Viisi päivää ennen kuin hurrikaani Melissa teki maihinnousun Jamaikalla, yksi ennuste ennakoi rajua voimistumista: lähestyvä 5. luokan myrsky, vaikka Melissa oli tuolloin 1. luokan myrsky. Meteorologit olivat eri mieltä. Malli ei ollut.
Tuo malli on WeatherNext, Google DeepMindin ja Google Researchin yhteistyöhanke, johon osallistuivat kansainväliset instituutiot, kuten Yhdysvaltain kansallinen hurrikaanikeskus ja Ison-Britannian meteorologinen virasto. Se julkaistiin avoimen lähdekoodin ohjelmistona ja sitä on koulutettu lähes 20 teratavulla globaalia ilmakehädataa sekä vuosikymmenien arkistoiduilla ilmastotiedoilla kansainvälisistä tietovarastoista. Tuloksena on tekoälyjärjestelmä, joka käsittelee syklonin kulkua ja sen raakaa voimaa yhtenä, linkittyneenä pulmana.
Käytännön hyöty on välitön. Googlen neuroprosessorihardwarella koko 15 päivän ennuste tuotetaan alle 60 sekunnissa. Tällainen nopea läpimeno tekee mahdolliseksi laajojen ennusteryhmien tuottamisen, ei yhtä determinististä lopputulosta vaan satoja tai tuhansia uskottavia tulevaisuudenkuvia, ja niiden muuntamisen todennäköisyyksiin perustuviin vaarakarttoihin, joiden perusteella pelastusorganisaatiot voivat toimia.
WeatherNext ei lupaa varmuutta. Se vaihtaa varmuuden harhan valikoimaan mahdollisuuksia. Se on tarkoituksellista. Hallitakseen perhosvaikutusta, jossa pienet mittausvirheet paisuvat suuriksi eroiksi ennusteissa, malli rakentaa nyt kutakin myrskyä varten jopa 1 000 samanaikaista skenaariota. Se on dramaattinen hyppy viime vuoden noin 50 skenaarion ennusteista, ja se muuttaa tapaa, jolla ennustajat tulkitsevat riskiä.
Yksi ylimääräinen päivä luotettavaa varoitusaikaa ei ole abstrakti: se antaa aikaa evakuoinneille, logistiikalle ja ihmishenkiä pelastaville päätöksille.
Käytännön testaukset kertovat vakuuttavan tarinan. Melissan tapauksessa, kun perinteiset järjestelmät olivat eri mieltä kulusta, WeatherNext antoi noin 80 prosentin todennäköisyydellä signaalin, että sykloni voimistuu ja iskee Jamaikaan merkittävänä myrskynä päiviä ennen maihinnousua. Tällainen varhainen, integroitu ennuste muuttaa epävarmuuden toimintakelpoiseksi suunnitteluksi.
Teknisesti mallissa on hienovaraisuuksia. Se yhdistää globaalin tason dynaamisen kontekstin paikallisiin voimakkuuden ajureihin koneoppimisarkkitehtuurien avulla, jotka on optimoitu laajoilla historiallisilla aineistoilla. Tämän jälkeen malli tuottaa todennäköisyysjakaumat sekä sijainnille että voimakkuudelle, jolloin ennustajat voivat arvioida paitsi minne myrsky saattaa mennä, myös kuinka paha se saattaa olla saavuttaessaan kohteen.
Julkaisijat ja vertaisarvioijat ovat ottaneet asian huomioon: tutkimus on julkaistu lehdessä Nature, ja tiimi on julkaissut mallin koodin ja painot avoimesti GitHubissa, kutsuen kansallisia ilmatieteen palveluita, akateemisia ryhmiä ja järjestöjä tekemään itsenäistä validointia ja operatiivisia kokeiluja. Tuo avoimuus voi nopeuttaa parannuksia ja edistää aluekohtaisia hienosäätöjä siellä, missä tiedot ja tarpeet vaihtelevat.
Korvaako WeatherNext perinteiset mallit? Ei yhdessä yössä. Numeraalinen sääennustus on edelleen monen ennusteen perusta. Mutta tuomalla tuo perusta yhteen tekoälypohjaisten ensemblejen ja nopeuden kanssa työnkulku muuttuu. Hätäsuunnittelijat saavat aikaisempia, vivahteikkaampia varoituksia. Tutkijat saavat yhteisen alustan tutkia epäonnistumismuotoja ja vinoumia. Yhteisöt saavat aikaa, ja joskus juuri se erottaa häiriön ja katastrofin.
Seuraa repositoriota. Seuraa ennusteita. Seuraava kausi näyttää, muuttuuko tämä mittakaavan, nopeuden ja todennäköisyyspohjaisen ajattelun yhdistelmä uudeksi normaaliksi syklonien ennustamisessa.
"Minua kiehtoo mobiililaitteet ja älypuhelimien kehitys. Kirjoitan artikkeleita uusista laitteista, testeistä ja käyttäjäkokemuksista."
Keskustelu
Jätä kommentti
Kommentit
Ei vielä kommentteja. Ole ensimmäinen.