Google je predstavio GenCast, visoko precizni AI model za vremensku prognozu, koji je opisan u časopisu Nature. Ovaj model značajno nadmašuje trenutne najbolje sisteme u prognozama do 25 dana unapred, kao što je ECMWF-ov ENS.
GenCast: revolucionarni AI Model
GenCast je difuzioni model, sličan onima korišćenim za generisanje slika, ali posebno prilagođen geometriji Zemlje. Obučen na četiri decenije istorijskih podataka iz arhiva ECMWF-a, ovaj model je dizajniran da pruži tačnije vremenske prognoze.
Testiranje i preciznost
Google je testirao aplikaciju na istorijskim vremenskim podacima do 2018. godine, kreirajući 1.320 različitih prognoza za 2019. godinu i poredeći ih sa prognozama ECMWF ENS-a i stvarnim vremenom. Rezultati su pokazali da je GenCast bio tačniji od ENS-a u 97,2% slučajeva, dok je preciznost prognoza za periode od 36 sati i duže bila veća od 99,8%.
Praktična primena
GenCast je u jednom primeru predvideo putanju tajfuna Hagibis, koji je pogodio Japan 2019. godine, sa velikom preciznošću. Crvena boja označavala je stvarnu putanju tajfuna, dok je plava predstavljala moguće putanje predviđene AI modelom. Ovakva tačnost omogućava vlastima više vremena za pripremu i reagovanje na ekstremne vremenske prilike.
GenCast kao alat za budućnost
GenCast je model ansambla, što znači da proizvodi više od 50 predviđanja sa različitim verovatnoćama. Jedna 15-dnevna prognoza može se generisati za samo osam minuta na Google Cloud TPU v5, dok tradicionalni modeli vremenske prognoze zahtevaju sate rada na superkompjuteru.
Otvoreni model i saradnja
Google je lansirao aplikaciju kao otvoreni model i planira da nastavi saradnju sa vremenskim agencijama i naučnicima kako bi buduće vremenske prognoze bile još tačnije i pouzdanije. Ovaj otvoreni pristup omogućava istraživačima i profesionalcima iz oblasti meteorologije da koriste GenCast za unapređenje svojih metoda i tehnika prognoziranja.
Uticaj na različite industrije
GenCast ima potencijal da donese značajne promene u različitim industrijama. Na primer, može pomoći vlastima da se bolje pripreme za nepogode, omogućiti preciznije predviđanje brzine vetra za vetroelektrane, kao i vremenskih uslova za solarne farme. Ovo može dovesti do efikasnijeg korišćenja obnovljivih izvora energije i smanjenja gubitaka uzrokovanih nepovoljnim vremenskim uslovima.
