211service.com
AI DeepMind prawie dokładnie przewiduje, kiedy i gdzie będzie padać
Getty
Pierwszy fałdowanie białek , teraz prognozowanie pogody: DeepMind z siedzibą w Londynie, firma zajmująca się sztuczną inteligencją, kontynuuje działania, stosując głębokie uczenie się do problemów z nauk ścisłych. Współpracując z Met Office, brytyjską krajową służbą meteorologiczną, DeepMind opracował narzędzie do głębokiego uczenia się o nazwie DGMR, które może dokładnie przewidzieć prawdopodobieństwo deszczu w ciągu najbliższych 90 minut — jedno z najtrudniejszych wyzwań w prognozowaniu pogody.
W ślepym porównaniu z istniejącymi narzędziami kilkudziesięciu ekspertów oceniło prognozy DGMR jako najlepsze pod względem szeregu czynników – w tym przewidywania lokalizacji, zasięgu, ruchu i intensywności deszczu – w 89% przypadków. Wyniki były opublikowany w gazecie Nature Dziś.
Nowe narzędzie DeepMind nie jest AlphaFold, który rozwiązał kluczowy problem w biologii z którymi naukowcy zmagali się od dziesięcioleci. Jednak nawet niewielka poprawa w prognozowaniu ma znaczenie.
Prognozowanie opadów, zwłaszcza ulewnych, ma kluczowe znaczenie dla wielu branż, od imprez plenerowych przez lotnictwo po służby ratunkowe. Ale robienie tego dobrze jest trudne. Ustalenie, ile wody znajduje się na niebie oraz kiedy i gdzie spadnie, zależy od wielu procesów pogodowych, takich jak zmiany temperatury, formowanie się chmur i wiatr. Wszystkie te czynniki same w sobie są wystarczająco złożone, ale razem są jeszcze bardziej złożone.
Najlepsze istniejące techniki prognozowania wykorzystują masywne symulacje komputerowe fizyki atmosfery. Sprawdzają się one dobrze w prognozowaniu długoterminowym, ale są mniej skuteczne w przewidywaniu tego, co wydarzy się w ciągu najbliższej godziny, znane jako nowcasting. Opracowano wcześniejsze techniki głębokiego uczenia się, ale te zazwyczaj dobrze radzą sobie w jednej rzeczy, takiej jak przewidywanie lokalizacji, kosztem czegoś innego, na przykład przewidywania intensywności.
Porównanie DGMR z rzeczywistymi danymi radarowymi i dwiema konkurencyjnymi technikami prognozowania intensywnych opadów deszczu we wschodnich stanach USA w kwietniu 2019 r.
GŁĘBOKI UMYSŁ
Jak mówi Greg Carbin, szef operacji prognozowania w NOAA Weather Prediction Center w USA, który nie brał udziału w pracach, obserwacja opadów pozostaje poważnym wyzwaniem dla meteorologów.
Zespół DeepMind przeszkolił swoją sztuczną inteligencję na danych radarowych. Wiele krajów publikuje w ciągu dnia częste migawki z pomiarów radarowych, które śledzą powstawanie i ruch chmur. Na przykład w Wielkiej Brytanii co pięć minut ukazuje się nowy odczyt. Zestawienie tych ujęć razem zapewnia aktualny film poklatkowy, który pokazuje, jak wzorce deszczu poruszają się w całym kraju, podobnie do wizualizacji prognozy, które widzisz w telewizji.
Naukowcy przekazali te dane do głębokiej sieci generatywnej, podobnej do GAN – rodzaju sztucznej inteligencji, która jest wytrenowana do generowania nowych próbek danych, które są bardzo podobne do rzeczywistych danych, na których została przeszkolona. GAN były używane do generować fałszywe twarze , nawet fałszywe Rembrandty. W tym przypadku DGMR (co oznacza głęboki generatywny model opadów) nauczył się generować fałszywe zrzuty radarowe, które kontynuowały sekwencję rzeczywistych pomiarów. To taki sam pomysł, jak obejrzenie kilku klatek filmu i zgadywanie, co będzie dalej, mówi Shakir Mohamed, który kierował badaniami w DeepMind.
Aby przetestować podejście, zespół poprosił 56 prognostów pogody z Met Office (którzy nie byli w inny sposób zaangażowani w prace) o ocenę DGMR w ślepym porównaniu z prognozami wykonanymi przez najnowocześniejszą symulację fizyki i konkurencyjną głębię -narzędzie naukowe; 89% stwierdziło, że wolą wyniki podane przez DGMR.
Algorytmy uczenia maszynowego generalnie próbują i optymalizują dla jednej prostej miary tego, jak dobre jest ich przewidywanie, mówi Niall Robinson, szef partnerstwa i innowacji produktowych w Met Office, który był współautorem badania. Jednak prognozy pogody mogą być dobre lub złe na wiele różnych sposobów. Być może jedna prognoza przewiduje opady we właściwym miejscu, ale o złym natężeniu, a inna otrzymuje odpowiednią mieszankę intensywności, ale w niewłaściwych miejscach i tak dalej. Włożyliśmy wiele wysiłku w te badania, aby ocenić nasz algorytm pod kątem szerokiego zestawu wskaźników.
Powiązana historia
DeepMind twierdzi, że uwolni strukturę każdego białka znanego nauce Firma wykorzystała już swoją sztuczną inteligencję do składania białek, AlphaFold, do generowania struktur dla ludzkiego proteomu, a także drożdży, muszek owocowych, myszy i innych.
Współpraca DeepMind z Met Office jest dobrym przykładem rozwoju AI we współpracy z użytkownikiem końcowym, co wydaje się oczywiście dobrym pomysłem, ale często się nie dzieje. Zespół pracował nad projektem przez kilka lat, a wkład ekspertów Met Office ukształtował projekt. To pchnęło nasz model w inny sposób, niż byśmy podeszli sami, mówi Suman Ravuri, naukowiec z DeepMind. W przeciwnym razie moglibyśmy stworzyć model, który ostatecznie nie byłby szczególnie użyteczny.
DeepMind pragnie również zademonstrować, że jego sztuczna inteligencja ma praktyczne zastosowania. Dla Shakira DGMR jest częścią tej samej historii, co AlphaFold: firma zarabia na swoich latach rozwiązywania trudnych problemów w grach. Być może największym wnioskiem jest to, że DeepMind w końcu zaczyna odhaczać listę rzeczywistych problemów naukowych.