Google Research mengumumkan model kecerdasan buatan (AI) baru pada hari Jumat yang dapat membantu mengurangi ketidakpastian dan ketidakakuratan dalam prakiraan cuaca. Model AI disebut Scalable Envelope Diffusion Sampler (SEEDS), dan alih-alih mengikuti model prediksi cuaca probabilistik tradisional, model AI mengandalkan model difusi probabilistik yang mengurangi kebisingan. Ini bukan model prakiraan cuaca pertama yang dikerjakan oleh raksasa teknologi ini, karena sebelumnya mereka telah meluncurkan GraphCast, model yang dapat memprediksi cuaca hingga 10 hari mendatang, dan MetNet-3, model 24 jam beresolusi tinggi. model perkiraan hari. Durasi jam.
Pengumuman tersebut dibuat oleh insinyur perangkat lunak senior Lizao Li dan ilmuwan Riset Google Rob Carver pada konferensi pers Entri blog. Tim A diterbitkan kertas Tentang model kecerdasan buatan generatif SEEDS di Science Advances. Menurut pengumuman tersebut, model AI akan berinovasi dalam prakiraan cuaca dengan dua cara berbeda – menjadikannya lebih akurat dan mengurangi biaya prakiraan cuaca.
Menyoroti dua isu utama dalam prakiraan cuaca modern, makalah ini menyatakan bahwa model saat ini hanya mengelola apa yang disebut “prakiraan probabilistik”. Pada dasarnya, mereka fokus pada kondisi awal untuk membuat prakiraan awal dan seiring dengan perkembangan kondisi dan model cuaca menerima lebih banyak data, model tersebut mengoreksi dirinya sendiri untuk membuat prakiraan yang lebih akurat. Google mengatakan metode ini memungkinkan lebih banyak ketidakpastian dalam prediksi jangka panjang. Mengenai biaya, tim peneliti menyoroti bahwa superkomputer besar yang menjalankan model cuaca digital yang sangat kompleks, yang mengharuskan prakiraan cuaca terus-menerus dibuat untuk mencapai hasil yang akurat, dapat menimbulkan biaya yang tinggi.
SEEDS, menurut makalah penelitian, mengurangi noise dari model difusi probabilistik, yang dikembangkan oleh Google Research. Ini dilatih tentang metrik berbasis keterampilan seperti histogram peringkat, root mean square error (RMSE), dan skor probabilitas peringkat berkelanjutan (CRPS). Makalah ini mengklaim bahwa meskipun model ini memerlukan biaya komputasi yang dapat diabaikan, model ini juga meningkatkan keakuratan perkiraan awal, sehingga memerlukan lebih sedikit perkiraan yang dihasilkan selama periode waktu tertentu.
Tim peneliti juga memasukkan contoh berjalan model AI untuk prakiraan cuaca dan menemukan bahwa model tersebut menawarkan keandalan yang lebih tinggi daripada model Gaussian. Menyoroti contoh Cekungan Geopotensial di Portugal bagian barat, ia mengatakan: “Meskipun model Gaussian cukup memprediksi distribusi marjinal univariat, model tersebut gagal menangkap korelasi lintas domain atau spasial. Hal ini menghambat penilaian dampak anomali ini terhadap Hot kebocoran udara dari Afrika Utara, yang dapat memperburuk gelombang panas di Eropa. Menurut penelitian Google, SEEDS dapat mempertimbangkan faktor-faktor ini untuk meningkatkan perkiraannya. Model ini belum ditinjau oleh rekan sejawat, dan bergantung pada seberapa layak model tersebut , nanti bisa dikembangkan menjadi komersial.
