வானிலை முன்னறிவிப்பு குறுகிய எல்லைகளில் நம்பத்தகுந்ததாக மாறியுள்ளது: இன்றைய மாதிரிகள் இரண்டு வாரங்களுக்கு மிகவும் துல்லியமாக உள்ளன, மேலும் நீண்ட தூர காலநிலை கணிப்புகளும் சீராக மேம்படுகின்றன. இருப்பினும், அந்த இரண்டு நேர அளவீடுகளுக்கு இடையில், ஒரு பிடிவாதமான குருட்டுப் புள்ளி அமர்ந்திருக்கிறது. இரண்டு முதல் ஆறு வார கால இடைவெளியில் கணிப்புகள் - துணை பருவகால முன்னறிவிப்பு என அறியப்படுவது - நம்பகத்தன்மையற்றதாகவே உள்ளது, இருப்பினும் பயிர்களை எப்போது பயிரிடுவது, தண்ணீர் மற்றும் ஆற்றலை எவ்வாறு ஒதுக்குவது மற்றும் காட்டுத்தீக்கு எவ்வாறு தயார் செய்வது என்பதைத் தீர்மானிக்கும் வரம்பு துல்லியமாக உள்ளது.

மைக்ரோசாஃப்ட் ரிசர்ச் மற்றும் வெளிப்புற ஒத்துழைப்பாளர்களின் நெட்வொர்க், அந்த இடைவெளியைக் குறைப்பதற்கான வழியைக் கண்டுபிடித்ததாகச் சொல்கிறார்கள், மற்றொரு முன்கணிப்பு மாதிரியை உருவாக்குவதன் மூலம் அல்ல, ஆனால் ஏற்கனவே இருக்கும் மாதிரிகளின் கணிக்கக்கூடிய தவறுகளை சரிசெய்ய மென்பொருளைக் கற்பிப்பதன் மூலம். Probabilistic Bias Correction (PBC) எனப்படும் அணுகுமுறை, நேச்சர் என்ற அறிவியல் இதழில் வெளியிடப்பட்ட ஒரு தாளில் விவரிக்கப்பட்டுள்ளது மற்றும் இந்த வாரம் வெளியிடப்பட்ட மைக்ரோசாஃப்ட் வலைப்பதிவு இடுகையில் விவரிக்கப்பட்டுள்ளது. சமீபத்திய AI மேம்பாடுகள் ஆகியவற்றில் உள்ளடக்கப்பட்ட பயன்பாட்டு AI ஆராய்ச்சி அலையில் இது மிகவும் அமைதியான நடைமுறை உள்ளீடுகளில் ஒன்றாகும், ஏனெனில் இது வானிலை ஆய்வாளர்கள் ஏற்கனவே நம்பியிருக்கும் அமைப்புகளை மேம்படுத்துகிறது, மாறாக புதியவற்றுக்கு மாறுவதைக் கேட்கிறது.

ஏன் இரண்டு முதல் ஆறு வார சாளரம் முன்னறிவிப்பை மீறுகிறது

இயற்பியல் அடிப்படையிலான மாதிரிகள் வளிமண்டலம் மற்றும் கடல்களை அறிவியல் சமன்பாடுகளைப் பயன்படுத்தி உருவகப்படுத்துகின்றன, அதே நேரத்தில் புதிய AI மாதிரிகள் கவனிக்கப்பட்ட வானிலை தரவுகளின் பரந்த காப்பகங்களில் பயிற்சியளிக்கின்றன. மைக்ரோசாப்ட் படி, இரண்டு குடும்பங்களும் சுமார் பத்து நாட்கள் சிறப்பாக செயல்படுகின்றன. அதற்கு அப்பால், சிறிய ஆரம்ப பிழைகள் கலவை மற்றும் வளிமண்டலம், பெருங்கடல்கள் மற்றும் நிலப்பரப்பு ஆகியவற்றுக்கு இடையேயான சிக்கலான தொடர்புகள் இரண்டு அணுகுமுறைகளையும் மூழ்கடிக்கின்றன, அதனால்தான் இரண்டு முதல் ஆறு வாரக் கண்ணோட்டங்கள் நீண்ட முன்கணிப்பில் பின்தங்கிவிட்டன.

போட்டி மாடல்களின் நெரிசலான துறையில் நுழைவதற்குப் பதிலாக, மைக்ரோசாப்ட் தலைமையிலான குழு வேறுபட்ட இலக்கில் கவனம் செலுத்தியது: இந்த வரம்பில் மாதிரிகள் செய்யும் முறையான, மீண்டும் மீண்டும் செய்யக்கூடிய பிழைகள். "எங்கள் புதிய பைப்லைன் (பிபிசி) உங்களுக்குப் பிடித்த மாதிரியை உள்ளீடாக எடுத்துக்கொண்டு, அது எந்தெந்த வழிகளில் பிழைகளைச் செய்கிறது என்பதைக் கற்றுக்கொள்கிறது. பின்னர் அந்த பிழைகளைச் சரிசெய்து, துணை பருவகால வரம்பிற்கு சிறந்த வெளியீட்டு முன்னறிவிப்பை அளிக்கிறது," என்று நிறுவனம் தனது வலைப்பதிவு இடுகையில் விளக்குகிறது.

தற்போதுள்ள மாடல்களின் மேல் ஒரு இலகுரக அடுக்கு

தொழில்நுட்ப ரீதியாக, பிபிசி என்பது இலகுரக இயந்திரக் கற்றல் அமைப்பாகும், இது எந்த மாதிரியின் வரலாற்று முன்னறிவிப்புகளின் காப்பகத்தை அது எங்கே, எப்படி முறையாக சார்புடையது என்பதை அறிய ஆய்வு செய்கிறது. அந்த வடிவங்கள் கற்றுக்கொண்டவுடன், கணினி மாதிரியின் நிகழ்தகவு வெளியீட்டை ஈடுசெய்ய சரிசெய்கிறது. நேச்சர் பேப்பரில் விவரிக்கப்பட்டுள்ள மதிப்பீடுகளில், மைக்ரோசாப்ட் பிபிசியானது உலகின் முன்னணி செயல்பாட்டுக் குறைபாடுள்ள துணை-பருவகால மாதிரியின் செயல்திறனை மேம்படுத்தியுள்ளது என்று தெரிவிக்கிறது, இது ஐரோப்பிய மத்தியதர வானிலை முன்னறிவிப்புகளுக்கான மையத்தால் (ECMWF) இயக்கப்படுகிறது.

பின்னோக்கிச் சோதனைகளில் மட்டுமின்றி, நேரடிப் போட்டியிலும் முடிவுகள் நடைபெற்றன. ECMWF ஆனது AI வானிலை தேடலை ஆகஸ்ட் 2025 இல் அறிமுகப்படுத்தியது, இது நிகழ்நேரப் போட்டியானது நிகழ்தகவு துணை-பருவகால முன்னறிவிப்பை மேம்படுத்த வடிவமைக்கப்பட்டுள்ளது. மைக்ரோசாஃப்ட் ஆராய்ச்சியாளர்கள் மற்றும் வெளிப்புற கூட்டுப்பணியாளர்களைக் கொண்ட மைக்ரோஎன்செம்பிள் என்ற குழு, மைக்ரோ டூயட் எனப் பெயரிடப்பட்ட ஒரு நுழைவு மூலம் உயர்மட்ட மரியாதையைப் பெற்றது, இது ECMWF இன் தொழில்துறை-முன்னணி இயக்கவியல் மாதிரிக்கு PBCயைப் பயன்படுத்தியது.

"AI Weather Quest ஆனது துணை பருவகால முன்னறிவிப்புகளுக்கான தனித்துவமான நிகழ்நேர தரப்படுத்தல் தளத்தை வழங்குகிறது" என்று ECMWF இல் துணை பருவகால முன்னறிவிப்பு விஞ்ஞானி டாக்டர் ஜோசுவா தாலிப் கூறினார். "MicroEnsemble குழுவின் பங்களிப்புகள், இயந்திரக் கற்றல் எவ்வாறு பாரம்பரிய இயக்கவியல் முன்கணிப்பு அமைப்புகளின் திறனை பிந்தைய செயலாக்கத்தின் மூலம் மேம்படுத்தலாம் என்பதை வெளிச்சம் போட்டுக் காட்டியது."

பெஞ்ச்மார்க் முதல் கிழக்கு ஆப்பிரிக்காவில் உள்ள நிஜ உலக விமானிகள் வரை

நுட்பம் ஏற்கனவே வரையறைகளுக்கு அப்பால் நகர்கிறது. கென்யாவில், நாட்டின் இரண்டு மழைக்காலங்களில் ஒன்று தொடங்குவதால், முன்னறிவிப்பாளர்கள் பிபிசியை சோதிக்க தயாராகி வருகின்றனர். இந்த முயற்சியில் கென்யா வானிலை சேவை ஆணையம் (KMSA) மற்றும் கலிபோர்னியா பல்கலைக்கழகத்தில் உள்ள காலநிலை ஆபத்து மைய விஞ்ஞானிகள், சாண்டா பார்பரா, AI- இயங்கும் வானிலை முன்னறிவிப்பை மேம்படுத்துவதில் கவனம் செலுத்தும் லாப நோக்கமற்ற Rhiza Research ஐ நடத்தும் Genevieve Flaspohler இன் ஆலோசனையுடன் ஈடுபட்டுள்ளனர்.

ஒரு முன்னறிவிப்பின் மதிப்பு, அதைச் செயல்படுத்த சரியான நேரத்தில் வருவதைப் பொறுத்தது என்று ஃப்ளாஸ்போலர் வாதிடுகிறார். "ஒரு நல்ல வானிலை முன்னறிவிப்பு, சரியான நேரத்தில், சரியான தகவல் தொடர்பு சேனலில் வழங்கப்படுவது, விவசாய விளைவுகளுக்கு ஒரு பெரிய வித்தியாசமாக இருக்கும்," என்று அவர் கூறினார், கிழக்கு ஆபிரிக்கா பதிவு செய்யப்பட்ட வறண்ட ஆண்டுகளுக்கும் ஈரமான ஆண்டுகளுக்கும் இடையில் ஊசலாடுகிறது. பண்ணைகள் பெரும்பாலும் நீர்ப்பாசனம் மற்றும் நடவு, உரமிடுதல் மற்றும் விதை-கொள்முதல் முடிவுகள் இல்லாத பிராந்தியத்தில், மிகவும் திறமையான துணை பருவகால முன்னறிவிப்பு ஒரு சுருக்கமான முன்னேற்றம் அல்ல.

"நாங்கள் இதுவரை பதிவு செய்யப்படாத வெப்பமான எல் நினோவின் மத்தியில் இருப்பதால், அது எவ்வாறு வெளிப்படும் என்பது குறித்து அரசாங்கங்கள் மற்றும் காலநிலை அறிவியல் சமூகத்தில் நிறைய பயம் உள்ளது" என்று ஃப்ளாஸ்போலர் கூறினார். "வலுவாக வேலை செய்யும் எளிய முன்கணிப்பு முறைகளுக்கு ஒரு பெரிய தேவை உள்ளது."

பெரிய மாடல்களின் சகாப்தத்தில் ஒரு செயல்திறன் வாதம்

AI ஆராய்ச்சியில் பிபிசியை குறிப்பிடத்தக்கதாக ஆக்குவது அதன் பொருளாதாரம். எப்பொழுதும் பெரிய எண்ட்-டு-எண்ட் முன்கணிப்பு மாதிரிகளைப் பயிற்றுவிப்பதற்காக களப் பந்தயங்களில் பெரும்பாலானவை, பிபிசி என்பது ஒப்பீட்டளவில் சிறிய அமைப்பாகும், இது அதன் திறன்களை அது சரிசெய்யும் செயல்பாட்டு மாதிரிகளிலிருந்து கடன் வாங்குகிறது. இது இயங்குவதை மலிவாகவும், வானிலை ஆய்வு முகமைகளுக்கு ஏற்றுக்கொள்வதை எளிதாக்கவும் செய்கிறது, ஏனெனில் அவை ஏற்கனவே உள்ள உள்கட்டமைப்பை வைத்திருக்கலாம் மற்றும் ஒரு திருத்த அடுக்கைச் சேர்க்கலாம்.

இது பயன்பாட்டு இயந்திரக் கற்றலில் ஒரு பரந்த வடிவத்தையும் பிரதிபலிக்கிறது: பிந்தைய செயலாக்கம் மற்றும் அளவுத்திருத்தம் பெரும்பாலும் முழு மாதிரி மறுவேலை தேவைப்படும் ஆதாயங்களை வழங்குகிறது. வரையறுக்கப்பட்ட பட்ஜெட்டுகளை எங்கு செலவழிக்க வேண்டும் என்று எடையுள்ள வானிலை சேவைகளுக்கு, கடினமான முன்னறிவிப்பு வரம்பை நிரூபிக்கும் வகையில் மேம்படுத்தும் ஒரு முறை - இயற்கை மற்றும் நேரடி ECMWF போட்டியில் சரிபார்க்கப்பட்டது - கவனத்தை ஈர்க்கும்.

துணை பருவகால AIக்கு அடுத்து என்ன வரும்

மைக்ரோசாப்டின் வலைப்பதிவு இடுகை ஒரு செயல்பாட்டுத் தயாரிப்பை அறிவிப்பதை நிறுத்துகிறது, மேலும் பிபிசி வணிக முன்கணிப்பு சலுகைகளுடன் ஒருங்கிணைக்கப்படுமா என்று நிறுவனம் கூறவில்லை. தேசிய வானிலை சேவைகள் அவற்றின் துணை-பருவகாலக் கண்ணோட்டங்களுக்காக PBC போன்ற சார்பு-திருத்த அடுக்குகளை ஏற்கத் தொடங்குகின்றனவா என்பதும், தற்போது செயல்பாட்டு பயன்பாட்டிற்கு வரும் AI முன்கணிப்பு மாதிரிகளுடன் அணுகுமுறை நன்றாக உள்ளதா என்பதும் நெருங்கிய சோதனையாகும்.

அப்படிச் செய்தால், இரண்டு முதல் ஆறு வார கால இடைவெளி - விவசாயிகள், கிரிட் ஆபரேட்டர்கள் மற்றும் பேரிடர் திட்டமிடுபவர்கள் வரலாற்று ரீதியாக மிகக் குறைவாகப் பணியாற்றிய பகுதி - இறுதியாக மூடத் தொடங்கலாம். பல தசாப்தங்களாக திறமையில் விளிம்புநிலை ஆதாயங்களைத் துரத்திய ஒரு துறைக்கு, ஒரு சிறிய இயந்திர கற்றல் அமைப்பை மாபெரும் இயற்பியல் மாதிரிகளின் முறையான பிழைகளை சுத்தம் செய்ய அனுமதிப்பது ஒரு நடைமுறை வகையான முன்னேற்றமாகும்.

---

AIக்கு முன்னால் இருங்கள்

சமீபத்திய AI செய்திகள், பகுப்பாய்வு மற்றும் முன்னேற்றங்கள் - அனைத்தையும் ஒரே இடத்தில் பெறுங்கள்.

மேலும் AI செய்திகளைப் படிக்கவும் →