Microsoft представила алгоритм коррекции ошибок для точного прогнозирования погоды
Исследователи Microsoft разработали новый метод машинного обучения, способный значительно повысить точность прогнозирования погоды на срок от двух до шести недель. В отличие от тяжелых физико-математических моделей или сложных генеративных сетей, данный инструмент работает на обычных процессорах и позволяет корректировать системные ошибки существующих моделей, что делает его доступным для метеорологических служб с ограниченными ресурсами по всему миру.
# Microsoft представила алгоритм коррекции ошибок для точного прогнозирования погоды
Прогнозирование погоды — задача, которая традиционно сталкивается с фундаментальным барьером. Общепринятая физическая модель и даже современные алгоритмы на основе искусственного интеллекта теряют свою надежность, если попытаться предсказать погоду за пределами двухнедельного горизонта. Однако исследователи из Microsoft Research New England утверждают, что нашли решение этой проблемы.
Новый инструмент, названный Probabilistic Bias Correction (PBC), или вероятностная коррекция предвзятости, был опубликован в уважаемом научном журнале Nature. Главная особенность разработки заключается в ее доступности: в отличие от полноценных физических моделей, требующих суперкомпьютеров, или крупных AI-моделей, зависящих от мощных графических процессоров, PBC способен работать на обычных центрах обработки данных с использованием только центральных процессоров (CPU).
Как работает метод коррекции предвзятости
Суть проблемы кроется в том, как модели заполняют пробелы в данных. Физические модели пытаются смоделировать сложную физику атмосферы, а AI-модели ищут паттерны в исторических записях. Оба подхода вынуждены использовать приближения, когда данных недостаточно — например, в регионах со скудными метеостанциями или при анализе сложных атмосферных явлений.
Со временем эти упрощения превращаются в систематическую предвзятость. Модель может неосознанно опираться на исторические данные, которые уже не отражают реальности. Классический пример: модель, обученная на записях из прошлого, может предполагать холоднее температуры, учитывая, что климат меняется под воздействием выбросов парниковых газов.
Инструмент PBC использует машинное обучение не для создания нового прогноза, а для обнаружения этой предвзятости в существующих моделях и её исправления. Как отмечает старший главный исследователь Лестер Маккей, это позволяет значительно улучшить точность, сохраняя при этом эффективность использования ресурсов.
В ходе исследования эффективность метода была проверена на данных ведущей физико-математической модели от Европейского центра среднесрочных прогнозов погоды (ECMWF). Результаты показали впечатляющую точность: PBC улучшил прогнозы для 98% целей, связанных с осадками, и 92% целей, касающихся температурных показателей. Кроме того, точность новой AI-прогностической системы ECMWF, также применяющей этот метод, удвоилась.
Простое объяснение терминов
Для неспециалистов важно понимать разницу между подходами. Физико-математическое моделирование — это попытка создать компьютерную симуляцию реальности, опираясь на уравнения физики атмосферы. Это ресурсоемко и требует огромных вычислительных мощностей. Машинное обучение (ML) в данном контексте — это не «черный ящик», который заменяет физику, а вспомогательный инструмент, который анализирует ошибки существующих симуляций и учит их исправлять, подобно репетитору, который корректирует действия ученика.
Доступность для всех стран
Одним из главных преимуществ технологии является ее демократичность. Разработка требует значительно меньше вычислительной инфраструктуры, чем создание новых полноценных моделей с нуля. Это открывает возможности для метеорологических служб в развивающихся странах, где доступ к суперкомпьютерам часто отсутствует.
Авторы исследования подчеркивают, что их инструмент достаточно «легкий» для обучения и настройки. Исследовательница Дженивье Фласпохлер, работающая в организации Rhiza Research над внедрением таких решений в Кении, заявила, что отсутствие огромных ресурсов не должно быть препятствием для улучшения локальных прогнозов.
На практике это может означать спасение жизней. В настоящее время ПАО Rhiza сотрудничает с Кенийской метеорологической службой, используя подобные технологии для повышения точности раннего предупреждения о засухе и наводнениях в период экстремального Эль-Ниньо. Улучшение прогнозов на несколько недель вперед дает фермерам и спасательным службам критически важное время для планирования действий.
От теории к практике
Исследование не является результатом работы в одиночку. Оно стало победой в конкурсе «AI Weather Quest», организованном самим ECMWF, что говорит о высоком признании методологии научным сообществом. Однако, как отмечает руководитель отдела машинного обучения в ECMWF Мэтью Чантри, переход от теоретических идей к операционным процессам в реальном мире остается сложной задачей. Тем не менее, открытость кода (open-source) позволяет сообществу активно тестировать и развивать этот инструмент.
Сейчас Microsoft продолжает развивать направления использования искусственного интеллекта для климатологии, присоединяясь к усилиям таких гигантов индустрии, как Google и Nvidia. Но этот новый подход, возможно, будет наиболее важен именно для локальных метеорологических служб, которые нуждаются в быстрых и точных решениях без колоссальных капитальных затрат.
Для обычного человека этот прогресс означает только одно: в ближайшие два-шесть недель мы сможем с большей уверенностью знать, будет ли завтра дождь, и планировать свои дела с учетом надежных данных.