Umělá inteligence pronikla i do předpovídání počasí. A velmi rychle dokázala i tento obor změnit – v některých druzích předpovědí je totiž už přesnější než klasické modely, které generují superpočítače.
Pokrok ve strojovém učení je globálně jedním z témat roku. Zkoumání generativní umělé inteligence (AI) nabralo na obrátkách a její využití pro psaní domácích úkolů nebo úprava vlastních fotografií patří mezi aktivity, které si už vyzkoušela spousta lidí.
V meteorologii se možnosti AI diskutují už delší dobu. Ještě před pár lety se nezdálo pravděpodobné, že by takové modely mohly výrazněji zasáhnout do vlastního předpovídání, tedy posunout se z výzkumné oblasti do plně operativní praxe. V posledních dvou letech se to ale dramaticky změnilo.
Technologické společnosti, jako jsou NVIDIA, Huawei a Google DeepMind dosáhly od té doby rychlého pokroku v kvalitě předpovědí počasí založených právě na strojovém učení. V současné době se prakticky každých několik měsíců objevují novinky na tomto poli.
Klasická předpoď versus umělá inteligence
Meteorologové ke svým předpovědím tradičně využívají počítačové simulace založené na fyzikálních rovnicích, které popisují atmosféru. I na nejvýkonnějších superpočítačích trvá výpočet budoucího počasí celé hodiny, protože modely musí podrobně analyzovat všechny proměnné, jako jsou proudění, teplota, srážky, tlak, vítr, vlhkost nebo oblačnost. A teprve potom pomocí sofistikovaných metod dospět ke kýžené předpovědi, tedy budoucímu počasí.
Modely předpovědí založené na umělé inteligenci fungují ale podstatně odlišně. Jsou totiž založeny na strojovém učení, při kterém se model pomocí naprogramované neuronové sítě učí vývoj počasí z historie. Při tom je nutné systém takzvaně natrénovat. To se děje na základě historických dat pozorování počasí. Velmi často se přitom vychází z databáze Evropského centra pro střednědobou předpověď počasí (ECMWF), které mimochodem v současnosti poskytuje globálně nejpřesnější předpovědi počasí; Česko je přidruženým členem této organizace.
K trénování se používá zpravidla více dekád pozorovaného počasí. Nespornou výhodou modelů založených na AI je potřeba podstatně mnohem kratšího výpočetního času ve srovnání s klasickými modely. Například systému GraphCast vyvinutému ve společnosti Google DeepMind trvá méně než minutu vytvoření desetidenní předpovědi. A co je nejlepší: tento výpočet může být spuštěn na klasickém počítači. Což je oproti několika hodinám a potřebě superpočítače pro řešení složitého atmosférického modelu zásadní rozdíl.
Podle článků, které výše uvedené společnosti publikují, dosahují tyto modely srovnatelného předpovědního skóre jako klasické předpovědi. Jenže je to opravdu tak jednoduché a skvělé, jak by se na první pohled mohlo zdát?
Chytrý trpaslík stojící na ramenou obra
Zásadní je, že bez klasických předpovědních modelů by modely umělé inteligence nikdy nevznikly. Potřebují je totiž k vytváření trénovacích i ověřovacích dat. Navíc tyto modely i po svém odtrénování spoléhají na výchozí podmínky, tedy počáteční analýzu, přitom vycházející zpravidla z dostupných dat ECMWF. Kvalita předpovědí počasí je mnohem více než jen samotné skóre. Vyvstává tak logická otázka: poskytují modely založené na AI konzistentní a meteorologicky smysluplné předpovědi? Odpověď je složitější.
Záleží totiž na tom, pro co jsou natrénované. Při běžné situaci jsou modely založené na AI podobně dobré, případně s rostoucí dobou předpovědi dokonce i mírně lepší než klasické modely. Jenže soustředění se na toto zlepšení potlačuje schopnost umělé inteligence předpovědět extrémy, které se sice vyskytují málokdy, ale o to důležitější kvalitní předpověď v takové situaci je.
Konkrétní příklad: při předpovědi tropických cyklón jsou AI modely schopné velmi dobře předpovědět dráhu, kudy postupují. Výrazně hůř se ale potýkají s předpovědí větru, který cyklóna přinese. Srovnání ukázala výrazně slabší vítr, navíc s nereálně symetrickým rozložením rychlostí kolem středu cyklóny. To sice nemusí být zásadní problém modelů založených na AI, ale vyplývá z nastavení jejich tréninku. To lze vyřešit například využitím přístupu takzvaného generativního modelování, které by mělo vést k větší schopnosti předpovídat extrémnější počasí, jenže v takovém případě je trénink těchto modelů zase mnohem složitější.
Další omezením AI modelů je neschopnost reprodukovat základní chaotický princip předpovědi počasí, známý také jako „motýlí efekt“. Modely AI tak budí dojem, že předpovědi počasí se meze nekladou.
Navíc můžeme sledovat i jisté „rozmazávání“ předpovědi v nejistých povětrnostních podmínkách. Jinými slovy: umělé inteligence zatím nedokážou určit nejistotu předpovědi počasí, se kterou se klasické modely vyrovnávají počítáním ansámblových předpovědí, a z nich vyplývající pravděpodobnost potenciálně nebezpečného vývoje je zásadní pro přijetí ochranných opatření.
Pokrok ve schopnostech AI modelů se dá hodnotit jako vzrušující okamžik v historii předpovědí počasí. Nepatrné náklady na vytváření předpovědí s těmito modely založenými na AI znamenají, že lze například během krátké doby spočítat stovky možných vývojů počasí.
Současně by bylo možné zaměřit výpočet modelu lépe pro potřeby konkrétního uživatele. Rozhodně tato situace ale neznamená „smrt“ klasických předpovědních modelů, založených na podrobném popisu fyziky atmosféry. Tyto totiž zůstanou klíčovou složkou pro vytváření počátečních podmínek potřebných pro provoz těchto modelů. Jako nadějná ale vypadá hybridní cesta, která by spojovala výhody fyzikálních modelů a modelů založených na AI.
Aby bylo možné pokračovat ve zlepšování prognóz, bude důležité nalézt odpověď na otázku, jaká je optimální rovnováha mezi klasickým modelováním a modely založenými na umělé inteligenci.
Jak přesné jsou tyto modely? Lze si je prohlédnout ZDE.
