תחזית מזג האוויר עשויה להיכנס לעידן חדש בזכות Gencast, המודל לפתח על ידי Google Deepmind. על פי המחקר האחרון שפורסם ב- Nature, מערכת למידה אוטומטית זו הראתהדיוק גבוה יותר בהשוואה לאחד הדגמים המסורתיים המתקדמים ביותר, ENS, כאשר נבדק על נתונים מטאורולוגיים לשנת 2019.
גישה חדשה לתחזית מזג האוויר
Gencast משתמש בבסיס נתונים היסטורי רחב, כולליותר מארבעה עשורים של מידע על מזג האוויר (1979-2018), כדי לזהות תוכניות וליצור תחזיות עד 15 יום מראש. נהפוך הוא, מודלים מסורתיים כמו ENS מבוססים על הדמיות פיזיות מורכבות הדורשות מחשב -על בעל ביצועים גבוהים. במהלך הבדיקות התגלה כ- Gencasting להיותיעיל יותר ממודל ENS במעקב אחר נתיבי ציקלונים טרופייםמתן התראות 12 שעות מראש מאשר מערכות מסורתיות.
למרות Gencastפעל ברזולוציה נמוכה יותרבהשוואה ל- EN של 2019 (0.25 מעלות מול 0.2), עם זאת, היא השיגה תוצאות טובות יותר. עם זאת, ה- ENS עבר שיפורים משמעותיים בשנים שלאחר מכן, מה שהקשה על ההתמודדות עם הגרסאות האחרונות.
יתרונות מבחינת המהירות והיעילות
אחד ההיבטים המרשימים ביותר של Gencast הוא המהירות שלו. הודות לשימוש ב- Google Cloud TPUS, הוא מסוגלליצור תחזיות של 15 יום תוך שמונה דקות בלבדבעוד שדגמים מבוססי פיזיקה אורכים שעות. יעילות זו מייצגת יתרון לא רק מבחינת חיסכון בזמן אלא גם להפחתת עלויות אנרגיה, נושא מכריע למרכזי נתונים בעלי צריכת אנרגיה גבוהה.
היעילות החישובית של Gencast יכולהלהקל על ההשפעה הסביבתית הקשורה למרכזי הנתונים המשמשים ל- AIו עם זאת, ללא נתונים מדויקים על האנרגיה הדרושה לאימוני המודל, קשה לבצע השוואה ישירה עם שיטות מסורתיות.
למרות ההצלחות, ל- Gencast ישמקום לשיפורו כַּיוֹם,התחזיות שלה מתעדכנות כל 12 שעות, מרווח שאולי לא יספיק ליישומים מעשיים כמו אומדן ייצור הרוח במהלך היום. בנוסף, יש אינטרס הולך וגובר בשיפור הרזולוציה של המודל לגישה נוספת לסטנדרטים של דגמים מסורתיים.
