Az időjárás-előrejelzésben van egy különösen nehéz sáv: amikor már nem a holnapi esőről, de még nem is az évszakos trendekről beszélünk, hanem a következő 2–6 hétről. A Microsoft most erre a problémára hozott egy olyan AI-eszközt, amely nem új modellt épít, hanem a meglévők visszatérő hibáit próbálja kijavítani.

Mi történt

A Microsoft kutatói a Nature-ben publikálták a Probabilistic Bias Correction, röviden PBC nevű módszert, és a szoftvert nyílt forráskódúként is elérhetővé tették. A név elsőre bonyolultnak hangzik, de az ötlet egyszerű: a rendszer gépi tanulással felismeri, hogy egy időjárási modell hol és milyen irányban téved rendszeresen, majd ezeket a torzításokat korrigálja.

Ez azért érdekes, mert a legtöbb időjárási modell — legyen klasszikus, fizikán alapuló vagy újabb, AI-alapú — nagyjából két hét után egyre bizonytalanabbá válik. Ennek egyik oka, hogy a modellek hiányos adatokkal dolgoznak, és bizonyos helyzetekben közelítésekkel töltik ki az üres helyeket. Gondolj rá úgy, mint egy térképre, amelyen néhány utca hiányzik: valahogy akkor is végig kell menni rajta, de a kerülők könnyen hibát visznek az útvonalba. Az ilyen apró, rendszeres eltérések idővel összeadódnak.

A PBC nem akarja lecserélni a nagy időjárási modelleket, hanem ráül ezekre, és utólag finomítja az eredményüket. Egy említett példa szerint akkor is segíthet, amikor a modellek történelmi adatokból indulnak ki, miközben a felmelegedő éghajlat miatt a jelen már nem ugyanaz, mint a múlt átlaga. Ilyenkor a rendszer például kiszúrhatja, ha egy modell rendre túl hideg irányba torzít.

A kutatók eredményei szerint a módszer egy vezető európai, fizikán alapuló előrejelző rendszer csapadékcéljainak 98 százalékánál és hőmérsékleti céljainak 92 százalékánál javított a pontosságon. Az elemzésben az ECMWF új AI-előrejelző rendszerének pontosságát is megduplázta. Külön fontos, hogy a megoldás nem igényel feltétlenül drága GPU-kat, vagyis azokat a nagy teljesítményű chipeket, amelyekre sok modern AI-rendszer épül; CPU-kon is futhat, ami jóval olcsóbb és szélesebb körben elérhető.

Miért fontos

Ez a megközelítés azért lehet hasznos, mert a gyakorlatban nem minden meteorológiai szolgálat tud szuperszámítógépekre vagy komoly AI-infrastruktúrára támaszkodni. Ha egy könnyebb, olcsóbban futtatható réteg javítani tud a meglévő modelleken, az a fejlettebb és a szűkebb erőforrásokkal dolgozó szervezeteknek is értékes lehet. A hétköznapi felhasználónak ez nem azt jelenti, hogy hirtelen tökéletes lesz az egy hónapos előrejelzés, hanem inkább azt, hogy a mezőgazdaság, a katasztrófavédelem vagy az árvízi felkészülés valamivel megbízhatóbb középtávú jelzéseket kaphat.

Mire figyelj

  1. Az igazi kérdés most az, hogyan működik majd a módszer éles üzemben, nem csak kutatási környezetben. Az ilyen rendszereknél a laboreredmény és a napi működés között gyakran nagy a különbség.
  1. Érdemes követni, mennyire terjed el a kisebb vagy kevesebb erőforrással rendelkező meteorológiai szolgálatoknál. A The Verge által idézett megszólalók egyik fő állítása épp az, hogy a PBC könnyű, olcsó és helyi viszonyokra is jól hangolható lehet.
  1. Az is fontos lesz, hogy szélsőséges időjárási helyzeteknél mennyit javít a rendszer. A középtávú előrejelzés értéke sokszor nem a „szép idő lesz-e hétvégén” kérdésben, hanem abban mutatkozik meg, hogy hamarabb és biztosabban lehet-e reagálni egy komolyabb esőzésre, hőhullámra vagy más veszélyhelyzetre.