به‌روزرسانی پیش‌بینی‌های هواشناسی گوگل با مدل هوش مصنوعی جدید WeatherNext 2

WeatherNext 2؛ مدل پیش‌بینی مبتنی و تقویت‌شده با هوش مصنوعی گوگل تا اینجا عملکرد بسیار دقیقی از خود نشان داده سریع‌تر و کارآمدتر از مدل‌های سنتی و مبتنی بر فیزیک، پیش‌بینی‌های هواشناسی را انجام دهد. فعالیت گوگل در این حوزه عمدتاً جنبه آزمایشی داشت؛ اما اکنون، این مدل‌ها را به‌عنوان یک نقطه قوت برای محصولات و خدمات خود مطرح می‌کند.

به گفته «پیتر باتالیا» (Peter Battaglia)، مدیر ارشد پژوهش و پایداری در DeepMind: «ما به معنی واقعی کلمه این مدل‌ها را از آزمایشگاه بیرون می‌آوریم و در اختیار کاربران قرار می‌دهیم. در واقع برچسب آزمایشی را از آن برمی‌داریم؛ چون اطمینان داریم که پیش‌بینی‌های ما مؤثر و کاربردی هستند.»

مدل جدید هوش مصنوعی WeatherNext 2می‌تواند ۸ برابر سریع‌تر از مدل قبلی گوگل و پیش‌بینی‌های هواشناسی جدید را تولید کنند و همچنین در پیش‌بینی ۹۹.۹ درصد متغیرها مانند دما، باد و رطوبت دقیق‌تر است. این پیشرفت‌ها به WeatherNext 2 اجازه می‌دهد تا پیش‌بینی‌هایی تا ۱۵ روز آینده و همچنین پیش‌بینی‌های ساعتی تولید کند.

WeatherNext 2 می‌تواند از یک نقطه آغازین مشخص، صدها نتیجه احتمالی تولید کند. این مدل با استفاده از یکی از تراشه‌های TPU گوگل، کمتر از یک دقیقه زمان نیاز دارد تا یک پیش‌بینی ارائه دهد؛ کاری که به گفته گوگل معمولاً با مدل‌های مبتنی بر قوانین فیزیک روی ابررایانه‌ها چندین ساعت طول می‌کشد. مدل‌های سنتی از نظر محاسباتی بسیار سنگین هستند؛ زیرا عملاً تلاش می‌کنند فیزیک پیچیده جو را برای پیش‌بینی بازسازی کنند. در مقابل، مدل‌های هوش مصنوعی می‌کوشند الگوها را از داده‌های تاریخی آب‌وهوا استخراج کنند تا نتایج آینده را پیش‌بینی کنند.

گوگل توانست روند کار خود در WeatherNext 2 را با استفاده از رویکردی که آن را «شبکه مولد تابعی» (Functional Generative Network – FGN) می‌نامد، ساده‌سازی کند. مدل‌های قدیمی‌تر هوش مصنوعی در حوزه هواشناسی همچنان به پردازش تکراری برای تولید یک پیش‌بینی نیاز داشتند. اما FGN کارآمدتر است؛ زیرا در هر بار دریافت ورودی، مقادیری نویز یا همان تصادفی‌سازی هدفمند داده را در مدل ادغام می‌کند تا WeatherNext 2 بتواند در یک مرحله، بیش از صدها سناریو و نتیجه مختلف تولید کند.

این رویکرد به‌ویژه برای پیش‌بینی آنچه هواشناسان از آن به‌عنوان «حاشیه‌ای» (marginals) و «مفصلی» (joints) یاد می‌کنند، مفید است. حاشیه‌ای‌ها عناصر آب‌و‌هوایی منفرد و مستقل هستند؛ مانند دمای دقیق در یک مکان خاص، سرعت باد در ارتفاع خاص یا رطوبت. نکته جدید در مورد رویکرد WeatherNext 2 این است که مدل فقط بر اساس این عوامل حاشیه‌ای آموزش می‌بیند. بااین‌حال، از طریق فرایند آموزش نیز یاد می‌گیرد که مفصلی‌ها؛ یعنی سیستم‌های بزرگ، پیچیده و به‌هم‌پیوسته‌ای که به نحوه قرارگیری همه آن قطعات جداگانه در کنار هم، بستگی دارند را به طرز ماهرانه‌ای پیش‌بینی کند. این پیش‌بینی «مشترک» برای مفیدترین پیش‌بینی‌های، مانند شناسایی کل مناطق تحت‌تأثیر گرمای زیاد یا توان خروجی موردانتظار در یک مزرعه بادی، موردنیاز است.

«آکیب اودین» (Akib Uddin)، مدیر محصول Google Research نیز دراین‌خصوص می‌گوید: «ما دریافتیم که حوزه‌های انرژی، کشاورزی، حمل‌ونقل، لجستیک و مشتریان بسیاری دیگر از صنایع به این پیش‌بینی‌های ساعتی علاقه‌مند هستند. این موضوع به آن‌ها کمک می‌کند تصمیمات دقیق‌تری درباره مسائلی که بر کسب‌وکارشان اثر می‌گذارد بگیرند.»

علاوه بر افزودن WeatherNext 2 به نرم‌افزارهایی از جمله Maps, Search, Gemini و Pixel Weather؛ گوگل یکبرنامه دسترسی اولیهنیز برای کاربرانی ارائه می‌دهد که به مدل‌سازی سفارشی علاقه‌مند هستند. داده‌های مربوط به پیش‌بینی‌ها همچنین درWeather APIGoogle EarthEarth EngineAlphaEarth FoundationsوEarth AIبرای تحلیل‌های جغرافیایی و درBigQueryبرای تحلیل داده‌های در مقیاس بزرگ و مستندات توسعه‌دهندگان (WeatherNext developer documentation) آن در دسترس است.

البته گوگل در یافتن راه‌های استفاده از هوش مصنوعی مولد در پیش‌بینی آب‌وهوا تنها نیست. مرکز پیش‌بینی‌های میان‌برد اروپا (ECMWF)انویدیاهوآویو شرکت‌های دیگر نیز در حال توسعه مدل‌های آب‌وهوای مبتنی بر هوش مصنوعی خود هستند.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.