हवामानाचा अंदाज लहान क्षितिजांवर विलक्षणपणे विश्वासार्ह बनला आहे: आजचे मॉडेल सुमारे दोन आठवड्यांपर्यंत अत्यंत अचूक आहेत आणि दीर्घ-श्रेणीच्या हवामान अंदाजातही सातत्याने सुधारणा होत आहेत. त्या दोन वेळेच्या तराजूमध्ये मात्र एक हट्टी आंधळा डाग बसतो. दोन-ते-सहा आठवड्यांच्या खिडकीतील अंदाज — ज्याला उप-हंगामी अंदाज म्हणून ओळखले जाते — अविश्वसनीय राहतात, जरी पिकांची लागवड केव्हा करायची, पाणी आणि उर्जेचे वाटप कसे करायचे आणि जंगलातील आगीची तयारी कशी करायची हे ठरवण्यासाठी तीच श्रेणी महत्त्वाची असली तरीही.

मायक्रोसॉफ्ट रिसर्च आणि बाह्य सहकार्यांचे नेटवर्क असे म्हणतात की त्यांनी हे अंतर कमी करण्याचा मार्ग शोधला आहे, आणखी एक अंदाज मॉडेल बनवून नाही, तर आधीपासून अस्तित्वात असलेल्या मॉडेल्सच्या अंदाजे चुका सुधारण्यासाठी सॉफ्टवेअर शिकवून. प्रोबॅबिलिस्टिक बायस करेक्शन (पीबीसी) नावाचा दृष्टिकोन, नेचर या वैज्ञानिक जर्नलमध्ये प्रकाशित झालेल्या पेपरमध्ये तपशीलवार आहे आणि या आठवड्यात प्रकाशित झालेल्या मायक्रोसॉफ्ट ब्लॉग पोस्टमध्ये वर्णन केले आहे. नवीनतम AI घडामोडी मध्ये समाविष्ट केलेल्या लागू केलेल्या AI संशोधनाच्या लहरीतील ही एक शांतपणे व्यावहारिक नोंद आहे, कारण ते हवामानशास्त्रज्ञांना नवीन गोष्टींकडे जाण्यास सांगण्याऐवजी आधीपासून अवलंबून असलेल्या प्रणालींना अपग्रेड करते.

दोन-ते-सहा-आठवड्याची खिडकी अंदाज भंग का करते

भौतिकशास्त्र-आधारित मॉडेल वैज्ञानिक समीकरणे वापरून वातावरण आणि महासागरांचे अनुकरण करतात, तर नवीन AI मॉडेल्स निरीक्षण केलेल्या हवामान डेटाच्या विशाल संग्रहांवर प्रशिक्षण देतात. मायक्रोसॉफ्टच्या मते, दोन्ही कुटुंबे अंदाजे दहा दिवस उत्तम कामगिरी करतात. त्या बिंदूच्या पलीकडे, लहान प्रारंभिक त्रुटी कंपाऊंड आणि वातावरण, महासागर आणि जमिनीच्या पृष्ठभागामधील जटिल परस्परसंवाद दोन्ही दृष्टीकोनांवर प्रभाव पाडतात, म्हणूनच दोन-ते-सहा-आठवड्यांचा दृष्टीकोन बाकीच्या अंदाजापेक्षा लांब आहे.

प्रतिस्पर्धी मॉडेल्सच्या गर्दीच्या क्षेत्रात प्रवेश करण्याऐवजी, मायक्रोसॉफ्टच्या नेतृत्वाखालील कार्यसंघाने वेगळ्या लक्ष्यावर लक्ष केंद्रित केले: या श्रेणीमध्ये मॉडेल केलेल्या पद्धतशीर, पुनरावृत्ती करण्यायोग्य त्रुटी. "आमची नवीन पाइपलाइन (PBC) तुमचे आवडते मॉडेल इनपुट म्हणून घेते आणि ते कोणत्या मार्गांनी चुका करतात हे शिकते. त्यानंतर ते त्या चुका दुरुस्त करते, उप-हंगामी श्रेणीसाठी चांगले आउटपुट अंदाज देते," कंपनीने तिच्या ब्लॉग पोस्टमध्ये स्पष्ट केले.

विद्यमान मॉडेल्सच्या शीर्षस्थानी एक हलका थर

तांत्रिकदृष्ट्या, PBC ही लाइटवेट मशीन लर्निंग सिस्टम आहे जी कोठे आणि कशी पद्धतशीरपणे पक्षपाती आहे हे जाणून घेण्यासाठी कोणत्याही मॉडेलच्या ऐतिहासिक अंदाजांच्या संग्रहणाचा अभ्यास करते. एकदा ते नमुने शिकल्यानंतर, सिस्टम मॉडेलचे संभाव्य आउटपुट भरपाई करण्यासाठी समायोजित करते. नेचर पेपरमध्ये वर्णन केलेल्या मूल्यमापनांमध्ये, मायक्रोसॉफ्टने अहवाल दिला आहे की PBC ने युरोपियन सेंटर फॉर मीडियम-रेंज वेदर फोरकास्ट (ECMWF) द्वारे संचालित जगातील आघाडीच्या ऑपरेशनली डिबिएज्ड सब-सीझनल मॉडेलची कामगिरी सुधारली आहे.

केवळ पूर्वलक्ष्यी चाचण्यांमध्येच नव्हे तर थेट स्पर्धेमध्ये निकाल ठेवले जातात. ECMWF ने ऑगस्ट 2025 मध्ये AI वेदर क्वेस्ट लाँच केले, ही रिअल-टाइम स्पर्धा संभाव्य उप-हंगामी अंदाज वाढवण्यासाठी डिझाइन केलेली आहे. MicroEnsemble नावाच्या टीमने, Microsoft संशोधक आणि बाह्य सहयोगी बनलेले, MicroDuet नावाच्या एंट्रीसह सर्वोच्च सन्मान प्राप्त केले, ज्याने ECMWF च्या उद्योग-अग्रणी डायनॅमिकल मॉडेलवर PBC लागू केले.

"एआय वेदर क्वेस्ट उप-हंगामी अंदाजांसाठी एक अद्वितीय रिअल-टाइम बेंचमार्किंग प्लॅटफॉर्म प्रदान करते," डॉ. जोशुआ तालिब, ECMWF मधील उप-हंगामी अंदाज शास्त्रज्ञ म्हणाले. "टीम मायक्रोएन्सेम्बलच्या योगदानाने मशीन लर्निंग पोस्ट-प्रोसेसिंगद्वारे पारंपारिक डायनॅमिकल अंदाज प्रणालीचे कौशल्य कसे वाढवू शकते यावर प्रकाश टाकला."

बेंचमार्क ते पूर्व आफ्रिकेतील वास्तविक-जागतिक वैमानिकांपर्यंत

तंत्र आधीच बेंचमार्कच्या पलीकडे जात आहे. केनियामध्ये, देशाच्या दोन पावसाळी ऋतूंपैकी एक चालू असल्याने भविष्यवाचक PBC ची चाचणी घेण्याची तयारी करत आहेत. केनिया हवामान सेवा प्राधिकरण (KMSA) आणि कॅलिफोर्निया युनिव्हर्सिटी, सांता बार्बरा येथील क्लायमेट हॅझर्ड्स सेंटरमधील शास्त्रज्ञ, जेनेव्हीव्ह फ्लॅस्पोहलर यांच्या सल्ल्यानुसार, रिझा रिसर्च चालवणाऱ्या, AI-शक्तीवर चालणारे हवामान अंदाज सुधारण्यावर लक्ष केंद्रित करणारी ना-नफा संस्था यांच्या सल्ल्यानुसार या प्रयत्नात समावेश आहे.

फ्लॅस्पोफ्लर असा युक्तिवाद करतात की अंदाजाचे मूल्य त्यावर कार्य करण्यासाठी वेळेवर पोहोचण्यावर अवलंबून असते. "एक चांगला हवामान अंदाज, योग्य वेळी, योग्य संप्रेषण चॅनेलवर वितरित केला गेला, कृषी परिणामांसाठी एक मोठा फरक असू शकतो," ती म्हणाली, पूर्व आफ्रिका रेकॉर्डवरील सर्वात कोरडे वर्षे आणि आतापर्यंतची सर्वात आर्द्र वर्षे यांच्यात फिरत आहे. ज्या प्रदेशात मोठ्या प्रमाणावर सिंचन आणि लागवड, खते आणि बियाणे-खरेदीचे निर्णय नसतात, त्या प्रदेशात अधिक कुशल उप-हंगामी अंदाज ही अमूर्त सुधारणा नाही.

फ्लॅस्पोफ्लर म्हणाले, "आम्ही रेकॉर्डवरील सर्वात उष्ण एल निनोच्या मध्यभागी असल्यामुळे, सरकार आणि हवामान विज्ञान समुदायामध्ये ते कसे प्रकट होईल याबद्दल खूप भीती आहे." "सोप्या अंदाज पद्धतींची खूप गरज आहे जी मजबूतपणे कार्य करतात."

मोठ्या मॉडेल्सच्या युगातील कार्यक्षमतेचा युक्तिवाद

AI संशोधनामध्ये PBC ला उल्लेखनीय बनवणारी गोष्ट म्हणजे त्याची अर्थव्यवस्था. मोठ्या प्रमाणात एंड-टू-एंड अंदाज मॉडेल्सना प्रशिक्षित करण्यासाठी फील्ड शर्यतीत असताना, PBC ही तुलनेने लहान प्रणाली आहे जी तिचे बहुतेक कौशल्य सुधारित केलेल्या ऑपरेशनल मॉडेल्समधून घेते. यामुळे ते चालवणे स्वस्त होते आणि हवामान संस्थांना स्वीकारणे सोपे होते, कारण ते त्यांच्या विद्यमान पायाभूत सुविधा ठेवू शकतात आणि फक्त एक सुधारणा स्तर जोडू शकतात.

हे लागू केलेल्या मशीन लर्निंगमध्ये एक विस्तृत पॅटर्न देखील प्रतिबिंबित करते: पोस्ट-प्रोसेसिंग आणि कॅलिब्रेशन सहसा नफा देतात ज्यासाठी अन्यथा पूर्ण मॉडेल पुनर्कार्य आवश्यक असते. मर्यादित बजेट कुठे खर्च करायचे याचे वजन असलेल्या हवामान सेवांसाठी, एक पद्धत जी सर्वात कठीण अंदाज श्रेणी सुधारते — निसर्गात आणि थेट ECMWF स्पर्धेत प्रमाणित — लक्ष वेधून घेण्याची शक्यता आहे.

उप-हंगामी AI साठी पुढे काय होईल

मायक्रोसॉफ्टचे ब्लॉग पोस्ट ऑपरेशनल उत्पादनाची घोषणा करण्यापासून थांबते आणि कंपनीने पीबीसीला व्यावसायिक अंदाज ऑफरिंगमध्ये समाकलित केले जाईल की नाही हे सांगितले नाही. राष्ट्रीय हवामान सेवा त्यांच्या उप-हंगामी दृष्टीकोनांसाठी PBC सारख्या पूर्वाग्रह-सुधारणा स्तरांचा अवलंब करण्यास सुरुवात करतात की नाही आणि आता कार्यरत वापरात प्रवेश करणाऱ्या AI अंदाज मॉडेलसह हा दृष्टीकोन उत्तम प्रकारे तयार होतो की नाही ही जवळची चाचणी आहे.

तसे झाल्यास, दोन-ते-सहा-आठवड्याची खिडकी — जिथे शेतकरी, ग्रीड ऑपरेटर आणि आपत्ती नियोजकांना ऐतिहासिकदृष्ट्या कमीत कमी काम करावे लागते — शेवटी बंद होणे सुरू होऊ शकते. कौशल्यामध्ये किरकोळ नफ्याचा पाठलाग करण्यासाठी अनेक दशके घालवलेल्या क्षेत्रासाठी, एका लहान मशीन लर्निंग सिस्टमला विशाल भौतिक मॉडेल्सच्या पद्धतशीर त्रुटी साफ करू देणे ही एक व्यावहारिक प्रकारची प्रगती आहे.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →