Ο Kerry Ploughright είχε τα πόδια του ψηλά και έβλεπε τηλεόραση ένα βράδυ στα τέλη του περασμένου έτους, όταν το τηλέφωνό του προειδοποίησε για επερχόμενο χαλάζι.
«Έμεινα έκπληκτος καθώς έβγαινα από την πόρτα γιατί ακούστηκε ακριβώς αυτό το βρυχηθμό», λέει, περιγράφοντας τον ήχο από χαλάζι που χτυπούν τις στέγες στην πόλη Kingscliff της Νέας Νότιας Ουαλίας. Είχε αρκετό χρόνο για να μετακινήσει τα αυτοκίνητά του κάτω από καμβά, προστατεύοντάς τα από ζημιές.
Ο Ploughright δεν είναι ο μόνος με ελάχιστες προειδοποιήσεις για τα έντονα καιρικά φαινόμενα κατά τη διάρκεια του φαινομενικά αδυσώπητου καλοκαιριού των ακραίων φαινομένων της Αυστραλίας. Ένας δεύτερος τροπικός κυκλώνας θα μπορούσε να χτυπήσει το Κουίνσλαντ αυτή τη σεζόν.
Σχετίζεται με: Οι προβλέψεις κυκλώνων που υποστηρίζονται από την τεχνητή νοημοσύνη επιτρέπουν την προγενέστερη παρακολούθηση
Η αλβανική κυβέρνηση ξεκίνησε έρευνα σχετικά με προειδοποιήσεις από το Γραφείο Μετεωρολογίας και τις αρχές έκτακτης ανάγκης, αφού τα συμβούλια και άλλοι κατήγγειλαν ότι ορισμένες προειδοποιήσεις δεν ήταν ακριβείς και έγκαιρες.
Αλλά η περίπτωση του Plowright είναι ελαφρώς διαφορετική – η προειδοποίησή του για χαλάζι προκλήθηκε από δεδομένα που δημιουργήθηκαν από τη δική του εταιρεία, Early Warning Network.
Το Δίκτυο Έγκαιρης Προειδοποίησης αναλύει δεδομένα από ραντάρ και απομακρυσμένους αισθητήρες για να ανιχνεύσει και να εκδώσει προειδοποιήσεις για υπερβολική ζέστη, βροχοπτώσεις και πλημμύρες. Στους πελάτες του περιλαμβάνονται δήμοι και μεγάλες ασφαλιστικές εταιρείες.
Οι ιδιωτικές εταιρείες προσφέρουν εδώ και καιρό υπηρεσίες βασισμένες σε δεδομένα από την BoM ή οργανισμούς όπως το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Προγνώσεων Καιρού (ECMWF). Αλλά το Δίκτυο Έγκαιρης Προειδοποίησης αρχίζει να δοκιμάζει μοντέλα τεχνητής νοημοσύνης που υπόσχονται να κάνουν πολύ περισσότερες πληροφορίες για τον καιρό διαθέσιμες γρήγορα και φθηνά.
«Πρέπει να πληρώσεις έναν κουβά για αυτό [ECMWF] δεδομένα», λέει ο Ploughright. «Δεν χρειαζόμαστε πλέον έναν υπερυπολογιστή για να παράγουμε μια πρόβλεψη που είναι εξαιρετικά ακριβής για έως και δέκα ημέρες, ειδικά σε ακραίες καιρικές συνθήκες».
Η τεχνητή νοημοσύνη «θα είναι απολύτως εκπληκτική όσον αφορά τον καιρό και τελικά το κλίμα μόλις φτάσει εκεί», προβλέπει.
Πώς η τεχνητή νοημοσύνη μπορεί να μας βοηθήσει να προετοιμαστούμε για ακραίες καιρικές συνθήκες
Η Juliette Murphy, μηχανικός υδάτινων πόρων, είναι εξίσου ενθουσιώδης. Ίδρυσε το FloodMapp για να δώσει στις κοινότητες περισσότερο χρόνο για προετοιμασία μετά την παρακολούθηση καταστροφικών πλημμυρών στην περιοχή Lockyer του Κουίνσλαντ το 2011 και στην καναδική πόλη Κάλγκαρι δύο χρόνια αργότερα.
Το FloodMapp χρησιμοποιεί μηχανές που μαθαίνουν από κάθε εκτέλεση μοντέλου, καθώς και παραδοσιακά υδρολογικά και υδραυλικά μοντέλα που βασίζονται στη φυσική. Ακόμη και σχετικά απλοί υπολογιστές μπορούν να χτενίσουν γρήγορα «πραγματικά μεγάλα σύνολα δεδομένων» για να εντοπίσουν πιθανές επιπτώσεις μιας πλημμύρας, λέει.
Οι πελάτες τους περιλαμβάνουν τις υπηρεσίες πυροσβεστικής και διάσωσης του Κουίνσλαντ. Τα αποτελέσματα συμπληρώνουν τον λογαριασμό των υλικών και βοηθούν τις αρχές να αποφασίσουν ποια σπίτια πρέπει να εκκενωθούν και ποιοι δρόμοι πρέπει να κλείσουν. «Αυτό είναι σημαντικό κυρίως επειδή σχεδόν οι μισοί θάνατοι από πλημμύρες αφορούν ανθρώπους σε αυτοκίνητα», λέει ο Murphy.
Σχετίζεται με: Οι προειδοποιήσεις για πλημμύρες οδήγησαν σε εκκενώσεις στο NT καθώς το Κουίνσλαντ προετοιμάζεται για τον επικείμενο κυκλώνα
Ένας εκπρόσωπος της BoM λέει ότι το γραφείο έχει «εμπλακεί προληπτικά και με σιγουριά με τις δυνατότητες τεχνητής νοημοσύνης για αρκετά χρόνια».
«Αυτός ο τομέας έρευνας είναι μια από τις πολλές πρωτοβουλίες που επιδιώκει ενεργά το γραφείο για τη βελτίωση των υπηρεσιών του προς την κυβέρνηση, τους εταίρους διαχείρισης έκτακτης ανάγκης και την κοινότητα», λέει.
Ο Justin Freeman, ένας επιστήμονας υπολογιστών, ηγήθηκε της ερευνητικής ομάδας της BoM που επικεντρώθηκε στη μηχανική μάθηση πριν εγκαταλείψει την εταιρεία στα τέλη του 2022 για να ξεκινήσει τη δική του εταιρεία, Flowershift.
Το Flowershift δημιουργεί ένα γεωχωρικό μοντέλο που εκπαιδεύεται σε υπάρχοντα δεδομένα παρατήρησης. «Θα καλύπταμε κενά στα τρέχοντα προϊόντα προβλέψεων», λέει ο Freeman, όπως η παροχή προβλέψεων σε απομακρυσμένες περιοχές της Αυστραλίας ή πέρα από αυτήν.
«Υπάρχει πολύ μεγαλύτερη ευελιξία για να εξερευνήσετε πράγματα [outside BoM] και χρησιμοποιήστε τεχνολογία που είναι πολύ νέα», λέει ο Freeman, ο οποίος εξακολουθεί να κάνει συμβάσεις για το γραφείο. «Έχουμε μια εντελώς νέα κατηγορία μοντέλων που είναι εντελώς διαφορετικά από οτιδήποτε άλλο [the bureau had] λειτουργεί εδώ και 50 χρόνια».
Υπάρχουν πολλές πιθανές χρήσεις για μοντέλα που μπορούν να αναλύουν οικονομικά δεδομένα και στη συνέχεια να παρέχουν τοπικές πληροφορίες. Για παράδειγμα, οι αγρότες θα μπορούσαν να ρωτήσουν: «Πρέπει να ψεκάσω τις καλλιέργειές μου αυτή την εβδομάδα;» και να μάθουν γιατί ή γιατί όχι, λέει ο Freeman.
«Δεν ήταν πολύ καιρό πριν που είχαμε πρόσβαση σε κάτι σαν το ChatGPT», λέει. «Κοιτάξτε άλλα δύο ή πέντε χρόνια στο μέλλον – απλώς θα επιταχύνεται και θα γίνεται όλο και καλύτερο».
Τα όρια της AI
Ωστόσο, ορισμένοι ερευνητές της BoM και του κλίματος προειδοποιούν για το πόσο τα μοντέλα που βασίζονται σε AI, όπως το GraphCast της Google ή το FourCastNet της Nvidia, μπορούν να βελτιώσουν τα αριθμητικά μοντέλα που παρέχουν μια σειρά πιθανοτήτων.
Σχετίζεται με: «Πολύ τρομακτικό»: Η υπόσχεση του Mark Zuckerberg να δημιουργήσει προηγμένους ειδικούς συναγερμών AI
«Για «απλές» μετεωρολογικές προβλέψεις και για τη μείωση των δεδομένων φυσικών μοντέλων, νομίζω [there’s] τεράστιες δυνατότητες», λέει ένας επιστήμονας γραφείου. «Για να μας προειδοποιήσω για πραγματικούς κινδύνους εάν η ατμόσφαιρα γίνει βίαιη, θα ήμουν πολύ προσεκτικός.
«Και με την κλιματική αλλαγή, πρέπει να κατανοήσουμε καλύτερα πράγματα που είναι πολύ έξω από τον κανόνα».
Η Sanaa Hobeichi, μεταδιδακτορική ερευνήτρια στο ARC Center of Excellence for Climate Extremes, λέει ότι παρά τους περιορισμούς, εξακολουθούν να υπάρχουν οφέλη.
Τα υπάρχοντα κλιματικά μοντέλα παρέχουν συνήθως μόνο «χονδρικές» αναλύσεις, όπως η εκτίμηση των αλλαγών βροχοπτώσεων σε περιοχές 150 km επί 150 km. Στο Σίδνεϊ, για παράδειγμα, ένα μοντέλο αυτού του μεγέθους θα απαθανάτιζε την πόλη, τα βουνά και πολλά άλλα και επομένως θα ήταν περιορισμένης χρήσης.
Το μοντέλο πρόβλεψης GraphCast της Google έχει ανάλυση έως και 28 km x 28 km, ενώ ο Hobeichi λέει ότι ορισμένα AI μπορούν να μοντελοποιήσουν μόνο 5 km x 5 km.
Μια πρόκληση, ωστόσο, είναι ότι οι τεχνικές μηχανικής μάθησης κληρονομούν και ενδεχομένως προεκτείνουν τις ατέλειες των παραδοσιακών μοντέλων στα οποία εκπαιδεύονται.
Ο Jyoteeshkumar Reddy Papari, ένας μεταδιδακτορικός ερευνητής του CSIRO, σημειώνει ότι το ECMWF ήταν αρχικά σκεπτικό σχετικά με την τεχνητή νοημοσύνη, αλλά πρόσφατα κυκλοφόρησε το δικό του πειραματικό μοντέλο. Εμφανίζει επίσης πολλά άλλα στον ιστότοπό του, συμπεριλαμβανομένου του Google.
«Οι χώρες που δεν έχουν καλούς μετεωρολογικούς οργανισμούς βασίζονται σε αυτά τα μοντέλα μηχανικής μάθησης επειδή είναι εξαιρετικά εύκολο να τα μάθεις και είναι διαθέσιμα στο κοινό», λέει. «Ορισμένες από τις αφρικανικές χώρες χρησιμοποιούν αυτές τις προβλέψεις».
Οι ερευνητές της Google υποστήριξαν πέρυσι ότι το GraphCast “υπερέχει σημαντικά τα πιο ακριβή” λειτουργικά συστήματα στο 90% των 1.380 στόχων. Τροπικοί κυκλώνες, ατμοσφαιρικά ποτάμια και ακραίες θερμοκρασίες ήταν προβλέψεις που ήταν καλύτερες από τα παραδοσιακά μοντέλα και συνεχίζουν να γίνονται βελτιώσεις.
Σχετίζεται με: Η τεχνητή νοημοσύνη θα επηρεάσει το 40% των θέσεων εργασίας και πιθανότατα θα επιδεινώσει την ανισότητα, λέει ο επικεφαλής του ΔΝΤ
«Ένα συγκεκριμένο παράδειγμα που αναφέρουμε συχνά ήταν ο τυφώνας Lee, γιατί ήταν η πρώτη φορά που παρατηρήσαμε σε πραγματικό χρόνο πώς η GraphCast προέβλεψε μια τροχιά τυφώνα που αρχικά ήταν διαφορετική από τα παραδοσιακά συστήματα και τελικά αποδείχθηκε ότι ήταν η σωστή τροχιά», είπε. είπε ο Alvaro Sanchez-Gonzalez, ερευνητής του Goggle.
«Εντοπίστηκε σε πραγματικό χρόνο και αυτό ήταν όλο επιβεβαιώθηκε από ανεξάρτητες πηγές.»
Η τρέχουσα παρακολούθηση του πιθανού κυκλώνα Coral Sea – ο οποίος θα ονομαστεί Kirrily εάν σχηματιστεί όπως αναμένεται μέχρι τη Δευτέρα – θα παρακολουθείται επίσης για να δούμε πώς συγκρίνονται τα μοντέλα.
Ο Matthew Chantry, συντονιστής μηχανικής μάθησης στο ECMWF, λέει ότι τα μοντέλα AI είναι «μια πολύ συναρπαστική δυνατότητα ως συνοδευτικό σύστημα της παραδοσιακής πρόβλεψης», αν και το τελευταίο διατηρεί ορισμένα πλεονεκτήματα.
«Οι εκτιμήσεις για την ένταση του τροπικού κυκλώνα είναι ένα καλό παράδειγμα», λέει. «Είναι ένα ανοιχτό ερώτημα εάν αυτές οι ελλείψεις θα επιμείνουν καθώς η τεχνολογία ωριμάζει – είναι ακόμη στα σπάργανα».
Οι αρχές ενεργούν με βάση πιθανότητες που υπολογίζονται από παραδοσιακά μοντέλα, αλλά αυτό απαιτεί έναν πολύ μεγάλο υπερυπολογιστή. «Με τις προβλέψεις AI, αυτό μειώνεται δραστικά. Ορισμένες εκτιμήσεις υποδηλώνουν μείωση κατά 1.000 φορές στην ενέργεια που απαιτείται για την παραγωγή μιας πρόβλεψης. Ως εκ τούτου, τα φθηνότερα συστήματα θα μπορούσαν να αποτελέσουν δύναμη για την ισότητα.
«Αυτά τα μειωμένα κόστη θα μπορούσαν επίσης να επενδυθούν σε μεγαλύτερα σύνολα, πράγμα που σημαίνει ότι έχουμε καλύτερη ιδέα για απίθανα αλλά ακραία γεγονότα που θα μπορούσαν να συμβούν».
Όσο για την πρόβλεψη των επιπτώσεων ενός πλανήτη που θερμαίνεται;
«Το πρόβλημα είναι πολύ πιο δύσκολο από την πρόβλεψη του καιρού, επειδή υπάρχουν λιγότερα δεδομένα», λέει ο Chantry. «Ωστόσο, σε ένα μεταβαλλόμενο κλίμα όπου τα στοιχεία δείχνουν αύξηση των ακραίων γεγονότων, οποιαδήποτε βοήθεια στην πρόβλεψη αυτών των γεγονότων είναι σημαντική».