Na początku roku pisaliśmy o Google AI, która potrafi błyskawicznie wykryć raka piersi tylko na podstawie zdjęcia rentgenowskiego. Jeśli chodzi o możliwości sztucznej inteligencji wyprzedzające tradycyjne metody wyciągania wniosków na podstawie dostępnych danych, jest to tylko kropla w morzu. Google prezentuje kolejne swoje osiągnięcie w tej dziedzinie. Tym razem chodzi o prognozowanie pogody z użyciem konwolucyjnej sieci neuronowej (CNN).
Rezultaty badań zostały przedstawione w artykule zatytułowanym Machine Learning for Precipitation Nowcasting from Radar Images. Google AI wykorzystało CNN do tworzenia prognoz krótkoterminowych. Efekty są obiecujące i według badaczy prześcigają tradycyjne metody:
Nowcasting opadów atmosferycznych, który skupia się na prognozach na 0-6 godzin, potrafi generować prognozy o rozdzielczości 1 km z całkowitą latencją zaledwie 5-10 minut, wliczając w to opóźnienia wynikające z pobierania danych, osiągając lepsze wyniki niż modele tradycyjne, nawet we wczesnych stadiach rozwoju.
— Jason Hickey, Senior Software Engineer, Google Research
W przeciwieństwie do tradycyjnych metod, które wykorzystują wiedzę a priori o tym, jak działa atmosfera, badacze obrali podejście "pozbawione fizyki", które interpretuje problem posługując się wyłącznie obrazami. Owa sieć neuronowa nosi nazwę U-Net i prawidłowości fizyczne wnioskuje jedynie na podstawie dostarczonych jej przykładów. Do jej szkolenia wykorzystano multispektralne obrazy satelitarne. Dane zbierane na obszarze kontynentalnym USA pochodzą z okresu 2017-2019.
Precyzja takiego podejścia okazała się wyższa niż tradycyjnych metod, takich jak prognoza numeryczna High Resolution Rapid Refresh (HRRR), przepływ optyczny (Optical Flow — OF) i model persystencji. Na wykresach powyżej można zauważyć różnice — niebieska linia powyżej to rezultaty modelu AI. Jeszcze inną korzyścią z jego stosowania jest niska latencja. Tradycyjne metody potrzebują ok. 1-3 godzin na wykonanie obliczeń, podczas gdy U-Net wykonuje je błyskawicznie. Nie wszędzie jednak sztuczna inteligencja radzi sobie tak dobrze. W przypadku prognoz długoterminowych wciąż wyprzedza ją HRRR, po części dlatego, że używa pełnego modelu fizycznego 3D, a formowanie chmur trudniej zaobserwować na zdjęciach 2D.
Co dalej? Google uważa, że owocne może się okazać połączenie obu metod — HRRR i modelu machine learningowego — co zapewni precyzyjne i szybkie prognozy zarówno krótko, jak i długoterminowe. Firma planuje też aplikację ML bezpośrednio do obserwacji 3D.
