Prakiraan cuaca saat ini didasarkan pada model kompleks yang menggabungkan hukum yang mengatur dinamika atmosfer dan lautan, dan model ini dijalankan pada beberapa superkomputer terkuat yang pernah ada. Namun Alphabet (perusahaan induk Google) berhasil memprediksi kondisi cuaca global selama 10 hari ke depan hanya dalam satu menit menggunakan satu mesin seukuran komputer pribadi, berkat kecerdasan buatan yang dikembangkan oleh DeepMind. Itu Google AI memprediksi cuaca dan ini baru saja dimulai.
Pada artikel ini kami akan memberi tahu Anda bagaimana Google AI memprediksi cuaca dan bagaimana teknologi ini berkembang.
Google AI memprediksi cuaca
Anehnya, sistem AI ini mengungguli sebagian besar sistem prediksi cuaca modern di hampir semua aspek. Menariknya, saat ini kecerdasan buatan justru berfungsi sebagai pelengkap kecerdasan manusia, bukan penggantinya.
Pusat Prakiraan Cuaca Jangka Menengah Eropa (ECMWF) memiliki sistem yang sangat canggih yang mengalami peningkatan besar-besaran tahun lalu, sehingga meningkatkan kemampuan prediksinya. Diselenggarakan di fasilitasnya di Bologna, Italia, Ada superkomputer yang dilengkapi dengan sekitar satu juta prosesor (berbeda dengan dua atau empat yang ditemukan di komputer pribadi) dan kekuatan komputasi yang luar biasa sebesar 30 petaflops, setara dengan 30.000 triliun kalkulasi per detik.
Kapasitas komputasi yang sangat besar ini diperlukan untuk salah satu alatnya, Peramalan Resolusi Tinggi (HRES), yang secara akurat memprediksi pola cuaca global jangka menengah, yang dapat memprediksi pola cuaca global jangka menengah. Umumnya berlangsung selama 10 hari, dengan resolusi spasial yang mengesankan yaitu sembilan kilometer. Prediksi ini menjadi dasar prakiraan cuaca yang disampaikan oleh ahli meteorologi di seluruh dunia. Baru-baru ini, GraphCast, sebuah kecerdasan buatan yang dikembangkan oleh Google DeepMind, telah digunakan untuk mengukur kemampuan sistem tangguh ini dalam prediksi cuaca.
Hasil Studi AI
Hasil perbandingan tersebut, yang diterbitkan Selasa di jurnal Science, mengungkapkan bahwa GraphCast mengungguli HRES dalam memprediksi berbagai faktor cuaca. Menurut penelitian, Mesin Google mengungguli ECMWF dalam 90,3% dari 1.380 metrik yang diperiksa.
Ketika hanya berfokus pada troposfer, lapisan atmosfer tempat sebagian besar peristiwa cuaca terjadi, dan tidak termasuk data dari stratosfer, yang berjarak sekitar 6 hingga 8 kilometer di atas permukaan bumi, kecerdasan buatan (A.I.) ) mengungguli superkomputer yang diawasi manusia dalam 99,7% dari kasus. variabel yang dianalisis. Anehnya, pencapaian tersebut diraih dengan menggunakan mesin yang sangat mirip dengan komputer pribadi yang dikenal sebagai unit pemrosesan tensor atau TPU.
Menurut Álvaro Sánchez González, peneliti di Google DeepMind, TPU adalah perangkat keras khusus yang menawarkan pelatihan dan eksekusi perangkat lunak kecerdasan buatan yang lebih efisien dibandingkan dengan PC biasa, dengan tetap mempertahankan ukuran yang sama. Sama seperti kartu grafis komputer yang berfokus pada rendering gambar, TPU dirancang untuk unggul dalam produk matriks. Untuk pelatihan GraphCast, kami menggunakan 32 TPU selama beberapa minggu. Namun, setelah pelatihan selesai, satu TPU dapat menghasilkan prediksi dalam waktu kurang dari satu menit, seperti yang dijelaskan oleh Sánchez González, salah satu pencipta perangkat tersebut.
GraphCast dan sistem prediksi
Perbedaan penting antara GraphCast dan sistem prediksi yang ada adalah kemampuannya untuk menggabungkan data historis. Pembuatnya melatih sistem menggunakan data meteorologi dari arsip ECMWF sejak tahun 1979. Kumpulan data ekstensif ini mencakup curah hujan di Santiago dan topan yang berdampak pada Acapulco selama 40 tahun. Setelah banyak pelatihan, GraphCast memiliki kemampuan luar biasa untuk menghasilkan prediksi cuaca yang akurat.
Ini hanya memerlukan pengetahuan tentang kondisi cuaca enam jam sebelum dan segera sebelum perkiraan cuaca Anda untuk memprediksi cuaca secara akurat enam jam dari sekarang. Prediksi saling bergantung dan setiap perkiraan baru menginformasikan perkiraan sebelumnya. Ferran Alet, salah satu pencipta mesin DeepMind yang mengesankan ini, menjelaskan cara kerja mesin ini: «Jaringan saraf kami mengantisipasi kondisi cuaca enam jam sebelumnya. Untuk meramalkan cuaca dalam 24 jam, kita cukup mengevaluasi model sebanyak empat kali. Alternatifnya, kita dapat melatih model terpisah untuk periode waktu yang berbeda, misalnya satu model untuk enam jam dan satu lagi untuk 24 jam. Namun, “Kami memahami bahwa prinsip-prinsip dasar yang mengatur cuaca tetap konsisten dalam jangka waktu enam jam.”.
Oleh karena itu, jika kita dapat menemukan model 6 jam yang sesuai dan menggunakan prediksinya sendiri sebagai masukan, kita dapat memperkirakan cuaca secara akurat untuk 12 jam ke depan dan mengulangi proses ini setiap enam jam. Menurut Alet, pendekatan ini menyediakan sejumlah besar data untuk satu model, sehingga menghasilkan pelatihan yang lebih efisien.
Hingga saat ini, prakiraan cuaca didasarkan pada prediksi cuaca numerik, yang menggunakan persamaan ilmiah yang dikembangkan sepanjang sejarah untuk memperhitungkan berbagai kompleksitas dinamika atmosfer. Temuan para peneliti menetapkan seperangkat algoritma matematika superkomputer harus dijalankan untuk menghasilkan prediksi untuk beberapa jam, hari, atau minggu ke depan (meskipun keandalan menurun secara signifikan setelah 15 hari). Namun, melaksanakan tugas ini memerlukan superkomputer yang sangat canggih, yang memerlukan biaya besar dan upaya rekayasa ekstensif.
Model AI Google memprediksi cuaca
Yang paling penting adalah sistem ini mereka tidak menggunakan kondisi cuaca hari sebelumnya atau bahkan tahun sebelumnya, meskipun terjadi di tempat dan waktu yang sama.
Sebaliknya, ia mendekati tugas dari sudut yang berbeda, bahkan hampir sebaliknya. Melalui kemampuan pembelajaran mendalam yang canggih, ia menggunakan arsip data cuaca masa lalu yang luas untuk mendapatkan pemahaman komprehensif tentang dinamika sebab-akibat rumit yang menentukan perkembangan iklim bumi.
Menurut José Luis Casado, juru bicara Badan Meteorologi Spanyol (AEMET), data historis tidak diperhitungkan dalam model atmosfer. Casado mengklarifikasi bahwa model ini didasarkan pada observasi yang ada dan prediksi terbaru yang dibuat oleh model itu sendiri. Dengan memahami secara akurat keadaan atmosfer saat ini, kita dapat memperkirakan perkembangannya di masa depan. Berbeda dengan teknik pembelajaran mesin, pendekatan ini tidak menggunakan data historis atau prediksi.
