Британська компанія DeepMind у співпраці з метеорологічною службою Великобританії Met Office розробила DGMR (Deep Generative Model of Rainfall) — інструмент на базі глибокого навчання, який розв’язує складну задачу прогнозування погоди. DGMR практично точно пророкує ймовірність того, що протягом наступних 90 хвилин почнеться дощ. Результати дослідження опубліковані в журналі Nature.
Прогнозування дощу, особливо зливи, — складне завдання. Однак вона має найважливіше значення для багатьох індустрій — від вуличних заходів до авіації та аварійно-рятувальних служб.
Кількість опадів в небі, а також час і місце їх випадання, залежить від безлічі складних факторів, таких як зміна температури, формування хмар і вітер. Попередні методи на базі глибокого навчання, як правило, добре прогнозували лише один з них, наприклад місце розташування опадів.
Кращі з сучасних методів прогнозування використовують комп’ютерне моделювання фізики атмосфери. Вони можуть дізнатися, що станеться в довгостроковій перспективі, але справляються гірше з оперативним прогнозуванням, розрахованим на найближчі години.
Як працює нова модель
Команда DeepMind навчила модель на базі штучного інтелекту на радіолокаційних даних. Протягом дня багато країн випускають знімки радіолокаційних вимірювань, які відстежують формування і рух хмар. Наприклад, у Великобританії це відбувається кожні п’ять хвилин.
Разом ці знімки надають покадрове відео, що показує, як опади рухаються по країні. Подібні візуальні прогнози зазвичай показують по телевізору.
Дослідники помістили ці дані в глибоку генеративну мережу, подібну GAN — моделі на базі штучного інтелекту, що генерує нові зразки даних, схожі з тими, на яких вона була навчена. Такі мережі зазвичай використовуються для створення фейкових облич. DGMR навчилася створювати фейкові знімки радара, що продовжують послідовність реальних вимірів.
Порівняння DGMR і двох конкурентних методів в прогнозуванні зливи над східною частиною США у квітні 2019 року.
Щоб перевірити цей підхід, команда попросила 56 метеорологів Met Office сліпим методом оцінити прогнози DGMR в порівнянні з тими, що видають фізичні симуляції та конкурентний інструмент глибокого навчання. 89% з них заявили, що DGMR показала кращі результати.
Співпраця DeepMind з Met Office — відмінний приклад розробки штучного інтелекту з урахуванням інтересів кінцевого користувача. Команда працювала над проєктом кілька років, і відгуки метеорологів допомогли сформувати кінцевий результат.
«Наша модель розвивалася б по-іншому, ніж якби ми працювали поодинці, — розповів науковий співробітник DeepMind Суман Равурі. — В іншому випадку модель могла б виявитися не особливо корисною».
БІЛЬШЕ ЦІКАВОГО:
- Ластівки низько літають — буде дощ. Або чи варто довіряти прогнозу погоди?
- Спрайти, джети та ельфи — які бувають висотні блискавки та чим вони відрізняються?
- Чи дійсно блискавка являється таким небезпечним фізичним явищем?
Джерело: MITTechnologyReview