Tradiční modely vs. AI: Kde se liší?

Tradiční metody předpovědí počasí, jako je model Evropského centra pro střednědobé předpovědi počasí (ECMWF), jsou založeny na komplexních fyzikálních modelech atmosféry. Tyto modely jsou vysoce přesné, protože přímo zohledňují fyzikální zákony a empirická data. Aby se však vypořádaly s chaotickou povahou atmosféry, využívají ensemble forecasting – tedy opakované simulace za mírně odlišných počátečních podmínek. To umožňuje modelům odhadnout míru nejistoty výsledků.

AI modely, na druhou stranu, mají potenciál poskytnout rychlejší a levnější řešení. Nevýhodou však je, že jsou závislé na tréninkových datech a ne vždy dokážou dobře předpovídat extrémní situace. DeepMind se tomuto problému postavil čelem a vytvořil systém, který spojuje výhody tradičních přístupů s moderními technikami AI.

Jak funguje GenCast?

GenCast využívá difuzní modely, které se běžně používají v generativních AI systémech, například při generování obrazů nebo textů. Princip je jednoduchý: systém se učí obnovovat původní data z jejich „zarušené“ verze. V případě předpovědí počasí je cílem rekonstruovat realistická data atmosféry z náhodných vstupních dat.

Zdroj: Shutterstock

Tento přístup umožňuje GenCastu provádět předpovědi ve 12hodinových krocích, přičemž kombinuje skutečná data o aktuálním stavu atmosféry s dřívějšími předpověďmi. Díky této metodě systém nejenže generuje přesnější výsledky, ale také udržuje vysoké rozlišení – 0,2 stupně na čtverec, což je lepší než u ECMWF.

Další výhodou GenCastu je jeho schopnost rychle vytvářet ensemble předpovědi. Například simulace na 15 dní může být provedena během pouhých osmi minut na specializovaném hardwaru Googlu. Celý proces – včetně vytvoření ensemble modelu – zabere méně než 20 minut, což je významná úspora oproti tradičním metodám.

Přesnost, která překonává konkurenci

Podle standardních testů přesnosti předpovědí počasí GenCast překonal evropský model ve 97 % případů. A to nejen v běžných podmínkách, ale také při předpovědi extrémních jevů, jako jsou neobvykle vysoké nebo nízké teploty a tlak. V oblasti tropických cyklón dokázal GenCast během prvních čtyř dní poskytovat podstatně přesnější výsledky než ECMWF, přičemž si udržel náskok i po dobu jednoho týdne.

Další zajímavý experiment zahrnoval předpověď produkce větrné energie na základě globální databáze elektráren. GenCast dokázal během prvních dvou dnů poskytnout o 20 % přesnější odhady než tradiční modely a jeho výhoda přetrvávala i v následujících dnech.

GenCast představuje druhý úspěšný pokus o vytvoření hybridního systému, který kombinuje tradiční meteorologické modely s AI. Každý z těchto pokusů přistupuje k problému jinak, což naznačuje, že jejich další kombinace by mohla vést k ještě lepším výsledkům.