● news.bsdnet.hu

1970. november 12-én a Bhola-ciklon lecsapott az akkori Kelet-Pakisztán partvidékére. A vihar tartósan 205 km/órás szélsebességet és 10,5 méteres vihardagályt hozott, és becslések szerint 300 000–500 000 ember halálát okozta. A Bhola-ciklon máig a leghalálosabb trópusi vihar a történelemben. Ha azonban egy évtizeddel később csapott volna le, valószínűleg nem lett volna ennyire pusztító. Az időjárás-előrejelzés az 1970-es években jelentősen átalakult, amikor a meteorológusok olyan,  fizikán alapuló számítógépes modelleket kezdtek használni, amelyek javították a viharok előrejelzését. Az AI térnyerésével az előrejelzés ismét fejlődik – de ezúttal a szakértők attól tartanak, hogy az új modellek kevésbé megbízhatóak a példa nélküli időjárási események előrejelzésében. Például a 2021-es északnyugati csendes-óceáni hőhullámot, amely annyira szélsőséges volt, hogy klímaváltozás nélkül gyakorlatilag lehetetlen lett volna. A fizikai modellek képesek szimulálni az ilyen szürke hattyú eseményeket, bár rendkívül ritkának jelölik őket. Ez azért lehetséges, mert a fizika törvényeire épülnek. Az AI-modelleket viszont múltbeli időjárási adatokon tanítják, amelyekben az ilyen események gyakorlatilag nem szerepelnek. „A szürke hattyúkkal megbuknak” – mondtaPedram Hassanzadeh,a Chicagói Egyetem geofizikai tudományok docense. Ő és kollégái tavaly áprilisban publikáltak egy tanulmányt, amelyben eltávolították a 3–5-ös kategóriájú hurrikánokat egy AI-modell tanítóadatbázisából, majd 5-ös kategóriájú viharokon tesztelték. Az eredmények azt mutatták, hogy az AI-modellek nem képesek pontosan előre jelezni korábban nem látott eseményeket, mivel ehhez extrapolációra lenne szükség. „A probléma nem az alkalmi tévedésekben rejlik. Hanem abban, hogy az AI-modellek csendben is hibázhatnak: magabiztosan hétköznapi időjárást jeleznek, miközben egy rekorddöntő esemény zajlik” – nyilatkozta a Kaliforniai Egyetem számítástechnika és mérnöki tudományok docense. „Más kockázatok is fontosak” – tette hozzá. „Az AI-modellek finom módon megsérthetik a megmaradási törvényeket, amit a szokásos mérőszámok nem mutatnak ki. Ha hibáznak, nehezebb megérteni, miért. Stabil megfigyelőrendszerekre támaszkodnak, ami problémás a műholdprogramokra nehezedő jelenlegi nyomás miatt. Intézményi szinten pedig, ha túl gyorsan állunk át AI-ra, és hagyjuk leépülni a fizikán alapuló infrastruktúrát, elveszítjük azt a redundanciát, amely jelenleg kiszűri az AI hibáit.” Ezek ellenére a meteorológusok gyorsan alkalmazzák az AI-modelleket, és ennek oka könnyen érthető. Gyorsabbak, olcsóbbak, és jóval kevesebb számítási infrastruktúrát igényelnek, mint a fizikai modellek. A tipikus időjárási minták és események előrejelzésében (nem a szürke hattyúknál) pontosságuk már most is versenyképes, és gyorsan javul. „A legmodernebb fizikai modellek fejlődési üteme általában évtizedenként körülbelül egy nappal pontosabb előrejelzést jelent, ami nem tűnik soknak, de jelentős” – mondtaAndrew Charlton-Perez,a Readingi Egyetem meteorológia professzora. „A gépi tanulási modellek pontosságának növekedési üteme ezt messze meghaladja” – tette hozzá. „Ma már versenyképesek, míg két-három évvel ezelőtt még nem is voltak egy súlycsoportban.” Például a 2025-ös atlanti hurrikánszezon során a Google DeepMind modellje szinte minden fizikai modellt felülmúlt a viharok pályájának és erősségének előrejelzésében. Valójában 2023 óta a vezető AI-modellek – mint a GraphCast, a Pangu-Weather és az ECMWF AIFS rendszere – a középtávú előrejelzési mutatók tekintetében elérték vagy meghaladták a legjobb fizikai modellek teljesítményét. Az AI-modellek különösen értékesnek bizonyulnak a világ azon részein, ahol hiányoznak a hagyományos előrejelzési erőforrások – ezek gyakran a klímaváltozás frontvonalában álló régiók. Hassanzadeh egy olyan kezdeményezést vezetett, amely 38 millió indiai gazdálkodó számára biztosított AI-alapú monszun-előrejelzéseket, akár négy héttel előre jelezve az esős évszak kezdetét. „Sok ország kimaradt az időjárás-előrejelzés első forradalmából, mert a [hagyományos] előrejelzés szuperszámítógépet, több százmillió dollárt, különböző szakterületeket, munkaerőt és szakértőket igényel” – magyarázta Hassanzadeh. Az AI-modellek ezzel szemben sokkal hozzáférhetőbbek az alacsonyabb jövedelmű országok számára. Ugyanakkor ezeknek a modelleknek a gyors bevezetése a kockázatok kezelése nélkül veszélyes lehet, különösen a klímaváltozás hatásainak leginkább kitett térségekben.Shruti Nath,az Oxfordi Egyetem posztdoktori kutatója nemrég társszerzője volt egy szerkesztőségi cikknek, amely szigorúbb tesztelést sürget az AI-előrejelző modellek széles körű alkalmazása előtt. „Még mindig sok munkára van szükség ahhoz, hogy megértsük ezeknek a modelleknek a korlátait, valamint azt, hogy hol és miért egészíthetik ki a fizikai modelleket” – mondta e-mailben. Nath cikke egy tesztelési keretrendszert vázol fel, amely szándékosan kizárna bizonyos „ikonikus” szélsőséges eseményeket (például a csendes-óceáni északnyugati hőhullámot) a tanítóadatokból. Ezeket kizárólag tesztelésre tartanák fenn, hogy felmérjék a modellek képességét a korábban nem tapasztalt szélsőségek extrapolálására. Az AI Retraining Without Iconic Events (AIRWIE) protokoll tényleges bevezetése „megkövetelné, hogy a meteorológiai közösség megállapodjon abban, mely nagy hatású események számítanak szigorú mércének” – áll a cikkben. Ez jelentős vállalkozás lenne, de Nath szerint a legtöbb kutató egyetért abban, hogy sürgős szükség van ilyen típusú tesztelésre. „Szervezettebbnek kell lennünk abban, hogy megfelelő protokollokat kövessünk, és hogy erős védelmi mechanizmusokat alakítsunk ki és tartsunk fenn közösségi szinten” – mondta Nath. „Ez nehéz, amikor ennyire felfokozott a hype, és senki sem akar kimaradni.” Más kutatók, például Hassanzadeh, olyan módszereken dolgoznak, amelyek segítségével az AI-modellek képesek lehetnek szürke hattyú események előrejelzésére. Ő és kollégái azt vizsgálják, hogy az AI-rendszerek „releváns mintavételi” módszerekkel való kombinálása – amelyek lehetővé teszik ilyen események generálását – javíthatja-e az extrapolációs képességet. Az AI-alapú előrejelzés korlátainak megértése és kezelése kulcsfontosságú lesz, mert visszaút már nincs. Az AI már most átalakítja az időjárás-előrejelzést, és ahogy az éghajlat egyre kiszámíthatatlanabbá válik, a meteorológusoknak minden rendelkezésre álló eszközre szükségük lesz, és ezeknek megbízhatónak kell lenniük. A jelenlegi korlátok ellenére sok nyereség származhat abból, ha tovább fejlesztjük ezeket a rendszereket, és megtaláljuk a módját annak, hogyan integrálhatók legjobban a fizikai modellekkel. „A kutatási cél az, hogy az AI-modellek fizikailag konzisztenssé, jól kalibrálttá és a változó eloszlásokkal szemben ellenállóvá váljanak” – mondta a szakértő. „Ha a szürke hattyú probléma miatt elvetjük ezt az irányt, azzal egy generáció legnagyobb előrelépéséről mondunk le az előrejelzésben.” Forrás:https://gizmodo.com Feliratkozom a hírlevélre! Elfogadom azAdatkezelési tájékoztatót. Sikeresen feliratkozott az ITB TODAY hírlevelünkre.