Η τεχνητή νοημοσύνη στην πρόγνωση του καιρού

Πριν από λίγες ημέρες το επιστημονικό περιοδικό Science δημοσίευσε μελέτη που δείχνει πώς ένα μετεωρολογικό μοντέλο τεχνητής νοημοσύνης που αναπτύχθηκε από την Google DeepMind, το GraphCast, έχει ξεπεράσει σημαντικά τις συμβατικές μεθόδους πρόγνωσης καιρού διάρκειας 10 ημερών. Συγκεκριμένα, στη μελέτη αναφέρεται ότι το GraphCast ξεπέρασε το μοντέλο του ECMWF στο 90% των μετρήσεων βασικών μετεωρολογικών παραμέτρων (θερμοκρασίας, πίεσης, ταχύτητας και κατεύθυνσης ανέμου και υγρασίας) σε διάφορα ατμοσφαιρικά επίπεδα. Στα υπέρ των μοντέλων μηχανικής μάθησης συγκαταλέγονται το ελάχιστο κόστος παραγωγής των προβλέψεων και ο ελάχιστος χρόνος που απαιτείται για το τρέξιμό τους, γεγονός υψίστης σημασίας για τις προγνώσεις πολύ μικρής διάρκειας (nowcasting).

Αναμφίβολα, ζούμε μια συναρπαστική στιγμή στην ιστορία των μετεωρολογικών προβλέψεων, αλλά αυτό δεν σημαίνει το θάνατο της συμβατικής μοντελοποίησης. Τα μοντέλα που έχουν φυσική βάση, όπως το IFS του ECMWF, ήταν το βασικό συστατικό για τη δημιουργία του συνόλου δεδομένων ERA5 και των αρχικών συνθηκών που απαιτούνται για την εκτέλεση των μοντέλων μηχανικής μάθησης. Δεν γνωρίζουμε πώς θα εξελιχθούν τα πράγματα στο μέλλον, αλλά αυτή τη στιγμή η προσπάθεια των ερευνητών του ECMWF εστιάζεται στη χρησιμοποίηση της μηχανικής μάθησης στην επαλήθευση, την ενίσχυση και τη βελτίωση του φυσικού μοντέλου ως μέρος του οδικού χάρτη.

Η τεχνητή νοημοσύνη άρχισε να μπαίνει στη ζωή μας και όλοι είμαστε επιφυλακτικοί για τις συνέπειες σε πολλούς τομείς. Αναφορικά με το μελλοντικό ρόλο των Μετεωρολόγων - Προγνωστών, η εικόνα δεν είναι ξεκάθαρη. Όμως, αυτή είναι η ώρα να αγκαλιάσουμε την τεχνολογία και να καθορίσουμε ποια είναι η βέλτιστη ισορροπία μεταξύ των φυσικών μοντέλων και των μοντέλων της μηχανικής μάθησης για να συνεχίσουμε να βελτιώνουμε τις προβλέψεις.