پنج روز پیش از فرود آمدن توفان ملیسا در جامائیکا، یک پیش‌بینی منفرد از تشدید شدید خبر داد: توفانی از ردهٔ ۵ در راه بود، گرچه ملیسا در آن زمان از ردهٔ ۱ بود. هواشناسان نظرهای متفاوتی داشتند. مدل اما چنین نبود.
آن مدل WeatherNext است، همکاری‌ای از Google DeepMind و Google Research که با مشارکت نهادهای بین‌المللی از جمله مرکز ملی توفان‌های ایالات متحده و دفتر هواشناسی بریتانیا ساخته شده است. این نرم‌افزار به‌صورت متن‌باز منتشر شد و روی تقریباً 20 ترابایت دادهٔ جوّی جهانی به‌علاوه دهه‌ها رکوردهای آرشیوی اقلیمی از مخازن بین‌المللی آموزش دیده است. نتیجه یک سیستم هوش مصنوعی است که مسیر یک سیکلون و قدرت خام آن را به‌عنوان یک معمای مرتبط و یکپارچه در نظر می‌گیرد.
چرا این اهمیت دارد؟ چون پیش‌بینی مسیر یک توفان و پیش‌بینی شدت آن معمولاً توسط تیم‌های جداگانه با مدل‌های مختلف انجام می‌شود. یکی به بادهای مقیاس سیاره‌ای نگاه می‌کند تا مسیر را ترسیم کند و دیگری به چشم توفان نزدیک می‌شود تا ترمودینامیک و فرآیندهای خرد را مدل‌سازی کند. قرار دادن هر دو بخش در کنار هم همواره چالش‌برانگیز بوده است. WeatherNext این دو را ترکیب می‌کند.
بازده عملی فوری است. روی سخت‌افزار پردازش عصبی گوگل، یک پیش‌بینی کامل 15 روزه در کمتر از 60 ثانیه تولید می‌شود. چنین بازده سریع امکان تولید مجموعه‌های بزرگ را فراهم می‌آورد، نه یک نتیجهٔ تعیین‌شده بلکه صدها یا هزاران آیندهٔ محتمل، و تبدیل آن‌ها به نقشه‌های احتمال‌محور خطر که مدیران اضطراری می‌توانند بر اساس آن‌ها عمل کنند.
WeatherNext وعدهٔ قطعیت نمی‌دهد. به‌جای توهم قطعیت، یک طیف از احتمالات ارائه می‌دهد. این امر عمدی است. برای مهار اثر پروانه‌ای، جایی که خطاهای جزئی اندازه‌گیری به تفاوت‌های بزرگ در پیش‌بینی تبدیل می‌شوند، مدل اکنون تا 1,000 سناریوی هم‌زمان برای هر طوفان می‌سازد. این جهش چشمگیر نسبت به مجموعه‌های تقریبی 50 سناریویی سال گذشته است و نحوهٔ تفسیر ریسک توسط پیش‌بینی‌کنندگان را تغییر می‌دهد.
یک روز اضافی هشدار قابل اعتماد چیز انتزاعی نیست: وقت لازم برای تخلیه‌ها، هماهنگی‌های لجستیکی و تصمیمات نجات‌بخش فراهم می‌کند.
آزمایش‌های عملیاتی داستان روشنی را نشان می‌دهند. در جریان ملیسا، زمانی که سیستم‌های مرسوم دربارهٔ مسیر اختلاف داشتند، WeatherNext با حدود 80 درصد اطمینان نشان داد که سیکلون تقویت خواهد شد و چند روز پیش از فرود به‌عنوان یک طوفان بزرگ به جامائیکا برخورد خواهد کرد. این نوع پیش‌بینی تلفیقی و زودهنگام عدم‌قطعیت را به برنامه‌ریزی عملیاتی تبدیل می‌کند.
نکات فنی ظریفی وجود دارد. مدل زمینهٔ دینامیکی در مقیاس جهانی را با محرک‌های شدت در مقیاس محلی با استفاده از معماری‌های یادگیری ماشینی که بر روی سوابق تاریخی گسترده بهینه شده‌اند ترکیب می‌کند. سپس توزیع‌های احتمالاتی موقعیت و شدت را ارائه می‌دهد که به پیش‌بینی‌کنندگان اجازه می‌دهد نه تنها مکان احتمالی حرکت توفان را برآورد کنند، بلکه شدت احتمالی آن هنگام رسیدن را نیز ارزیابی کنند.
ناشران و داوران هم توجه کرده‌اند: پژوهش در نشریهٔ Nature منتشر شده و تیم کد و وزن‌های مدل را در GitHub به‌صورت متن‌باز قرار داده است، و از خدمات ملی هواشناسی، گروه‌های دانشگاهی و سازمان‌های غیرانتفاعی دعوت کرده تا اعتبارسنجی مستقل و آزمایش‌های عملیاتی انجام دهند. این شفافیت می‌تواند به بهبود سریع‌تر و تنظیم منطقه‌ای کمک کند، جایی که داده‌ها و نیازها متفاوت‌اند.
آیا WeatherNext جایگزین مدل‌های سنتی خواهد شد؟ نه به‌سرعت. پیش‌بینی عددی جو هنوز پایهٔ بخش عمده‌ای از پیش‌بینی‌ها را تشکیل می‌دهد. اما ترکیب آن ستون فقرات با مجموعه‌های مبتنی بر هوش مصنوعی و سرعت، فرآیند کار را دگرگون می‌کند. برنامه‌ریزان اضطراری هشدارهایی زودتر و دقیق‌تر دریافت می‌کنند. پژوهشگران به یک پلتفرم مشترک برای بررسی حالت‌های شکست و سوگیری‌ها دسترسی دارند. جوامع زمان کسب می‌کنند، و گاهی این تفاوت بین مختل‌شدن و فاجعه است.
مخزن را دنبال کنید. پیش‌بینی‌ها را دنبال کنید. فصل بعد نشان خواهد داد آیا این ترکیب مقیاس، سرعت و تفکر احتمال‌محور به استاندارد جدید پیش‌بینی سیکلون تبدیل می‌شود یا نه.
نظر بگذارید
نظرات
هنوز نظری ثبت نشده. اولین نفر باشید.