مایکروسافت در پیش‌بینی آب و هوا خطوط جدیدی را در دست دارد با آغاز یک ابتکار برای دقیق‌تر کردن پیش‌بینی‌های بلندمدت. آن‌ها مدل‌های هوش مصنوعی توسعه داده‌اند که قادر به پیش‌بینی شرایط آب و هوا تا 30 روز آینده هستند، با هدف ارائه‌ی شرایطی برای برنامه‌ریزی سفر با اطمینان بیشتر می‌باشد.
تیم توسعه آن‌ها توسط ForecastWatch به عنوان دقیق‌ترین ارائه‌دهنده پیش‌بینی هوا در سراسر دنیا تا مارس 2023 شناخته شده است، اما آن‌ها در مقام استراحت بر لورهای خود قرار نگرفته‌اند. از طریق یک ارسال وبلاگ Bing این هفته، مایکروسافت استارت در حال تحقیق و توسعه با ارائه یک مقاله تحقیقی در دانشگاه کورنل می‌باشد. این مطالعه، مدل پیش‌بینی میان‌مدت مایکروسافت را در پیش‌بینی‌ها بهتر از مرکز اروپایی برای پیش‌بینی مدت متوسط هواشناسی اثبات کرده است.
نوآوری پشت سیستم به‌روزشده مایکروسافت در ترکیب معقول و هوشمندانه‌ای از پنج مدل هوش مصنوعی و سه معماری یادگیری عمیق قرار دارد. این ترکیب برای پردازش مجموعه‌های عظیمی از داده‌های هوا گردآوری‌شده برای چند دهه، الگوها را با دقت بالا برای پیش‌بینی روندهای آینده‌ی آب و هوا آشکار می‌کند.
در مقاله، این مدل‌های هوش مصنوعی به عنوان مراکز یکسان به سیستم‌های پیش‌بینی عددی هوا نظیر پیش‌بینی هوا برمبنای عددی (NWP) عمل می‌کنند. آن‌ها از وضعیت فعلی جوی ما که در یک فضای سه بعدی نمایان شده است شروع می‌کنند و آن را به آینده پیش‌بینی می‌کنند، پیش‌بینی‌هایی برای ساعات بعدی ساخته می‌شود.
مدل‌های هوش مصنوعی مایکروسافت دارای یک مزیت اساسی هستند: با بهره‌مندی از فناوری GPU، آن‌ها می‌توانند پیش‌بینی‌های خود را با سرعت بیشتر و در فواصل زمانی بیشتری اجرا کنند. این سرعت می‌تواند دقت پیش‌بینی‌ها را به طور قابل توجهی افزایش دهد.
به گفته‌ی مایکروسافت، این مدل‌های هوش مصنوعی در پیش‌بینی‌های یک هفته برای 4% و در پیش‌بینی‌های چهار هفته برای 17%، پیش‌بیینی‌های خود را در یک مقیاس دما بهتر از معیارهای خطای ارور ECMWF ادامه خواهند داد. آن‌ها قصد دارند این مدل نوآور را در مایکروسافت استارت پیاده‌سازی کنند، از این رو پیش‌بینی‌های آب و هوای فوق العاده قابل اعتمادی برای کاربران ارائه می‌دهند.
نکات مهم دیگر برای در نظر گرفتن هنگام بحث در مورد پیشرفت در پیش‌بینی هوا از طریق هوش مصنوعی مایکروسافت شامل موارد زیر می‌شود:
– چالش‌های رایج NWP: پیش‌بینی هوا برمبنای عددی (NWP) به طور قابل توجهی بر روی سوپرکامپیوترها برای شبیه‌سازی جو با استفاده از مدل‌های مبتنی بر فیزیک وابسته است. با این حال، این مدل‌ها به منابع محاسباتی بسیار زیادی نیاز دارد و می‌تواند توسط رزولوشن‌هایی که به آن‌ها اجازه می‌دهد تا سیستم‌های هواشناسی را شبیه‌سازی کنند محدود شوند. این بر توانایی آن‌ها برای پیش‌بینی دقیق اتفاقات هواشناسی کوچک‌مرزی یا تغییرات اساسی به شدت تأثیر می‌گذارد.
– دستیابی به داده: مدل‌های پیش‌بینی هوایی مبتنی بر هوش مصنوعی، به گونه‌ای که توسط مایکروسافت توسعه یافته‌اند، ممکن است تکنیک‌های داده یاد گیری پیشرفته را در بر بگیرند. این تکنیک‌ها داده‌های مشاهده‌ای را با داده‌های مدل ترکیب می‌کنند تا بهبودی در شرایط اولیه ایجاد شود، که بهبود پیش‌بینی‌های آب و هوا را ممکن می‌سازد.
– تأثیر تغییرات اقلیم: با آغاز تغییرات اقلیمی، الگوهای آب‌وهوایی پرناختر می‌شوند، که به نظر می‌آید پیش‌بینی‌های دقیق آب و هوایی بلندمدت چالشی و حیاتی است. مدل‌های مبتنی بر هوش مصنوعی ممکن است برای سازگاری با این تغییرات آماده‌تر باشند و به طور پتانسیل بیشتری پیش‌بینی دقیق‌تری در یک اقلیم تغییر کننده ارائه دهند.
سؤالات کلیدی و پاسخ‌ها:
– سؤال: چرا هوش مصنوعی مایکروسافت قادر به پیش‌بینی آب و هوا با این دقت است؟
– پاسخ: هوش مصنوعی مایکروسافت از ترکیب چندین مدل هوش مصنوعی و معماری‌های یادگیری عمیقی استفاده می‌کند که مجموعه‌های بسیار زیادی از داده‌ها را پردازش می‌کنند و الگوهایی را که مدل‌های سنتی ممکن است از آن‌ها غافل شوند، شناسایی می‌کنند. استفاده از فناوری GPU این پیش‌بینی‌ها را به سرعت بیشتر و با فراوانی بیشتری امکان‌پذیر می‌سازد.
– سؤال: چطور مقایسه تاثیر هوش مصنوعی مایکروسافت با روش‌های پیش‌بینی هوا سنتی است؟
– پاسخ: هوش مصنوعی مایکروسافت به معیارهای خطای دمایی مرکز اروپایی برای پیش‌بینی‌ها پیشی کرده است، این امر نشان دهنده این است که به طور پتانسیل می‌تواند پیش‌بینی‌های دقیق‌تری، به ویژه برای پیش‌بینی‌های مدت متوسط، ارائه دهد.
چالش‌های کلیدی:
– دسترسی به داده: مدل‌های پیش‌بینی هوا برمبنای هوش مصنوعی به میزان عظیمی از داده‌های هوایی تاریخی نیازمند هستند. دسترسی و کیفیت این داده‌ها برای عملکرد مدل اساسی است.
– نیازمندی‌های محاسباتی: هر چند مدل‌های هوش مصنوعی ممکن است سریع‌تر از روش‌های NWP سنتی اجرا شوند، اما هنوز هزینه محاسباتی معنی‌داری برای آموزش این مدل‌ها وصل است و نیازمند دسترسی به منابع محاسباتی پیشرفته می‌باشند.
– عمومیت: مدل‌های هوش مصنوعی عملکرد خوبی را در شرایط مشابه با داده‌هایی که آموزش داده شده‌اند، دارند. اگر الگوهای آب‌وهوایی به طور قابل توجهی تغییر کنند، ممکن است نیاز به دوباره آموزش مدل‌ها باشد تا دقت آن‌ها حفظ شود.
مزایا:
– قابلیت پیش‌بینی آب و هوا به مدت بیشتر با دقت بیشتر.
– محاسبات سریع ممکنه منجر به به‌روزرسانی‌های پیش‌بینی فراوان‌تر شود.
– مدل‌های هوش مصنوعی ممکنه به دلیل تغییرات آب و هوایی، واکنش‌پذیرتر باشند.
معایب:
– نیاز به قدرت محاسباتی بالا و ظرفیت ذخیره داده بالا.
– احتمال تعصب مدل به دلیل محدودیت‌های داده‌های آموزشی.
– قابلیت اطمینان در طولانی مدت در شرایط تغییرات سریع شرایط اقلیمی هنوز به‌صورت جدی مورد آزمایش قرار نگرفته است.
برای کسانی که به اطلاعات بیشتر در مورد مشارکت مایکروسافت در پیش‌بینی آب و هوا علاقه‌مند هستند، پیوند دامنه اصلی به شرح زیر می‌باشد: Microsoft.
کلیا، پیشرفت مایکروسافت در پیش‌بینی آب و هوا با استفاده از هوش مصنوعی امکان افزودن ارزش قابل توجهی در بخش‌های مختلف از کشاورزی و حمل و نقل تا آمادگی برای بلایای طبیعی را دارد، از طریق امکان‌سنجی پیش‌بینی‌های دقیق‌تر و بلندمدت‌تر درآمده است. با این حال، چالش‌های فنی، داده‌ای و تطبیقی باید در صورت پیوست به فناوری بررسی شوند.
The source of the article is from the blog radiohotmusic.it