Microsoft ၏ Probabilistic Bias Correction သည် နှစ်ပတ်မှ ခြောက်ပတ်အတွင်း မိုးလေဝသခန့်မှန်းချက်ကွာဟချက်ကို ပြင်ဆင်ရန် AI ကိုအသုံးပြုသည်

ရာသီဥတုခန့်မှန်းချက်သည် တိုတောင်းသောမိုးကုပ်စက်ဝိုင်းများအတွင်း သိသိသာသာ အားကိုးအားထားဖြစ်လာသည်- ယနေ့ခေတ်မော်ဒယ်များသည် နှစ်ပတ်ခန့်အထိ အလွန်တိကျပြီး တာဝေးရာသီဥတုခန့်မှန်းချက်မှာလည်း တဖြည်းဖြည်း တိုးတက်လာသည်။ သို့သော် ထိုအချိန်အတိုင်းအတာနှစ်ခုကြားတွင် ခေါင်းမာသောကန်းကွက်တစ်ခုရှိသည်။ ရာသီခွဲခန့်မှန်းချက်ဟုသိကြသော နှစ်ပတ်မှခြောက်ပတ်ကြာပြတင်းပေါက်မှခန့်မှန်းချက်များသည် ကောက်ပဲသီးနှံစိုက်မည့်အချိန်၊ ရေနှင့်စွမ်းအင်ခွဲဝေပုံနှင့် တောမီးအတွက်ကြိုတင်ပြင်ဆင်နည်းတို့အတွက် အရေးကြီးသည့်အပိုင်းအခြားဖြစ်သော်လည်း ၎င်းသည် တိကျစွာယုံကြည်မရနိုင်ပါ။

Microsoft Research နှင့် ပြင်ပ ပူးပေါင်းဆောင်ရွက်သူများ၏ ကွန်ရက်တစ်ခုမှ ၎င်းတို့သည် အခြားသော ခန့်မှန်းချက်ပုံစံကို တည်ဆောက်ခြင်းဖြင့်မဟုတ်ဘဲ ရှိနှင့်ပြီးသား မော်ဒယ်များ၏ ကြိုတင်မှန်းဆနိုင်သော အမှားများကို ပြင်ဆင်ရန် ဆော့ဖ်ဝဲလ်ကို သင်ကြားခြင်းဖြင့် ထိုကွာဟချက်အား ကျဉ်းမြောင်းရန် နည်းလမ်းကို ရှာဖွေတွေ့ရှိခဲ့သည်ဟု ဆိုသည်။ Probabilistic Bias Correction (PBC) ဟုခေါ်သော ချဉ်းကပ်နည်းကို သိပ္ပံနည်းကျဂျာနယ် Nature တွင် ထုတ်ဝေသည့် စာတမ်းတွင် အသေးစိတ်ဖော်ပြထားပြီး ယခုသီတင်းပတ်တွင်ထုတ်ဝေသည့် Microsoft ဘလော့ဂ်ပို့စ်တွင် ဖော်ပြထားပါသည်။ ၎င်းသည် နောက်ဆုံးပေါ် AI တိုးတက်မှုများ တွင် အကျုံးဝင်သည့် အသုံးချ AI သုတေသနလှိုင်းတွင် ပိုမိုတိတ်တဆိတ်လက်တွေ့ကျသော ဝင်ရောက်မှုများထဲမှ တစ်ခုဖြစ်သည်။

နှစ်ပတ်မှ ခြောက်ပတ်ကြာ Window သည် ကြိုတင်ခန့်မှန်းခြင်းကို အဘယ်ကြောင့် ဖီဆန်သနည်း။

ရူပဗေဒအခြေခံ မော်ဒယ်များသည် သိပ္ပံဆိုင်ရာ ညီမျှခြင်းများကို အသုံးပြုကာ လေထုနှင့် သမုဒ္ဒရာများကို အတုယူကာ အသစ်သော AI မော်ဒယ်များသည် လေ့လာတွေ့ရှိထားသော မိုးလေဝသ အချက်အလက် အများအပြားကို မှတ်တမ်းများတွင် လေ့ကျင့်ပေးပါသည်။ Microsoft ၏အဆိုအရ မိသားစုနှစ်စုစလုံးသည် အကြမ်းဖျင်းအားဖြင့် ဆယ်ရက်ခန့် ကောင်းမွန်စွာ လုပ်ဆောင်နိုင်ခဲ့ကြသည်။ ထိုအချက်အပြင် လေထု၊ သမုဒ္ဒရာများနှင့် မြေမျက်နှာပြင်တို့ကြားတွင် ရှုပ်ထွေးသော အပြန်အလှန်ဆက်သွယ်မှုများနှင့် ကနဦး အမှားအယွင်းငယ်များသည် ချဉ်းကပ်မှုနှစ်ခုလုံးကို လွှမ်းခြုံထားသောကြောင့် နှစ်ပတ်မှ ခြောက်ပတ်အတွင်း မျှော်မှန်းချက်များသည် ကျန်သောခန့်မှန်းချက်ထက် အကြာကြီး နောက်ကျနေပါသည်။

ပြိုင်ဆိုင်မှု မော်ဒယ်များ၏ လူများသော နယ်ပယ်ထဲသို့ ဝင်ရောက်ခြင်းထက်၊ Microsoft ဦးဆောင်သော အဖွဲ့သည် မတူညီသော ပစ်မှတ်တစ်ခုအပေါ် အာရုံစိုက်ခဲ့သည်- ဤအကွာအဝေးတွင် မော်ဒယ်များ ပြုလုပ်သည့် စနစ်ကျသော၊ ထပ်တလဲလဲနိုင်သော အမှားအယွင်းများ။ "ကျွန်ုပ်တို့၏ ပိုက်လိုင်းအသစ် (PBC) သည် သင့်စိတ်ကြိုက် မော်ဒယ်ကို ထည့်သွင်းမှုအဖြစ် ယူဆောင်ပြီး ၎င်းသည် အမှားအယွင်းများဖြစ်စေနိုင်သည့် နည်းလမ်းများကို လေ့လာပါသည်။ ၎င်းသည် အဆိုပါ အမှားများကို ပြုပြင်ပေးကာ ရာသီခွဲအပိုင်းအခြားအတွက် ပိုမိုကောင်းမွန်သော အထွက်နှုန်းကို ခန့်မှန်းပေးသည်" ဟု ကုမ္ပဏီက ၎င်း၏ ဘလော့ဂ်ပို့စ်တွင် ရှင်းပြခဲ့သည်။

လက်ရှိမော်ဒယ်များ၏ထိပ်တွင် ပေါ့ပါးသောအလွှာ

နည်းပညာအရ၊ PBC သည် မည်သည့်နေရာတွင် နှင့် မည်သို့စနစ်တကျ ဘက်လိုက်ထားသည်ကို လေ့လာရန် မည်သည့်ပုံစံ၏ မော်ကွန်းတိုက်၏ သမိုင်းဆိုင်ရာ ခန့်မှန်းချက်များကို လေ့လာသည့် ပေါ့ပါးသော စက်သင်ယူမှုစနစ်တစ်ခုဖြစ်သည်။ ထိုပုံစံများကို လေ့လာပြီးသည်နှင့်၊ စနစ်သည် မော်ဒယ်၏ ဖြစ်နိုင်ခြေရှိသော အထွက်အားကို လျော်ကြေးပေးရန် ချိန်ညှိပေးသည်။ Nature စာတမ်းတွင် ဖော်ပြထားသော အကဲဖြတ်ချက်များတွင်၊ PBC သည် European Center for Medium-Range Weather Forecasts (ECMWF) မှ လုပ်ဆောင်သော ကမ္ဘာ့ထိပ်တန်း လည်ပတ်မှုအငြင်းပွားသော ရာသီခွဲပုံစံ၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးထားကြောင်း Microsoft မှ အစီရင်ခံပါသည်။

ရလဒ်များကို နောက်ကြောင်းပြန်စစ်ဆေးမှုများတွင်သာမက တိုက်ရိုက်ပြိုင်ဆိုင်မှုတွင် ပါ၀င်သည်။ ECMWF သည် AI Weather Quest ကို 2025 ခုနှစ် သြဂုတ်လတွင် စတင်ခဲ့ပြီး ဖြစ်နိုင်ချေရှိသော ရာသီခွဲခန့်မှန်းချက်များကို တိုးတက်စေရန် ဒီဇိုင်းထုတ်ထားသည့် အချိန်နှင့်တစ်ပြေးညီ ယှဉ်ပြိုင်မှုဖြစ်သည်။ Microsoft သုတေသီများနှင့် ပြင်ပပူးပေါင်းဆောင်ရွက်သူများဖြင့် ဖွဲ့စည်းထားသည့် MicroEnsemble ဟုခေါ်သောအဖွဲ့သည် PBC ၏စက်မှုလုပ်ငန်းဦးဆောင်သည့် ဒိုင်နမစ်ပုံစံသို့ PBC ကိုအသုံးပြုသည့် MicroDuet ဟုအမည်ပေးထားသော ဝင်ခွင့်ဖြင့် ထိပ်တန်းဂုဏ်ပြုဆုများရယူခဲ့သည်။

"AI Weather Quest သည် ရာသီခွဲကြိုတင်ခန့်မှန်းချက်များအတွက် ထူးခြားသောအချိန်နှင့်တစ်ပြေးညီ စံသတ်မှတ်ထားသော ပလက်ဖောင်းကို ပံ့ပိုးပေးသည်" ဟု ECMWF မှ ရာသီခွဲခန့်မှန်းချက်ဆိုင်ရာ သိပ္ပံပညာရှင် ဒေါက်တာ Joshua Talib က ပြောကြားခဲ့သည်။ "Team MicroEnsemble မှ ပံ့ပိုးမှုများသည် machine learning သည် သမားရိုးကျ ဒိုင်းနမစ်ခန့်မှန်းချက်စနစ်များ၏ ကျွမ်းကျင်မှုကို မြှင့်တင်နိုင်ပုံကို မီးမောင်းထိုးပြထားသည်။"

Benchmark မှ အရှေ့အာဖရိကရှိ Real-World လေယာဉ်မှူးများအထိ

နည်းပညာသည် စံနှုန်းထက်ကျော်လွန်နေပြီဖြစ်သည်။ ကင်ညာတွင် နိုင်ငံ၏မိုးရာသီနှစ်ခုအနက်မှတစ်ခု စတင်နေပြီဖြစ်သောကြောင့် ကြိုတင်ခန့်မှန်းသူများသည် PBC ကို စမ်းသပ်ရန် ပြင်ဆင်နေပါသည်။ ကြိုးပမ်းမှုတွင် Kenya Meteorological Service Authority (KMSA) နှင့် AI စွမ်းအင်သုံး မိုးလေဝသခန့်မှန်းချက်ကို ပိုမိုကောင်းမွန်အောင်လုပ်ဆောင်သည့် Genevieve Flaspohler ထံမှ အကြံဉာဏ်ဖြင့် ကယ်လီဖိုးနီးယားတက္ကသိုလ်ရှိ ရာသီဥတုအန္တရာယ်ဆိုင်ရာစင်တာမှ သိပ္ပံပညာရှင်များ ပါဝင်ပါသည်။

Flaspohler သည် ခန့်မှန်းချက်တစ်ခု၏တန်ဖိုးသည် ၎င်းကိုလုပ်ဆောင်ရန် အချိန်မီရောက်ရှိလာခြင်းအပေါ်တွင်မူတည်သည်ဟု စောဒကတက်သည်။ “ရာသီဥတုကောင်း၊ အချိန်မှန်၊ မှန်ကန်တဲ့ ဆက်သွယ်ရေးလမ်းကြောင်းပေါ် ပေးပို့တာက စိုက်ပျိုးရေး ရလဒ်တွေအတွက် ကြီးမားတဲ့ ခြားနားချက်တစ်ခု ဖြစ်လာနိုင်ပါတယ်” ဟု အရှေ့အာဖရိကသည် စံချိန်တင် အခြောက်သွေ့ဆုံးနှစ်များနှင့် အစိုစွတ်ဆုံးနှစ်များကြားတွင် လှုပ်လှုပ်ရှားရှား ဖြစ်နေကြောင်း သူမက ပြောကြားခဲ့သည်။ လယ်ယာစိုက်ပျိုးခြင်း၊ စိုက်ပျိုးခြင်း၊ မြေသြဇာနှင့် မျိုးစေ့ဝယ်ယူခြင်းဆိုင်ရာ ဆုံးဖြတ်ချက်များ အများစု ကင်းမဲ့နေသည့် ဒေသတွင်၊ ပိုမိုကျွမ်းကျင်သော ရာသီခွဲခန့်မှန်းချက်သည် စိတ်ကူးယဉ်တိုးတက်မှုမဟုတ်ပါ။

"ကျွန်ုပ်တို့သည် စံချိန်တင်အပူဆုံး အယ်လ်နီညိုကြားတွင် ရှိနေသောကြောင့်၊ အစိုးရများနှင့် ရာသီဥတု သိပ္ပံအသိုက်အဝန်းတွင် ယင်းကို မည်သို့ထင်ရှားစေမည်ကို စိုးရိမ်နေကြသည်" ဟု Flaspohler မှ ပြောကြားခဲ့သည်။ "ခိုင်မာစွာအလုပ်လုပ်နိုင်သော ရိုးရှင်းသော ကြိုတင်ခန့်မှန်းခြင်းနည်းလမ်းများ အတွက် ကြီးမားသောလိုအပ်ချက်တစ်ခုရှိပါသည်။"

ပိုကြီးသောမော်ဒယ်များခေတ်တွင် ထိရောက်မှုအငြင်းအခုံတစ်ခု

AI သုတေသနတွင် PBC ကို ထင်ရှားစေသောအရာမှာ ၎င်း၏စီးပွားရေးဖြစ်သည်။ နယ်ပယ်အများစုသည် ပိုမိုကြီးမားသော အဆုံးမှအဆုံး ခန့်မှန်းမှုပုံစံများကို လေ့ကျင့်ရန် ပြိုင်ဆိုင်နေကြသော်လည်း PBC သည် ၎င်းပြုပြင်ထားသော လုပ်ငန်းလည်ပတ်မှုပုံစံများမှ ၎င်း၏ကျွမ်းကျင်မှုအများစုကို ချေးယူသည့် နှိုင်းယှဥ်သေးငယ်သောစနစ်တစ်ခုဖြစ်သည်။ ၎င်းတို့သည် ၎င်းတို့၏ ရှိပြီးသား အခြေခံအဆောက်အအုံများကို ထိန်းသိမ်းနိုင်ပြီး ပြုပြင်မှုအလွှာကို ရိုးရိုးရှင်းရှင်း ထည့်သွင်းနိုင်သောကြောင့် လည်ပတ်ရန် စျေးသက်သာပြီး မိုးလေဝသအေဂျင်စီများအတွက် ပိုမိုလွယ်ကူစေသည်။

၎င်းသည် အသုံးချစက်သင်ယူမှုတွင် ပိုမိုကျယ်ပြန့်သောပုံစံကိုလည်း ထင်ဟပ်စေသည်- လုပ်ငန်းစဉ်အပြီးနှင့် ချိန်ညှိခြင်းများသည် အပြည့်အဝမော်ဒယ်ပြန်လည်လုပ်ဆောင်ရန် လိုအပ်မည့် အကျိုးကျေးဇူးများကို ပေးဆောင်လေ့ရှိသည်။ ကန့်သတ်ဘတ်ဂျက်များကို သုံးစွဲရမည့်နေရာကို အလေးချိန်ရှိသော မိုးလေဝသဝန်ဆောင်မှုများအတွက်၊ သဘာဝတရားနှင့် တိုက်ရိုက် ECMWF ပြိုင်ဆိုင်မှုတွင် တရားဝင်အတည်ပြုထားသော အခက်ခဲဆုံးခန့်မှန်းချက်အပိုင်းအခြားကို တိုးတက်ကောင်းမွန်စေသည့် နည်းလမ်းသည် အာရုံစိုက်ဖွယ်ရှိသည်။

Sub-Seasonal AI အတွက် နောက်လာမည့်အရာ

Microsoft ၏ ဘလော့ဂ်ပို့စ်သည် လုပ်ငန်းလည်ပတ်မှုဆိုင်ရာ ထုတ်ကုန်တစ်ခုအား ကြေငြာခြင်းမပြုတော့ဘဲ PBC ကို စီးပွားဖြစ်ခန့်မှန်းခြင်းကမ်းလှမ်းချက်များတွင် ပေါင်းစည်းမည်ဆိုသည်ကို ကုမ္ပဏီမှ ပြောကြားခြင်းမရှိပေ။ ကာလတိုစမ်းသပ်မှုမှာ နိုင်ငံအလိုက် မိုးလေဝသဝန်ဆောင်မှုများသည် ၎င်းတို့၏ ရာသီခွဲရှုထောင့်များအတွက် PBC ကဲ့သို့ ဘက်လိုက်-တည့်မတ်သည့် အလွှာများကို စတင်လက်ခံခြင်း ရှိ၊ မရှိ၊ ချဉ်းကပ်မှုမှာ ယခုအခါ AI ခန့်မှန်းချက်ပုံစံများနှင့် ကောင်းမွန်စွာ ပေါင်းစပ်ထားခြင်း ရှိ၊မရှိ၊

ထိုသို့ဆိုလျှင်၊ လယ်သမားများ၊ ဂရစ်အော်ပရေတာများနှင့် သဘာဝဘေးအန္တရာယ်ဆိုင်ရာ စီမံကိန်းရေးဆွဲသူများသည် သမိုင်းကြောင်းအရ အလုပ်အနည်းဆုံးလုပ်ခဲ့ကြသည့် နှစ်ပတ်မှ ခြောက်ပတ်ကြာပြတင်းပေါက်—နောက်ဆုံးတွင် ပိတ်သွားနိုင်သည်။ ဆယ်စုနှစ်များစွာကြာအောင် ကျွမ်းကျင်မှုအနည်းအကျဉ်းကို လိုက်လံရှာဖွေခဲ့သည့် နယ်ပယ်တစ်ခုအတွက်၊ အသေးစားစက်သင်ယူမှုစနစ်တစ်ခုသည် ဧရာမရုပ်ပိုင်းဆိုင်ရာမော်ဒယ်များ၏ စနစ်တကျအမှားများကို ရှင်းရှင်းလင်းလင်းခွင့်ပြုခြင်းသည် လက်တွေ့ကျသောတိုးတက်မှုမျိုးဖြစ်သည်။

---

AI ၏ရှေ့တွင်နေရန်

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →