- GenCast ของ Google DeepMind มีความแม่นยำในระดับที่เทียบได้กับระบบพยากรณ์อากาศแบบดั้งเดิม
- จากงานวิจัยล่าสุด เมื่อทดสอบด้วยข้อมูลปี 2019 GenCast มีโอกาส 97.2% ที่จะทำได้ดีกว่า ENS ซึ่งเป็นโมเดลพยากรณ์ระดับแนวหน้าของโลก
คุณลักษณะสำคัญของ GenCast
- เป็นโมเดลแมชชีนเลิร์นนิงที่ขับเคลื่อนด้วย AI ซึ่งเรียนรู้จากข้อมูลสภาพอากาศตั้งแต่ปี 1979 ถึง 2018 เพื่อจดจำรูปแบบและคาดการณ์อนาคต
- ขณะที่โมเดลแบบดั้งเดิม (ENS) คำนวณสมการทางฟิสิกส์ที่ซับซ้อน GenCast ใช้แมชชีนเลิร์นนิงเพื่อพยากรณ์ได้อย่างมีประสิทธิภาพมากกว่า
- ใช้วิธีการพยากรณ์แบบ ensemble เพื่อนำเสนอหลายสถานการณ์:
- ตัวอย่าง: ในการคาดการณ์เส้นทางพายุหมุนเขตร้อน สามารถให้คำเตือนได้เร็วขึ้นเฉลี่ย 12 ชั่วโมง
- สามารถคาดการณ์ไต้ฝุ่น สภาพอากาศสุดขั้ว และปริมาณการผลิตไฟฟ้าจากลมได้ล่วงหน้าสูงสุด 15 วัน
ประสิทธิภาพและความคุ้มค่าหลัก
- ประหยัดเวลาและทรัพยากร:
- GenCast ใช้ Google Cloud TPU v5 เพื่อสร้างพยากรณ์ล่วงหน้า 15 วันภายใน 8 นาที
- โมเดลแบบดั้งเดิม ENS ใช้เวลาหลายชั่วโมงในการสร้างพยากรณ์เดียวกัน
- ลดต้นทุนการคำนวณด้วยการข้ามสมการฟิสิกส์
- ความแตกต่างของความละเอียด:
- GenCast ทำงานที่ความละเอียด 0.25 องศา (ละติจูดและลองจิจูด)
- ENS ในปี 2019 ทำงานที่ความละเอียด 0.2 องศา และปัจจุบันปรับปรุงเป็น 0.1 องศาแล้ว
- แม้จะมีความแตกต่างด้านความละเอียด GenCast ก็ยังแสดงผลงานได้โดดเด่น
การอยู่ร่วมกันของ AI และโมเดลแบบดั้งเดิม
- GenCast ให้ผลพยากรณ์ทุก 12 ชั่วโมง ซึ่งแตกต่างจากโมเดลแบบดั้งเดิมที่ให้ข้อมูลในช่วงเวลาที่สั้นกว่า
- DeepMind มุ่งเน้นการใช้ GenCast ควบคู่กับโมเดลแบบดั้งเดิม เพื่อสร้างความน่าเชื่อถือและความมั่นใจ
- GenCast อาจสร้างผลกระทบที่เป็นรูปธรรมในฐานะเครื่องมือใหม่สำหรับนักวิจัยด้านอุตุนิยมวิทยาและผู้ปฏิบัติงานด้านการพยากรณ์
ข้อจำกัดที่อาจมีของโมเดล AI
- การเปรียบเทียบประสิทธิภาพระหว่าง ENS กับ GenCast ในปัจจุบันยังเทียบกันได้ไม่สมบูรณ์ เพราะ GenCast ถูกทดสอบโดยอิงข้อมูล ENS ของปี 2019
- ยังต้องมีการปรับปรุงเพิ่มเติม เช่น การขยายไปสู่ความละเอียดที่สูงขึ้น หรือการให้ช่วงพยากรณ์ที่สั้นลง
- ชุมชนอุตุนิยมวิทยายังคงตั้งคำถามว่าโมเดลที่ขับเคลื่อนด้วย AI จะเชื่อถือได้เทียบเท่าโมเดลที่อิงฟิสิกส์หรือไม่
โอเพนซอร์สและแนวโน้มในอนาคต
- DeepMind เปิดเผย โค้ดโอเพนซอร์ส ของ GenCast เพื่อให้นักวิจัยและผู้ปฏิบัติงานจำนวนมากขึ้นเข้าถึงได้
- คาดว่าโมเดล AI จะไม่เข้ามาแทนที่โมเดลแบบดั้งเดิม แต่จะช่วยเสริมให้การพยากรณ์อากาศแม่นยำและรวดเร็วยิ่งขึ้น
- โมเดลพยากรณ์อากาศด้วย AI ชี้ให้เห็นถึงความเป็นไปได้ในการพลิกโฉมวิธีใช้ข้อมูลอุตุนิยมวิทยา เพื่อมุ่งสู่ผลกระทบทางสังคมที่ดียิ่งขึ้น
ยังไม่มีความคิดเห็น