Prakiraan cuaca wis bisa dipercaya banget sajrone wektu sing cendhak: model saiki akurat banget nganti udakara rong minggu, lan ramalan iklim jangka panjang uga saya apik. Antarane loro skala wektu, Nanging, lenggah wuta wangkal. Prakiraan ing jendela rong nganti enem minggu - sing dikenal minangka prakiraan sub-musim - tetep ora bisa dipercaya, sanajan iku mung sawetara sing penting kanggo mutusake kapan kanggo nandur tanduran, carane nyedhiyakake banyu lan energi, lan carane nyiyapake kebakaran liar.

Microsoft Research lan jaringan kolaborator eksternal ujar manawa wis nemokake cara kanggo nyuda jurang kasebut, ora kanthi mbangun model prakiraan liyane, nanging kanthi ngajar piranti lunak kanggo mbenerake kesalahan sing bisa diramal saka model sing wis ana. Pendekatan kasebut, sing diarani Koreksi Bias Probabilistik (PBC), rinci ing makalah sing diterbitake ing jurnal ilmiah Nature lan diterangake ing postingan blog Microsoft sing diterbitake minggu iki. Iki minangka salah sawijining entri sing luwih praktis ing gelombang riset AI sing ditrapake ing antarane [perkembangan AI paling anyar] (https://aibuzzwire.news), amarga nganyarke sistem meteorologi sing wis diandelake tinimbang njaluk dheweke ngalih menyang sing anyar.

Napa Jendhela Loro nganti Enem Minggu Nolak Prakiraan

Model adhedhasar fisika nyinkronake atmosfer lan segara nggunakake persamaan ilmiah, dene model AI sing luwih anyar nglatih arsip data cuaca sing diamati. Miturut Microsoft, kulawarga loro kasebut nindakake kanthi apik nganti kira-kira sepuluh dina. Ngluwihi titik kasebut, kesalahan awal cilik lan interaksi kompleks ing antarane atmosfer, samudra, lan permukaan daratan ngluwihi loro pendekatan kasebut, mula prakiraan rong nganti enem minggu wis suwe ora ana prakiraan liyane.

Tinimbang mlebu lapangan model saingan sing rame, tim sing dipimpin Microsoft fokus ing target sing beda: kesalahan sistematis lan bisa diulang sing model digawe ing sawetara iki. "Pipa anyar (PBC) kita njupuk model favorit sampeyan minangka input lan sinau babagan cara apa sing cenderung nggawe kesalahan. Banjur mbenerake kesalahan kasebut, ngasilake ramalan output sing luwih apik kanggo sawetara sub-musim, "jelas perusahaan ing postingan blog.

Lapisan Enteng ing Ndhuwur Model sing Ana

Secara teknis, PBC minangka sistem pembelajaran mesin sing entheng sing nyinaoni arsip prakiraan sejarah model apa wae kanggo sinau ing ngendi lan kepiye bias kanthi sistematis. Sawise pola kasebut sinau, sistem nyetel output probabilistik model kanggo ngimbangi. Ing evaluasi sing diterangake ing kertas Nature, Microsoft nglaporake manawa PBC nambah kinerja model sub-musim debiased operasional utama ing donya, sing dilakokno dening Pusat Eropa kanggo Prakiraan Cuaca Jangka Menengah (ECMWF).

Asil ditindakake ing kompetisi langsung, ora mung ing tes retrospektif. ECMWF ngluncurake AI Weather Quest ing wulan Agustus 2025, kompetisi wektu nyata sing dirancang kanggo maju prakiraan sub-musim probabilistik. Tim sing diarani MicroEnsemble, sing digawe saka peneliti Microsoft lan kolaborator eksternal, entuk penghargaan paling dhuwur kanthi entri sing diarani MicroDuet, sing ngetrapake PBC ing model dinamis sing unggul ing industri ECMWF.

"AI Weather Quest nyedhiyakake platform benchmarking wektu nyata sing unik kanggo prakiraan sub-musim," ujare Dr Joshua Talib, ilmuwan ing prakiraan sub-musim ing ECMWF. "Kontribusi saka Team MicroEnsemble sorotan carane machine learning bisa nambah skill saka sistem prakiraan dinamis tradisional liwat post-processing."

Saka Benchmark nganti Pilot Dunia Nyata ing Afrika Wétan

Teknik kasebut wis ngluwihi benchmark. Ing Kenya, para peramal wis siyap kanggo nyoba PBC amarga salah siji saka rong musim udan ing negara kasebut bakal ditindakake. Upaya kasebut melu Otoritas Layanan Meteorologi Kenya (KMSA) lan ilmuwan ing Pusat Bahaya Iklim ing Universitas California, Santa Barbara, kanthi saran saka Genevieve Flaspohler, sing nglakokake Rhiza Research, sawijining organisasi nirlaba sing fokus kanggo ningkatake prakiraan cuaca sing didhukung AI.

Flaspohler udur sing Nilai saka ramalan gumantung teka ing wektu kanggo tumindak ing. "Ramalan cuaca sing apik, dikirim ing wektu sing tepat, ing saluran komunikasi sing tepat, bisa dadi pembeda gedhe kanggo asil tetanèn," ujare, nyathet yen Afrika Timur wis oscillating antarane taun paling garing ing cathetan lan taun paling udan. Ing wilayah ing ngendi peternakan umume ora duwe irigasi lan nandur, menehi pupuk, lan keputusan tuku wiji kabeh ana ing prospek, ramalan sub-musim sing luwih trampil dudu perbaikan abstrak.

"Amarga kita ana ing tengah-tengah El Niño sing paling anget sing direkam, mula ana rasa wedi ing antarane pamrentah lan komunitas ilmu iklim babagan kepiye kedadeyan kasebut," ujare Flaspohler. "Ana kabutuhan ageng kanggo cara prakiraan prasaja sing bisa digunakake kanthi kuat."

Argumen Efisiensi ing Era Model sing Luwih Ageng

Sing ndadekake PBC misuwur ing riset AI yaiku ekonomi. Nalika akeh lapangan balapan kanggo nglatih model prakiraan pungkasan sing luwih gedhe, PBC minangka sistem sing relatif cilik sing nyilih sebagian besar skill saka model operasional sing dibenerake. Sing nggawe luwih murah kanggo mbukak lan luwih gampang kanggo agensi meteorologi diadopsi, amarga bisa njaga infrastruktur sing ana lan mung nambah lapisan koreksi.

Iki uga nggambarake pola sing luwih akeh babagan sinau mesin sing ditrapake: pemrosesan lan kalibrasi kiriman asring ngasilake bathi sing mbutuhake rework model lengkap. Kanggo layanan cuaca nimbang ngendi kanggo nglampahi budget winates, cara sing demonstrably mbenakake kisaran ramalan paling angel - divalidasi loro ing Alam lan ing kompetisi ECMWF urip - kamungkinan kanggo narik kawigaten manungsa waé.

Apa Sabanjure kanggo AI Sub-Musim

Kiriman blog Microsoft mandheg ngumumake produk operasional, lan perusahaan durung ujar manawa PBC bakal diintegrasi menyang penawaran prakiraan komersial. Tes jangka cedhak yaiku apa layanan cuaca nasional wiwit nggunakake lapisan koreksi bias kaya PBC kanggo prospek sub-musim, lan manawa pendekatan kasebut cocog karo model prakiraan AI sing saiki digunakake kanggo operasional.

Yen mengkono, jendhela rong nganti enem minggu - babagan ing ngendi para petani, operator jaringan, lan perencana bencana kanthi historis paling ora bisa digarap - pungkasane bisa ditutup. Kanggo lapangan sing wis pirang-pirang dekade nguber katrampilan, ngidini sistem pembelajaran mesin cilik ngresiki kesalahan sistematis model fisik raksasa minangka kemajuan pragmatis.

---

Tetep Ahead of AI

Entuk warta, analisis, lan terobosan AI paling anyar - kabeh ing sak panggonan.

Waca liyane AI warta →