Kiedy przedłuża się zima, niektórzy zaczynają rozważać zorganizowanie dodatkowego marcowego urlopu w ciepłych krajach. Inni przyglądają się kwietniowym prognozom pogody, próbując zaplanować już wiosenne wysiewy. Niestety, jak wskazują analitycy, prognozowanie pogody na okres od 2 do 6 tygodni przypomina trochę wróżenie z fusów. Dzisiejsze modele prognozowania pogody najlepiej sprawdzają się z maksymalnie siedmiodniowym wyprzedzeniem.
Coraz bardziej wiarygodne stają się również modele prognoz klimatycznych, rozciągając prognozowany horyzont czasowy od pór roku do dziesięcioleci. Najtrudniejsze do przewidzenia są jednak prognozy długoterminowe, które opierają się na kombinacji zmiennych wpływających na pogodę krótkoterminową, takich jak temperatura dzienna i wiatr, oraz czynników sezonowych, takich jak np. poziom lodu w Arktyce.
Z problemem nieefektywności w tym temacie zmierzył się Lester Mackey, zajmujący się uczeniem maszynowym w laboratorium badawczym Microsoft w Cambridge w Massachusetts. Został on poproszony o pomoc przez Judah Cohena, klimatologa z Atmospheric and Environmental Research, jednostki organizacyjnej firmy Vertic zajmującej się konsultingiem w zakresie ryzyka klimatycznego.
– W swojej pracy zajmuję się rozpoznawaniem wzorców pogodowych. Pomyślałem, że może uda się udoskonalić ten trudny proces, wykorzystując techniki uczenia maszynowego. Wzorce pogodowe powtarzają się z roku na rok, jak i przez cały sezon. Powinny więc stanowić podstawę prognoz długoterminowych – wyjaśnia Judah Cohen.
Wykorzystywanie wzorców historycznych do przewidywania pogody i zmian klimatycznych było standardową praktyką do lat 80-tych. Wtedy właśnie fizyczne modele ewolucji atmosfery i oceanów zaczęły dominować w branży. Modele te zyskały na popularności i wyrafinowaniu wraz z gwałtownym wzrostem mocy obliczeniowej.
– Dziś wszystkie główne ośrodki klimatyczne wykorzystują potężne superkomputery do symulacji atmosfery i oceanów. Wprawdzie prognozy ulegają znacznej poprawie w miarę upływu czasu, ale w stosunkowo niewielkim stopniu wykorzystują dane historyczne. Zamiast tego, bazują na dzisiejszych warunkach pogodowych, a następnie stosują równania różniczkowe – tłumaczy Mackey.
Zadanie, o którego wykonanie został poproszony Lester Mackey, polegało na w wydobyciu przy pomocy mechanizmów uczenia maszynowego powtarzających się wzorców pogodowych i klimatycznych z ogromnej ilości danych historycznych. Jak się okazało, już wstępnie opracowane modele prognozowania oparte na technologii uczenia maszynowego przewyższają w swojej dokładności modele wykorzystywane przez amerykańskie agencje rządowe.
Osiągając pierwsze sukcesy, Mackey i Cohen zdecydowali się wziąć udział w konkursie sponsorowanym przez amerykańskie Biuro Rekultywacji, którego zadaniem było wyłonienie sposobu na poprawę prognoz pogody i opadów atmosferycznych w zachodniej części Stanów Zjednoczonych. Zespół stworzony przy współpracy z absolwentami Uniwersytetu Stanforda w Kalifornii przez 13 miesięcy eksperymentował na dwóch opartych na uczeniu maszynowym sposobach prognozowania. Jeden z nich badał wszystkie posiadane dane, zarówno te historyczne, jak i te odnoszące się do poziomu lodu arktycznego. Drugie podejście koncentrowało się jedynie na danych historycznych dotyczących temperatury dla prognozowania temperatury lub opadów atmosferycznych dla prognozowania opadów. Jak się okazało, najlepsze wyniki były uzyskiwane dzięki połączeniu obu metod prognozowania.
Ostatecznie zespół Mackey’a zajął pierwsze miejsce w prognozowaniu średniej temperatury z trzy- do czterotygodniowego wyprzedzenia, a drugie miejsce w prognozowaniu całkowitych opadów atmosferycznych na pięć i sześć tygodni. Po zakończeniu konkursu, połączyli oni obie metody prognozowania, osiągając poprawę dokładności prognoz operacyjnych o 37-53% dla temperatury i 128-154% dla opadów atmosferycznych.
– Takie rozwiązania są wciąż udoskonalane, a także będą coraz częściej stosowane w dziedzinie prognozowania – powiedział Kenneth Nowak, koordynator badań nad dostępnością wody w Biurze Rekultywacji USA. Dodał, że agencje rządowe będą szukać możliwości wykorzystania uczenia maszynowego w przyszłych generacjach operacyjnych modeli prognozowania.
Dodatkowo, zespół Mackey’a pozyskał niedawno z inicjatywy Microsoft AI for Earth środki finansowe, które pozwolą na udoskonalenie autorskiej techniki.
– Dokładne prognozy warunków atmosferycznych mają ogromne znaczenie w wielu dziedzinach społecznych i gospodarczych, a techniki które Lester chce zbadać, mają najlepsze zastosowanie właśnie w prognozowaniu pogody. Dlatego zdecydowaliśmy się wesprzeć finansowo ten projekt – uzasadnia swoją decyzję Lucas Joppa, dyrektor ds. środowiska Microsoft, który prowadzi program AI for Earth.
Program Microsoft AI for Earth zapewnia środki finansowe dla zespołu Mackey’a, aby udoskonalać techniki prognozowania oparte na uczeniu maszynowym. Współpracownicy mają również nadzieję, że w prognozowanie z użyciem uczenia maszynowego zaangażują się również inni badacze. Aby zachęcić ich do eksperymentów, udostępnili oni opinii publicznej zestaw danych stworzony w celu wyszkolenia własnych modeli.
Cohen, który rozpoczął współpracę z Mackey’em z ciekawości odnośnie potencjalnego wpływu sztucznej inteligencji na prognozowanie, dzisiaj widzi wszystkie zalety jakie przynosi technologia uczenia maszynowego w dziedzinie prognozowania. – To dopiero początek naszej przygody z uczeniem maszynowym. Jest jeszcze dużo więcej obszarów, w których można zastosować tę technologię – podsumowuje swoje doświadczenia Cohen.