Σε μια οθόνη, στα κεντρικά γραφεία του Ευρωπαϊκού Κέντρου Προγνώσεων Καιρού Μεσαίου Εύρους (ECMWF) στο Ρέντινγκ της Αγγλίας, μια παρτίδα ανεπιτήδευτων εικονοστοιχείων εμφανίζεται κατά μήκος ενός χάρτη των Ηνωμένων Πολιτειών. Στην αρχή κίτρινα, μετά πράσινα ή μπλε, σχεδιάζουν σχήμα γυρίνου καθώς περνούν πάνω από τις νότιες πολιτείες του Τέξας και της Λουιζιάνας.

Σύμφωνα με δημοσίευμα της βρετανικής Telegraph, αυτά τα πίξελ αντιπροσωπεύουν τον τυφώνα Μπέριλ, που πρόσφατα έπληξε τον Νότο των ΗΠΑ – και μια σημαντική ανακάλυψη στην πρόγνωση του καιρού, που προσέφερε στην ομάδα δημιουργίας του προγράμματος το το βραβείο ΜακΡόμπερτ –γνωστό ως «βραβείο Νομπέλ της μηχανικής»– την ίδια ημέρα που χτύπησε ο Μπέριλ.

Ο τυφώνας Μπέριλ είναι ένα από τα δεκάδες ακραία καιρικά φαινόμενα που έχουν προβλεφθεί με ακρίβεια από το GraphCast, ένα σύστημα πρόγνωσης καιρού που αναπτύχθηκε από την κορυφαία εταιρεία ΤΝ της Βρετανίας, Google DeepMind. Το πρόγραμμα ξεπερνά τις επιδόσεις του συστήματος υψηλότερης ανάλυσης (HRES) –το τρέχον χρυσό πρότυπο στην πρόγνωση του καιρού– με περισσότερο από 90% στις προβλέψεις ακρίβειας.

Τα μέλη της ομάδας πίσω από το GraphCast, με επικεφαλής τον επιστήμονα Ρέμι Λαμ, περιγράφηκαν ως «ήρωες» από τον επικεφαλής κριτή, καθηγητή σερ Ρίτσαρντ Φρεντ, όταν τους απονεμήθηκε το βραβείο ΜακΡόμπερτ την περασμένη εβδομάδα. Το βραβείο διεκδικούσαν το πανεπιστήμιο της Οξφόρδης και η AstraZeneca, για τον ταχύ σχεδιασμό των εμβολίων κατά της πανδημίας, που έσωσαν έξι εκατομμύρια ζωές.

Είναι ξεκάθαρο γιατί το επίτευγμα της DeepMind θεωρείται το πιο «ηρωικό» από τα δύο. Καθώς τα ακραία καιρικά φαινόμενα γίνονται όλο και πιο συνηθισμένα παγκοσμίως, οι μετεωρολόγοι βρίσκονται σε μάχη με τον χρόνο για να αναπτύξουν λογισμικά που μπορούν να προβλέψουν με ακρίβεια καταστροφές πριν συμβούν – και να βοηθήσουν τις κυβερνήσεις να απομακρύνουν ανθρώπους από καιρικά επικίνδυνες ζώνες.

Αλλες γνωστές εταιρείες τεχνολογίας, όπως η Nvidia και η Huawei, έχουν επίσης σχεδιάσει τα δικά τους μοντέλα, αλλά το GraphCast θεωρείται ως το πιο προηγμένο. Η πρόβλεψη του καιρού έχει να κάνει με το «φαινόμενο της πεταλούδας – πόσο μικρά πράγματα στην αρχική κατάσταση που παρατηρούμε, μπορούν να μεγαλώσουν και να κάνουν τον καιρό απρόβλεπτο για μεγαλύτερα χρονικά διαστήματα», εξηγεί ο Λαμ στην Telegraph.

Οι παραδοσιακές μέθοδοι περιλαμβάνουν «φυσικά μοντέλα» – πολύπλοκες μαθηματικές εξισώσεις, που εκτελούνται πρώτα από ανθρώπους και αργότερα, όπως σήμερα, από υπερυπολογιστές μεγέθους λεωφορείου. Το GraphCast, από την άλλη, μπορεί να εκτελεστεί σε φορητό υπολογιστή και να παράγει μια πρόγνωση καιρού μέσα σε λίγα λεπτά της ώρας.

Το μοντέλο του προγράμματος λειτουργεί κάνοντας μια πρόβλεψη με βάση τα δεδομένα που έχουν συλλεχθεί από προηγούμενα καιρικά φαινόμενα της τελευταίας δεκαετίας, και εφαρμόζοντάς τα σε εκατομμύρια σημεία πλέγματος σε όλη τη Γη, χωρίς την εμπλοκή των μαθηματικών. Το λειτουργικό αναμένεται να λειτουργήσει δοκιμαστικά στο Ρέντινγκ, υπό την επίβλεψη του ECMWF, καθώς και άλλων ειδικών από όλο τον πλανήτη.

Η DeepMind έχει χτίσει το πρόγραμμα με λειτουργικό μοντέλο ανοιχτού κώδικα, ώστε να επιτρέψει σε κυβερνητικούς οργανισμούς μετεωρολογίας και σε άλλες εταιρείες να το χρησιμοποιούν όπως θέλουν, και να το αναπτύξουν για τους δικούς τους σκοπούς – και για τη δημιουργία πιο ακριβών μέτρων αντιμετώπισης της υπερθέρμανσης του πλανήτη.

Την πρώτη φορά που το GraphCast χρησιμοποιήθηκε στο ECMWF, για να προβλέψει τις κινήσεις του τυφώνα Λι στα ανατολικά των Ηνωμένων Πολιτειών τον Σεπτέμβριο του περασμένου έτους, τα μέλη της ομάδας που το δημιούργησε δεν πίστευαν στα μάτια τους. Η «μηχανική μάθηση» –η τεχνική ΤΝ πίσω από τη δημιουργία του GraphCast– είναι μια πολύ πιο άμεση και αναλυτική μέθοδος πρόγνωσης του καιρού.

Λιγότερο από έναν χρόνο μετά την έναρξη μεσοπρόθεσμης πρόγνωσης καιρικών συνθηκών του νέου εργαλείου της DeepMind, η ομάδα κατάλαβε τις τεράστιες δυνατότητές του. Μέχρι το 2023, όταν και εμφανίστηκε ο τυφώνας Λι, το μοντέλο ήταν σε θέση να προβλέψει ακριβώς πού θα κατέληγε το καιρικό φαινόμενο στη στεριά.

Σε μια εποχή όπου όλοι μας έχουμε πρόσβαση σε προβλέψεις καιρού όλο το εικοσιτετράωρο στα κινητά μας, είναι εύκολο να ξεχάσουμε πόσο δύσκολη είναι η μετεωρολογία. Οι άνθρωποι προσπαθούν να προβλέψουν τον καιρό για περισσότερα από 2.000 χρόνια – από το 300 π.Χ., όταν φιλόσοφοι στην αρχαία Ελλάδα, την Κίνα και την Ινδία επινόησαν τους δικούς τους τρόπους για να παρακολουθούν τα μοτίβα των νεφών, και να προβλέπουν πώς μπορεί να επηρεάσουν τον καιρό.

Τα τελευταία χρόνια, υπήρξε μια έκρηξη στη χρήση της «μηχανικής μάθησης» της Τεχνητής Νοημοσύνης για την πρόβλεψη του καιρού, μετά από χρόνια στασιμότητας στις δυνατότητες της συμβατικής πρόβλεψης. Οι κρατικές υπηρεσίες βρίσκονται αντιμέτωπες με αδιέξοδα, καθώς δεν μπορούν πια να κατασκευάσουν υπερυπολογιστές αρκετά μεγάλους ώστε να εκτελούν όλους τους υπολογισμούς που απαιτούνται για την ακριβέστερη εκτέλεση των προβλέψεων.

Παράλληλα, τα συμβατικά μοντέλα πρόγνωσης είναι πανάκριβα. Τα μοντέλα εκμάθησης, απ’ την άλλη, είναι πολύ φθηνότερα και, με την τεράστια πρόοδο της ΤΝ, παρέχουν τη δυνατότητα λειτουργίας σε προσωπικούς υπολογιστές. Μπορεί να μην καταστεί ποτέ απολύτως δυνατό να προβλέψουμε με ακρίβεια τον καιρό, αλλά τα νέα συστήματα μηχανικής μάθησης αυτοβελτιώνονται – και, μαζί τους, βελτιώνονται και οι πιθανότητες πιο ακριβών προβλέψεων.

Ακολουθήστε το Protagon στο Google News