Předpověď počasí se stala pozoruhodně spolehlivou v krátkém horizontu: dnešní modely jsou vysoce přesné až na dva týdny a dlouhodobé klimatické projekce se také neustále zlepšují. Mezi těmito dvěma časovými stupnicemi je však zatvrzelý slepý bod. Předpovědi v období dvou až šesti týdnů – známé jako podsezónní předpovědi – zůstávají nespolehlivé, i když právě to je rozsah, na kterém záleží při rozhodování, kdy zasadit plodiny, jak alokovat vodu a energii a jak se připravit na lesní požáry.

Výzkum společnosti Microsoft a síť externích spolupracovníků tvrdí, že našli způsob, jak tuto mezeru zúžit, nikoli vytvořením dalšího modelu prognózování, ale výukou softwaru, který opravuje předvídatelné chyby modelů, které již existují. Tento přístup nazvaný Probabilistic Bias Correction (PBC) je podrobně popsán v článku publikovaném ve vědeckém časopise Nature a popsán v příspěvku na blogu společnosti Microsoft zveřejněném tento týden. Je to jeden z nejtišších praktických záznamů ve vlně aplikovaného výzkumu umělé inteligence, který je pokryt [nejnovějším vývojem umělé inteligence] (https://aibuzzwire.news), protože upgraduje systémy, na které se meteorologové již spoléhají, místo aby je žádal, aby přešli na něco nového.

Proč období dvou až šesti týdnů vzdoruje prognózám

Fyzikální modely simulují atmosféru a oceány pomocí vědeckých rovnic, zatímco novější modely umělé inteligence trénují na rozsáhlých archivech pozorovaných dat o počasí. Podle Microsoftu obě rodiny fungují dobře až do zhruba deseti dnů. Za tímto bodem se malé počáteční chyby skládají a složité interakce mezi atmosférou, oceány a povrchem pevniny překonávají oba přístupy, což je důvod, proč výhledy na dva až šest týdnů dlouho zaostávají za zbytkem předpovědí.

Namísto vstupu na přeplněné pole konkurenčních modelů se tým pod vedením Microsoftu zaměřil na jiný cíl: systematické, opakovatelné chyby, které modely v této řadě dělají. "Náš nový plynovod (PBC) bere váš oblíbený model jako vstup a učí se, jakými způsoby má tendenci dělat chyby. Tyto chyby pak opravuje a poskytuje lepší prognózu výstupu pro subsezónní rozsah," vysvětlila společnost na svém blogu.

Lehká vrstva na vrcholu stávajících modelů

Technicky je PBC odlehčený systém strojového učení, který studuje archiv historických prognóz jakéhokoli daného modelu, aby zjistil, kde a jak je systematicky ovlivněn. Jakmile se tyto vzory naučí, systém upraví pravděpodobnostní výstup modelu, aby to kompenzoval. V hodnoceních popsaných v dokumentu Nature společnost Microsoft uvádí, že společnost PBC zlepšila výkon předního světového operativního podsezónního modelu provozovaného Evropským střediskem pro střednědobé předpovědi počasí (ECMWF).

Výsledky obstály v živé soutěži, nejen v retrospektivních testech. ECMWF spustilo AI Weather Quest v srpnu 2025, soutěž v reálném čase navržená tak, aby zlepšila pravděpodobnostní subsezónní předpovědi. Tým s názvem MicroEnsemble, složený z výzkumníků a externích spolupracovníků společnosti Microsoft, získal nejvyšší ocenění za příspěvek nazvaný MicroDuet, který aplikoval PBC na špičkový dynamický model ECMWF.

"AI Weather Quest poskytuje jedinečnou platformu pro srovnávání v reálném čase pro subsezónní předpovědi," řekl Dr. Joshua Talib, vědec v oblasti subsezónních předpovědí na ECMWF. "Příspěvky týmu MicroEnsemble poukázaly na to, jak může strojové učení zlepšit dovednosti tradičních dynamických předpovědních systémů prostřednictvím následného zpracování."

Od benchmarku k pilotům skutečného světa ve východní Africe

Technika se již pohybuje nad rámec benchmarků. V Keni se prognostici připravují na testování PBC, protože v zemi začíná jedno ze dvou období dešťů. Úsilí zahrnuje Kenya Meteorological Service Authority (KMSA) a vědce z Climate Hazards Center na Kalifornské univerzitě v Santa Barbaře s radami od Genevieve Flaspohler, která provozuje Rhiza Research, neziskovou organizaci zaměřenou na zlepšování předpovědí počasí s umělou inteligencí.

Flaspohler tvrdí, že hodnota prognózy závisí na tom, zda dorazí včas, aby se podle ní mohlo jednat. "Dobrá předpověď počasí, doručená ve správný čas a na správném komunikačním kanálu, může být velkým rozdílem pro zemědělské výsledky," řekla s tím, že východní Afrika osciluje mezi rekordně nejsuššími roky a vůbec nejdeštivějšími roky. V regionu, kde farmy z velké části postrádají zavlažování a sázení, hnojení a nákup semen, všechna rozhodnutí se řídí vyhlídkami, není obratnější subsezónní předpověď abstraktním zlepšením.

"Protože se nacházíme uprostřed nejteplejšího El Niña, jaké kdy bylo zaznamenáno, panuje mezi vládami a klimatickou komunitou velký strach z toho, jak se to projeví," řekl Flaspohler. "Existuje obrovská potřeba jednoduchých prognostických metod, které fungují robustně."

Argument efektivity v éře větších modelů

Co dělá PBC pozoruhodným ve výzkumu AI, je jeho ekonomika. Zatímco velká část terénních závodů se snaží trénovat stále větší end-to-end předpovědní modely, PBC je poměrně malý systém, který si většinu svých dovedností půjčuje z provozních modelů, které opravuje. Díky tomu je provoz levnější a pro meteorologické agentury snazší je přijmout, protože si mohou ponechat svou stávající infrastrukturu a jednoduše přidat korekční vrstvu.

Odráží také širší vzorec v aplikovaném strojovém učení: následné zpracování a kalibrace často přináší zisky, které by jinak vyžadovaly úplné přepracování modelu. U meteorologických služeb zvažujících, kam utratit omezené rozpočty, pravděpodobně přitáhne pozornost metoda, která prokazatelně zlepšuje nejtvrdší rozsah předpovědi – ověřená jak v přírodě, tak v živé soutěži ECMWF.

Co přijde dál pro subsezónní umělou inteligenci

Příspěvek na blogu společnosti Microsoft se zastavuje před oznámením provozního produktu a společnost neuvedla, zda bude PBC integrována do komerčních předpovědních nabídek. Krátkodobým testem je, zda národní meteorologické služby začnou přijímat vrstvy korekce zkreslení, jako je PBC, pro své subsezónní výhledy a zda tento přístup dobře odpovídá předpovědním modelům AI, které se nyní začínají používat.

Pokud se tak stane, období dvou až šesti týdnů – úsek, se kterým měli zemědělci, provozovatelé sítí a plánovači katastrof historicky nejméně práce – se může konečně začít uzavírat. Pro obor, který strávil desetiletí honbou za marginálními zisky v dovednostech, je nechat malý systém strojového učení vyčistit systematické chyby obřích fyzických modelů pragmatickým druhem pokroku.

---

Stay Ahead of AI

Získejte nejnovější zprávy, analýzy a průlomové informace o umělé inteligenci – vše na jednom místě.

Přečtěte si další zprávy o AI →