما حدث في الماضي. هناك الكثير من علوم الكمبيوتر الرائعة، ولكن بشكل عام، إنها أبسط كثيرًا من حيث مستوى وعدد العمليات الحسابية التي تتطلبها.

يبدأ GraphCast بالحالة الحالية لطقس الأرض، وبيانات حول الطقس قبل ست ساعات. ثم يقوم بالتنبؤ بما سيبدو عليه الطقس بعد ست ساعات من الآن. يقوم GraphCast بعد ذلك بتغذية هذه التنبؤات مرة أخرى في النموذج، وإجراء نفس الحساب، وإصدار توقعات طويلة المدى.

قام فريق Google بمقارنة نتائج GraphCasts بالنموذج الحالي المستخدم للتنبؤ بالطقس متوسط ​​المدى، والذي يسمى HRES. وفقًا للدراسة، تفوقت GraphCast “بشكل ملحوظ” على HRES بنسبة 90% من الأهداف المستخدمة في الاختبار.

حقق GraphCast أيضًا نجاحًا مفاجئًا في التنبؤ بالظواهر الجوية القاسية بما في ذلك الأعاصير المدارية والتغيرات الغريبة في درجات الحرارة، على الرغم من أنه لم يتم تدريبه خصيصًا للتعامل معها.

يقول مؤلفو الدراسة إن عملهم يهدف إلى العمل جنبًا إلى جنب مع الأنظمة القياسية التي يعتمد عليها خبراء الأرصاد الجوية. وكتب مؤلفو الدراسة: “لا ينبغي اعتبار نهجنا بديلاً للطرق التقليدية للتنبؤ بالطقس”. “بدلاً من ذلك، يجب تفسير عملنا كدليل على أن (التنبؤ بالطقس بالتعلم الآلي) قادر على مواجهة تحديات مشاكل التنبؤ في العالم الحقيقي ولديه القدرة على استكمال وتحسين أفضل الأساليب الحالية.”