Berta Sándor
A mesterséges intelligencia javít az időjárás-előrejelzésen
A technológia kezd meghatározó szerepet betölteni a területen.
Az elmúlt esztendőkben bebizonyosodott, hogy a szélsőséges időjárási eseményeket, például a heves esőzéseket és a hurrikánokat a mesterséges intelligencia segítségével jobban előre lehet jelezni. Segít a jégesők előrejelzésében, sőt, akár tíz napra pontosan prognosztizálja az időjárást. A technológia a lavinák előrejelzésére is alkalmas és a használatával valósághű klímaszimuláció készül. Most különösen energiahatékony és nagy teljesítményű módszereket mutatott be Dr. Haojin Yang, a Hasso Plattner Intézet kutatója.
A szakember a Müncheni Műszaki Egyetem és a potsdami Német Földtudományi Kutatóközpont munkatársaival közösen a mélytanulás segítségével elemezte Európa mintegy 900 mérési pontjából származó képi adatokat, amelyeket az elmúlt 22 évben műholdak szolgáltattak. "Az elemzett adatok a troposzférából, azaz a légkör legalsó rétegéből származnak, ahol a legtöbb időjárási esemény zajlik" - számolt be a tudós a havonta megrendezett openXchange videokonferencián. A nyilvános eseményre a Hasso Plattner Intézet Clean IT Forum című, a digitális technológiák nagyobb fenntarthatóságát célzó fórumának részeként került sor.
Yang elmondta, hogy a kutatók olyan időjárási adatokat használnak, amelyeket a meteorológiai szolgálatok rendszeresen és rövid időközönként szolgáltatnak a Föld felszínén lévő mérőállomásokból. "Most sikerült egy olyan algoritmust kifejlesztenünk mélytanulás segítségével, amely a korábbi időjárási modellekhez képest jelentősen felgyorsítja a hatalmas adatmennyiségek kiszámítását, miközben óriási energiát takarít meg" - taglalta a szakember, aki a Hasso Plattner Intézet internetes technológiák és rendszerek tanszékének multimédia és gépi tanulás kutatócsoportját vezeti. A tapasztalatok azt mutatták, hogy rendkívül erős szél vagy esőzések esetén az érintett területeken élő lakosságnak korábban és célzottabban lehetne tanácsokat adni, hogy védekezzenek.
A tudós úgynevezett bináris neurális hálózatokat használt a mélytanuláshoz. Ezek 32 bit helyett 1 bites formátumú adatokkal dolgoznak. Ez biztosítja a megfelelő hardver ezerszer alacsonyabb energiafogyasztását. Yang emlékeztetett arra, hogy a gépi tanulásban a mélytanulási modellek képzése eddig is sok energiát vett igénybe. A mesterséges intelligencia energiafogyasztása jelenleg három és fél havonta a kétszeresére nő. A kutató elismerte, hogy az energiatakarékos algoritmusok használata még mindig az eredmények pontosságának csökkenéséhez vezet. "A bináris neurális hálózattal rendelkező BNext technológiánk azonban a kezdeti bevetések során bebizonyította, hogy több mint 80 százalékos pontosságot képes elérni. Ezzel felülmúlja az összes konkurens megközelítést, beleértve a Google PokeBNN-jét is" - emelte ki a szakember.
Az EKAPEx nevű projekt további kutatómunkája most az újszerű időjárás-előrejelzési technológia "személyre szabott optimalizálására" fog összpontosítani. Meg kell találni a pontosság és az energiafogyasztás közötti jó egyensúlyt. A cél az alacsony bites hálózatokban rejlő lehetőségek teljes körű kiaknázása a nyilvánosan hozzáférhető időjárás-előrejelzések számára. A programban a potsdami székhelyű Német Földtudományi Kutatóközpont, a Hasso Plattner Intézet és a Müncheni Műszaki Egyetem is részt vesz. A projektet a német Szövetségi Környezetvédelmi, Természetvédelmi, Építésügyi és Nukleáris Biztonsági Minisztérium finanszírozza és a célja, hogy új, energiahatékony mesterséges intelligencia-algoritmusokat alkalmazzon a szélsőséges időjárási események innovatív előrejelzési módszereihez.
Az elmúlt esztendőkben bebizonyosodott, hogy a szélsőséges időjárási eseményeket, például a heves esőzéseket és a hurrikánokat a mesterséges intelligencia segítségével jobban előre lehet jelezni. Segít a jégesők előrejelzésében, sőt, akár tíz napra pontosan prognosztizálja az időjárást. A technológia a lavinák előrejelzésére is alkalmas és a használatával valósághű klímaszimuláció készül. Most különösen energiahatékony és nagy teljesítményű módszereket mutatott be Dr. Haojin Yang, a Hasso Plattner Intézet kutatója.
A szakember a Müncheni Műszaki Egyetem és a potsdami Német Földtudományi Kutatóközpont munkatársaival közösen a mélytanulás segítségével elemezte Európa mintegy 900 mérési pontjából származó képi adatokat, amelyeket az elmúlt 22 évben műholdak szolgáltattak. "Az elemzett adatok a troposzférából, azaz a légkör legalsó rétegéből származnak, ahol a legtöbb időjárási esemény zajlik" - számolt be a tudós a havonta megrendezett openXchange videokonferencián. A nyilvános eseményre a Hasso Plattner Intézet Clean IT Forum című, a digitális technológiák nagyobb fenntarthatóságát célzó fórumának részeként került sor.
Yang elmondta, hogy a kutatók olyan időjárási adatokat használnak, amelyeket a meteorológiai szolgálatok rendszeresen és rövid időközönként szolgáltatnak a Föld felszínén lévő mérőállomásokból. "Most sikerült egy olyan algoritmust kifejlesztenünk mélytanulás segítségével, amely a korábbi időjárási modellekhez képest jelentősen felgyorsítja a hatalmas adatmennyiségek kiszámítását, miközben óriási energiát takarít meg" - taglalta a szakember, aki a Hasso Plattner Intézet internetes technológiák és rendszerek tanszékének multimédia és gépi tanulás kutatócsoportját vezeti. A tapasztalatok azt mutatták, hogy rendkívül erős szél vagy esőzések esetén az érintett területeken élő lakosságnak korábban és célzottabban lehetne tanácsokat adni, hogy védekezzenek.
A tudós úgynevezett bináris neurális hálózatokat használt a mélytanuláshoz. Ezek 32 bit helyett 1 bites formátumú adatokkal dolgoznak. Ez biztosítja a megfelelő hardver ezerszer alacsonyabb energiafogyasztását. Yang emlékeztetett arra, hogy a gépi tanulásban a mélytanulási modellek képzése eddig is sok energiát vett igénybe. A mesterséges intelligencia energiafogyasztása jelenleg három és fél havonta a kétszeresére nő. A kutató elismerte, hogy az energiatakarékos algoritmusok használata még mindig az eredmények pontosságának csökkenéséhez vezet. "A bináris neurális hálózattal rendelkező BNext technológiánk azonban a kezdeti bevetések során bebizonyította, hogy több mint 80 százalékos pontosságot képes elérni. Ezzel felülmúlja az összes konkurens megközelítést, beleértve a Google PokeBNN-jét is" - emelte ki a szakember.
Az EKAPEx nevű projekt további kutatómunkája most az újszerű időjárás-előrejelzési technológia "személyre szabott optimalizálására" fog összpontosítani. Meg kell találni a pontosság és az energiafogyasztás közötti jó egyensúlyt. A cél az alacsony bites hálózatokban rejlő lehetőségek teljes körű kiaknázása a nyilvánosan hozzáférhető időjárás-előrejelzések számára. A programban a potsdami székhelyű Német Földtudományi Kutatóközpont, a Hasso Plattner Intézet és a Müncheni Műszaki Egyetem is részt vesz. A projektet a német Szövetségi Környezetvédelmi, Természetvédelmi, Építésügyi és Nukleáris Biztonsági Minisztérium finanszírozza és a célja, hogy új, energiahatékony mesterséges intelligencia-algoritmusokat alkalmazzon a szélsőséges időjárási események innovatív előrejelzési módszereihez.