Η πρόγνωση του καιρού έχει γίνει αξιοσημείωτα αξιόπιστη σε σύντομους ορίζοντες: τα σημερινά μοντέλα είναι πολύ ακριβή έως περίπου δύο εβδομάδες και οι προβλέψεις για το κλίμα μακράς εμβέλειας βελτιώνονται επίσης σταθερά. Ανάμεσα σε αυτές τις δύο χρονικές κλίμακες, ωστόσο, βρίσκεται ένα επίμονο τυφλό σημείο. Οι προβλέψεις στο παράθυρο δύο έως έξι εβδομάδων — γνωστές ως υποεποχιακές προβλέψεις — παραμένουν αναξιόπιστες, παρόλο που αυτό ακριβώς είναι το εύρος που έχει σημασία για να αποφασίσετε πότε θα φυτέψετε καλλιέργειες, πώς να κατανείμετε νερό και ενέργεια και πώς να προετοιμαστείτε για τις πυρκαγιές.
Η Microsoft Research και ένα δίκτυο εξωτερικών συνεργατών λένε ότι βρήκαν έναν τρόπο να μειώσουν αυτό το χάσμα, όχι δημιουργώντας ένα ακόμη μοντέλο πρόβλεψης, αλλά διδάσκοντας λογισμικό να διορθώνει τα προβλέψιμα λάθη των μοντέλων που ήδη υπάρχουν. Η προσέγγιση, που ονομάζεται Πιθανοτική Διόρθωση μεροληψίας (PBC), περιγράφεται λεπτομερώς σε μια εργασία που δημοσιεύτηκε στο επιστημονικό περιοδικό Nature και περιγράφεται σε μια ανάρτηση ιστολογίου της Microsoft που δημοσιεύτηκε αυτήν την εβδομάδα. Είναι μία από τις πιο αθόρυβα πρακτικές καταχωρήσεις στο κύμα της εφαρμοσμένης έρευνας τεχνητής νοημοσύνης που καλύπτεται από τις [τις τελευταίες εξελίξεις της τεχνητής νοημοσύνης] (https://aibuzzwire.news), επειδή αναβαθμίζει τα συστήματα στα οποία βασίζονται ήδη οι μετεωρολόγοι αντί να τους ζητά να στραφούν σε κάτι νέο.
Γιατί το παράθυρο δύο έως έξι εβδομάδων αψηφά τις προβλέψεις
Τα μοντέλα που βασίζονται στη φυσική προσομοιώνουν την ατμόσφαιρα και τους ωκεανούς χρησιμοποιώντας επιστημονικές εξισώσεις, ενώ τα νεότερα μοντέλα τεχνητής νοημοσύνης εκπαιδεύονται σε τεράστια αρχεία παρατηρούμενων καιρικών δεδομένων. Σύμφωνα με τη Microsoft, και οι δύο οικογένειες έχουν καλή απόδοση για περίπου δέκα ημέρες. Πέρα από αυτό το σημείο, τα μικρά αρχικά σφάλματα ενώνονται και οι πολύπλοκες αλληλεπιδράσεις μεταξύ της ατμόσφαιρας, των ωκεανών και της επιφάνειας της γης κατακλύζουν και τις δύο προσεγγίσεις, γι' αυτό και οι προοπτικές δύο έως έξι εβδομάδων έχουν καθυστερήσει πολύ σε σχέση με τις υπόλοιπες προβλέψεις.
Αντί να εισέλθει σε ένα γεμάτο πεδίο ανταγωνιστικών μοντέλων, η ομάδα υπό την ηγεσία της Microsoft εστίασε σε έναν διαφορετικό στόχο: τα συστηματικά, επαναλαμβανόμενα σφάλματα που κάνουν τα μοντέλα σε αυτό το εύρος. "Ο νέος μας αγωγός (PBC) παίρνει το αγαπημένο σας μοντέλο ως είσοδο και μαθαίνει με ποιους τρόπους τείνει να κάνει λάθη. Στη συνέχεια διορθώνει αυτά τα λάθη, αποφέροντας καλύτερη πρόβλεψη παραγωγής για το υπο-εποχιακό εύρος", εξήγησε η εταιρεία στην ανάρτησή της στο blog.
Ένα ελαφρύ στρώμα στην κορυφή των υπαρχόντων μοντέλων
Τεχνικά, το PBC είναι ένα ελαφρύ σύστημα μηχανικής μάθησης που μελετά το αρχείο ιστορικών προβλέψεων οποιουδήποτε μοντέλου για να μάθει πού και πώς είναι συστηματικά προκατειλημμένο. Μόλις μαθευτούν αυτά τα μοτίβα, το σύστημα προσαρμόζει την πιθανολογική έξοδο του μοντέλου για να αντισταθμίσει. Σε αξιολογήσεις που περιγράφονται στο έγγραφο Nature, η Microsoft αναφέρει ότι το PBC βελτίωσε την απόδοση του κορυφαίου υπο-εποχιακού μοντέλου στον κόσμο με λειτουργική προκατάληψη, το οποίο λειτουργεί από το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Προγνώσεων Καιρού (ECMWF).
Τα αποτελέσματα διατηρήθηκαν σε ζωντανούς διαγωνισμούς, όχι μόνο σε αναδρομικές δοκιμές. Το ECMWF ξεκίνησε το AI Weather Quest τον Αύγουστο του 2025, έναν διαγωνισμό σε πραγματικό χρόνο που έχει σχεδιαστεί για να προωθήσει τις πιθανοτικές υποεποχιακές προβλέψεις. Μια ομάδα που ονομάζεται MicroEnsemble, αποτελούμενη από ερευνητές της Microsoft και εξωτερικούς συνεργάτες, κέρδισε τις κορυφαίες διακρίσεις με μια συμμετοχή που ονομάστηκε MicroDuet, η οποία εφάρμοσε το PBC στο κορυφαίο δυναμικό μοντέλο της ECMWF.
«Το AI Weather Quest παρέχει μια μοναδική πλατφόρμα συγκριτικής αξιολόγησης σε πραγματικό χρόνο για υποεποχιακές προβλέψεις», δήλωσε ο Δρ Joshua Talib, επιστήμονας υπο-εποχικών προβλέψεων στο ECMWF. "Οι συνεισφορές από το Team MicroEnsemble έδωσαν έμφαση στο πώς η μηχανική μάθηση μπορεί να ενισχύσει την ικανότητα των παραδοσιακών δυναμικών συστημάτων πρόβλεψης μέσω της μετα-επεξεργασίας."
Από το σημείο αναφοράς στους πιλότους πραγματικού κόσμου στην Ανατολική Αφρική
Η τεχνική ήδη κινείται πέρα από τα σημεία αναφοράς. Στην Κένυα, οι μετεωρολόγοι ετοιμάζονται να δοκιμάσουν το PBC καθώς ξεκινά μία από τις δύο περιόδους βροχών της χώρας. Η προσπάθεια περιλαμβάνει την Αρχή Μετεωρολογικής Υπηρεσίας της Κένυας (KMSA) και επιστήμονες στο Κέντρο Κλιματικών Κινδύνων στο Πανεπιστήμιο της Καλιφόρνια στη Σάντα Μπάρμπαρα, με συμβουλές από τη Genevieve Flaspohler, που διευθύνει την Rhiza Research, μια μη κερδοσκοπική εταιρεία που επικεντρώνεται στη βελτίωση της πρόγνωσης καιρού με τεχνητή νοημοσύνη.
Ο Flaspohler υποστηρίζει ότι η αξία μιας πρόβλεψης εξαρτάται από την έγκαιρη άφιξη για να γίνει πράξη. «Μια καλή πρόγνωση καιρού, που παραδίδεται την κατάλληλη στιγμή, στο σωστό κανάλι επικοινωνίας, μπορεί να είναι μεγάλη διαφοροποίηση για τα γεωργικά αποτελέσματα», είπε, σημειώνοντας ότι η Ανατολική Αφρική ταλαντεύεται μεταξύ των πιο ξηρών ετών που έχουν καταγραφεί και των πιο υγρών ετών. Σε μια περιοχή όπου τα αγροκτήματα στερούνται σε μεγάλο βαθμό τις αποφάσεις άρδευσης και φύτευσης, λίπανσης και αγοράς σπόρων, όλα ανταποκρίνονται στις προοπτικές, μια πιο επιδέξια υποεποχιακή πρόβλεψη δεν είναι μια αφηρημένη βελτίωση.
«Επειδή βρισκόμαστε στη μέση του θερμότερου Ελ Νίνιο που έχει καταγραφεί ποτέ, υπάρχει μεγάλος φόβος μεταξύ των κυβερνήσεων και της κοινότητας της κλιματικής επιστήμης για το πώς θα εκδηλωθεί αυτό», είπε ο Φλάσποχλερ. «Υπάρχει τεράστια ανάγκη για απλές μεθόδους πρόβλεψης που λειτουργούν σθεναρά».
Επιχείρημα αποτελεσματικότητας σε μια εποχή μεγαλύτερων μοντέλων
Αυτό που κάνει το PBC αξιοσημείωτο στην έρευνα AI είναι η οικονομία του. Ενώ μεγάλο μέρος του πεδίου αγωνίζεται για να εκπαιδεύσει ολοένα μεγαλύτερα μοντέλα πρόβλεψης από άκρο σε άκρο, το PBC είναι ένα σχετικά μικρό σύστημα που δανείζεται το μεγαλύτερο μέρος της ικανότητάς του από τα λειτουργικά μοντέλα που διορθώνει. Αυτό καθιστά φθηνότερο τη λειτουργία και ευκολότερο για τις μετεωρολογικές υπηρεσίες να υιοθετήσουν, καθώς μπορούν να διατηρήσουν την υπάρχουσα υποδομή τους και απλώς να προσθέσουν ένα στρώμα διόρθωσης.
Αντανακλά επίσης ένα ευρύτερο μοτίβο στην εφαρμοσμένη μηχανική μάθηση: η μετα-επεξεργασία και η βαθμονόμηση συχνά αποφέρουν κέρδη που διαφορετικά θα απαιτούσαν μια πλήρη επανεπεξεργασία του μοντέλου. Για τις μετεωρολογικές υπηρεσίες που σταθμίζουν πού να ξοδέψουν περιορισμένους προϋπολογισμούς, μια μέθοδος που αποδεδειγμένα βελτιώνει το πιο δύσκολο εύρος προβλέψεων — επικυρωμένη τόσο στο Nature όσο και σε ζωντανό διαγωνισμό ECMWF — είναι πιθανό να τραβήξει την προσοχή.
Τι ακολουθεί για την υπο-εποχική τεχνητή νοημοσύνη
Η ανάρτηση ιστολογίου της Microsoft δεν ανακοινώνει ένα λειτουργικό προϊόν και η εταιρεία δεν έχει πει εάν το PBC θα ενσωματωθεί σε εμπορικές προσφορές προβλέψεων. Το βραχυπρόθεσμο τεστ είναι εάν οι εθνικές μετεωρολογικές υπηρεσίες αρχίζουν να υιοθετούν επίπεδα διόρθωσης μεροληψίας όπως το PBC για τις υποεποχιακές προοπτικές τους και εάν η προσέγγιση συνδυάζεται καλά με τα μοντέλα πρόβλεψης τεχνητής νοημοσύνης που εισέρχονται τώρα σε επιχειρησιακή χρήση.
Εάν συμβεί αυτό, το παράθυρο δύο έως έξι εβδομάδων - το τμήμα όπου οι αγρότες, οι φορείς εκμετάλλευσης δικτύων και οι σχεδιαστές καταστροφών είχαν ιστορικά το λιγότερο να συνεργαστούν - μπορεί τελικά να αρχίσει να κλείνει. Για έναν τομέα που έχει περάσει δεκαετίες κυνηγώντας οριακά κέρδη σε δεξιότητες, το να αφήνουμε ένα μικρό σύστημα μηχανικής μάθησης να καθαρίζει τα συστηματικά λάθη των γιγάντων φυσικών μοντέλων είναι ένα ρεαλιστικό είδος προόδου.
---
Μείνετε μπροστά από την τεχνητή νοημοσύνηΛάβετε τα πιο πρόσφατα νέα, αναλύσεις και ανακαλύψεις για την τεχνητή νοημοσύνη — όλα σε ένα μέρος.
Διαβάστε περισσότερα νέα AI →
