A Google DeepMind vadonatúj modellje az eddigi 1-2 óra helyett mindössze 8 perc alatt generál globális valószínűségi időjárás-előrejelzést a mesterséges intelligencia (MI) segítségével. Fejlesztői szerint az eddigieknél pontosabb előrejelzést ad az extrém időjárási eseményekre, a trópusi ciklonok várható útvonalára. A precíz előrejelzés, ahogy azt legutóbb a katasztrofális esőzéseket és dunai árvizet okozó Boris ciklonnál láttuk, életeket ment.
A GenCast több mint 80 felszíni és légköri változót vesz figyelembe, mint például a hőmérséklet, a szélsebesség, a nyomás. A modell, mint a neve is mutatja, a generatív mesterséges intelligenciát (ez a mesterséges intelligencia olyan típusa, amely új tartalmak létrehozására vagy előállítására képes különféle algoritmusok és gépi tanulási modellek segítségével) használja, ellentétben a hagyományos, fizikai módszerrel, amely egy több tízezer chipet tartalmazó szuperszámítógép munkáján alapul. Mint a DeepMind honlapján olvasható, tökéletes időjárási előrejelzés nem lehetséges: jelenleg a tudósok és a meteorológiai intézetek az úgynevezett sokasági valószínűségi módszert (ENS) használják, amikor a fizikai - számítógépes - modell a lehetséges események bizonyos körét határozza meg többféle eredménnyel, ami jobb, mintha csak egyet adnának meg, mert így a következmények szélesebb körére lehet felkészülni. Ennek során összesen 50 szimulációt futtatnak le enyhén eltérő kiindulási feltételekkel, amelyek az elkerülhetetlen bizonytalanságokat viszik be a rendszerbe, ezeken kívül egy kontroll szimulációt a legjobb hozzáférhető adatokkal. Ezek összehasonlításával a szakemberek meg tudják határozni, hogy egy-egy időjárási esemény mekkora valószínűséggel következik be.
A sokasági előrejelzések esetében a bizonytalanság kicsi, ha sok modell azonosan adja meg egy ciklon útját és partotérési helyszínét, azonban a bizonytalanság nagy, ha több utat, helyszínt ad meg. A GenCast azonban képes egyensúlyi helyzetet találni a lehetséges kimenetek között, sem túl bizonyosan, sem túl bizonytalanul nem állít semmit. Mindössze nyolc percébe kerül több, 15 napos előrejelzést párhuzamosan elkészítenie. A hagyományos fizikai előrejelzések elkészítése órákig tart olyan szuperszámítógéppel, amely processzorok tízezreivel van felszerelve. A probléma az, hogy a légkör kaotikus rendszer, ami azt jelenti, kis bemeneti változások nagy különbségekhez vezethetnek a végkimenetben, ezért ezek a modellek nem elég megbízhatók, nem olyan pontosak, mint amire szükség lenne.
A Google szerint a GenCast sokkal pontosabb az ENS-t használó Európai Középtávú Időjárás Előrejelző Központ (ECMWF) előrejelzéseinél, amely az eddigi legjobb, mind a napi előrejelzéseket, mind a szélsőséges időjárási eseményeket tekintve. Sőt, az ő előző MI-modelljüknél, a GraphCastnál is, ami 10 napra jelzett előre, de csak egyetlen lehetséges eseményt. A GenCast több mint 50 valószínű megoldást kínál 15 napra előretekintve alkalmazva azokat a fejlesztéseket, amelyeket a generatív mesterséges intelligencia területén ma már láthatunk a képek, videók zenék előállításának területén. Ugyanakkor különbözik is ezektől, amennyiben figyelembe veszi a Föld gömb alakját és megtanulja a lehetséges jövőbeli időjárási forgatókönyvek elosztását, miután betáplálják a legutolsó időjárási állapotokat. A DeepMindnál az Európai Középtávú Időjárás Előrejelző Központ adattárából megkapott negyven év időjárási adataival képezték ki a gépi tanulás módszerével működő GenCastot. A modell megtanulta a globális időjárási mintázatokat negyed fokos pontossággal - a szélességi fokok esetében ez körülbelül 28 kilométer. A GenCast tesztelésekor a gépnek a 1979-től 2018-ig tartó időszakból megtanult adatokkal előrejelzést kellett adnia 2019-re, ami pontosabb volt, mint a ECMWF akkori jóslatai, amiket az ENS-sel készített, és amit mind a mai napig használ.
A pontosabb előrejelzések egyrészt az egyre gyakrabban előforduló extrém események - hőhullámok, szélviharok, esőzések - esetében fontosak, másrészt az időjárástól függő megújuló energiaforrások előretörésével a szélerőművek, napelemek várható energiatermelése is pontosabban tervezhető.
A GenCast nyílt forráskódú, vagyis bárki hozzáférhet, használhatja. A további fejlesztés érdekében a Google meteorlógiai intézetekkel működik együtt, ez lehetővé teszi utóbbiak előrejelzéseinek pontosabbá válását. Ugyanakkor a jövőben is szükség lesz a hagyományos módszerekre, mert ezek szolgáltatják a képzési adatokat, valamint azokat a kiindulási időjárási információkat, amelyekre a GenCastnak szüksége van. A Google hamarosan régebbi és azonos idejű előrejelzések sorozatát fogja közreadni a GenCasttól és korábbi modelljeitől, amelyek bárki számára lehetővé teszik, hogy integrálják ezeket az időjárási jellemzőket a modelljeikbe, és kutatási munkameneteikbe.
,,Ahhoz, hogy előrejelzéseket lehessen készíteni, a lehető legpontosabban meg kell határozni a kiindulási feltételeket, amihez begyűjtik a mérési adatokat, és ezek alapján elindítják az előrejelzéseket a szuperszámítógépen, ami valójában közelítésekkel old meg egyenleteket" - magyarázza lapunknak Szépszó Gabriella, a HungaroMet Klimatológiai és Kutatás-fejlesztési Igazgatóságának (KKFI) vezetője. ,,A sokasági előrejelzések érdekessége, hogy nemcsak a kezdeti feltételeket és a közelítő megoldás paramétereit változtatják kis mértékben, hanem az ebből következő eseményeket is. A kezdeti feltételekről azt gondolhatnánk, hogy azok pontos méréseken alapulnak, de ez valójában nem igaz: minden mérés hibákkal terhelt. Emellett csak a földfelszín és annak is csupán egy része van megfelelő mennyiségű mérőállomással ellátva, az előrejelzésekhez háromdimenziós, tehát a légkörből is megfelelő mennyiségben származó adatokra is szükség lenne. Kevés a mérés a magaslégkörben és az óceánok felszínén is, ez szintén pontatlansághoz vezet, ami megjelenik az előrejelzésekben, részben emiatt is kell már a kezdeti állapotokat is többféle módon megadni. A pontosság egyébként az időjárási helyzettől is függ, vannak olyanok, amelyeket akár tíz napra előre is jól előrejelezhetők és olyanok, amelyek hamar bizonytalanná válnak." A szakértő szerint a Google által bemutatott egy-két példa még kevés ahhoz, hogy megítéljük, milyenek a GenCast képességei, valódi, élesben használt előrejelzéseket szeretne látni, minden lehetséges helyzetre ahhoz, hogy ez kiderüljön.
