Die alte, physikbasierte Wettervorhersage und sogar neue KI-Modelle werden typischerweise nach zwei Wochen weniger zuverlässig, ein Problem, das Microsoft mit Hilfe von maschinellem Lernen gelöst haben soll.
Forscher der Firma sagen, dass sie eine neue, kosteneffiziente Methode entdeckt haben, um vor zwei bis sechs Wochen genaue Wettervorhersagen zu erhalten – was es Landwirten und Rettungskräften ermöglicht, besser zu planen. Die Ergebnisse waren veröffentlicht heute im Journal Nature, und das Tool ist jetzt Open-Source-Software.
Microsoft schließt sich Google, Nvidia und anderen Unternehmen, die AI-Tools für Wettervorhersage entwickeln an. Anstatt ein neues eigenständiges Wettermodell zu erstellen, nutzt Microsofts neueste Forschung in diesem Bereich maschinelles Lernen, um Vorurteile bestehender Modelle zu korrigieren. Die Forscher hoffen, dass dies eine zugänglichere Methode ist, um Wetterbehörden mit begrenzten Ressourcen die Genauigkeit durch AI zu verbessern.
Es ist eine zugänglichere Methode für Wetterbehörden mit knappen Ressourcen, um die Genauigkeit durch KI zu erhöhen.
Während die physikalisch basierte Modellierung eine Ressourcenintensive Aufgabe ist, die auf Supercomputern läuft, ist die generative KI von mächtigen GPUs abhängig. Lester Mackey, Senior Principal Researcher bei Microsoft Research New England, sagt, dass das neue Tool auch direkt auf CPUs laufen kann. „Ich habe große Hoffnung sowohl für die erhöhte Ressourceneffizienz bei der Wettervorhersage als auch für die verbesserte Zuverlässigkeit der Vorhersagen, besonders bei extremer Wetterlage“, sagt Mackey zu The Verge.
Physikalische und KI-basierte Modelle stoßen ähnliche Probleme auf, wenn sie versuchen, das Wetter zwei Wochen oder länger im Voraus vorherzusagen. Traditionelle Modelle versuchen, die komplexe Physik der Erdatmosphäre zu simulieren, während KI-Modelle Muster in historischen Daten suchen, um Vorhersagen zu machen. In beiden Ansätzen verlassen sich die Modelle auf Annäherungen, um Datenlücken zu füllen – egal ob es sich um Regionen mit spärlichen Wetterstationen oder komplexe atmosphärische Phänomene handelt, die Wissenschaftler noch nicht vollständig verstehen. Die Art und Weise, wie diese Modelle die Lücken im Datenbestand ausfüllen, kann zu einer Art systematischem Bias werden. Die dadurch entstehenden Fehler verstärken sich, wenn weitere Vorhersagen gemacht werden, wodurch die Vorhersagen weniger präzise werden.
Microsoft nennt seine Methode „Probabilistic Bias Correction (PBC)“. Das Tool verwendet maschinelles Lernen, um systematische Voreingenommenheiten in einem Modell zu erkennen und Korrekturen vorzunehmen. Ein Beispiel, das Mackey anführt, ist die Korrektur von Veränderungen im Klima. Die Emissionen von Treibhausgasmolekülen aus fossilen Brennstoffen erhöhen die Temperaturen auf der Erde, aber ein Wettermodell kann Vorhersagen auf der Grundlage historischer Daten machen, die dazu führen können, dass es vorsieht, kältere Temperaturen zu beschreiben, als die Welt heute tatsächlich erlebt.
Die Forscher haben herausgefunden, dass PBC die Genauigkeit des führenden physikalisch basierten Wettermodells des Europäischen Zentrums für mittelfristige Wettervorhersagen (ECMWF) um 98 Prozent bei den Niederschlags- und 92 Prozent bei den Temperaturzielen verbesserte. Das maschinelle Lernmodell verdoppelte außerdem die Genauigkeit des neuen KI-Vorhersagesystems von ECMWF in der Analyse der Studie. Bevor das Paper veröffentlicht wurde, hatte ECMWF bereits die Forschung der Autoren zu PBC im AI Weather Quest-Wettbewerb ausgezeichnet.
Das neue Paper über PBC, das von Forschern von Microsoft, MIT, ECMWF und anderen Institutionen veröffentlicht wurde, „ist ein gutes Beispiel dafür, wie neue Ideen entwickelt werden, um dem Nutzen und der Berücksichtigung der Gemeinschaft zu dienen“, sagte Matthew Chantry, der strategische Leiter für maschinelles Lernen bei ECMWF, in einer E-Mail-Kommentar an The Verge.
„Wie immer ist die Umsetzung von Ideen in die Realität durch einen operativen Prozess ein sehr anspruchsvoller Schritt“, fügte Chantry hinzu.
Die Anforderungen an Rechenleistung und Infrastruktur für Wettervorhersagen haben es viele Behörden in wirtschaftlich entwickelten Ländern oft unmöglich gemacht, technologische Fortschritte zu erreichen. Die Autoren des Artikels glauben jedoch, dass PBC anders sein könnte. „Eines der Dinge, die mich wirklich begeistert, an Modellen wie PBC ist, wie leichtgewichtig sie sind und wie einfach sie zu trainieren sind. So können Wissenschaftler ohne große Ressourcen arbeiten, um diese Modelle zu konfigurieren und sicherzustellen, dass sie in bestimmten Bereichen besser funktionieren“, sagt Genevieve Flaspohler, eine der Autorinnen des Artikels.
Flaspohler arbeitete als Praktikantin bei PBC bei Microsoft zusammen mit Mackey, und jetzt ist sie die Executive Director der gemeinnützigen Organisation Rhiza Research. Diese arbeitet mit der Kenya Meteorological Service Authority – mit Finanzmitteln der Gates Foundation – um herauszufinden, ob KI dabei helfen kann, genauere Frühwarnsysteme an die Menschen zu übermitteln. PBC ist eine der Methoden, die sie vor einer erwarteten extremeren Regenperiode während eines rekordverdächtigen El Niño testen.
Folgen Sie den Themen und Autoren dieser Geschichte**, um mehr ähnliche Inhalte auf Ihrer persönlichen Homepage-Feed zu sehen und E-Mail-Updates zu erhalten.