WeatherNext: ШІ від DeepMind точніше прогнозує циклони

Модель WeatherNext від DeepMind передбачає траєкторію тропічних циклонів точніше, ніж фізичні суперкомп'ютерні системи прогнозу. Вона робить це швидше і на звичайному обладнанні, а не на машині розміром із серверний зал.

Різниця тут не косметична. Класичний прогноз погоди — це чисельне розв'язання рівнянь руху атмосфери: береш поточний стан, ділиш планету на сітку клітинок і покроково рахуєш, що буде далі. Це точно, але дорого — години обчислень на найпотужніших машинах світу. WeatherNext працює інакше: замість того щоб розв'язувати фізику, вона навчилася на десятиліттях архівних спостережень бачити, які атмосферні картинки в що перетворюються. Приблизно так само, як досвідчений синоптик по одному погляду на карту тиску здогадується, куди піде фронт — тільки машина «бачила» мільйони таких карт.

Чому це важливо саме для циклонів

Циклон — це найдорожча помилка в прогнозуванні. Похибка в сто кілометрів на траєкторії означає, що евакуювали не те місто. WeatherNext видає не одну лінію, а ансамбль сценаріїв — розкид можливих шляхів із ймовірностями. Для служб цивільного захисту саме цей розкид і є робочим інструментом: він показує, де ризик реальний, а де можна зачекати.

Україна тропічних ураганів не бачить, але має свій набір швидких загроз: середземноморські циклони, що приходять на Захід і Південь, зимові шторми на Чорному морі, весняні паводки на Дністрі й Тисі та підняття води під час нагінних вітрів в Одеській області. Механіка та сама — потрібно за кілька годин наперед знати, куди рухається система і скільки води вона принесе.

Чи потягне це Укргідрометцентр

Технічно бар'єр нижчий, ніж здається. WeatherNext не вимагає власного суперкомп'ютера — модель уже навчена, і прогноз рахується на порядки дешевше. Гідрометцентру не треба будувати обчислювальний кластер; треба вміти брати вихідні дані моделі, зіставляти з локальними спостереженнями річкових постів і датчиків рівня та перекладати це в конкретні попередження по конкретних населених пунктах.

Ось де вузьке місце. Глобальна модель показує атмосферу, але не знає, що дамба під Дністром тримає рівно стільки-то, а в одному селі підтоплює вже за сорок сантиметрів вище норми. Такі речі — це локальні дані й локальна калібровка, які ніяка глобальна нейромережа не замінить. ШІ дає більше часу на рішення; рішення все одно ухвалює людина, яка знає місцевість.

Що з цього має медіа

Для редакцій зміна проста і відчутна. Замість того щоб переказувати вчорашнє попередження ДСНС, можна працювати з імовірнісним прогнозом: не «очікується шторм», а «за поточними даними підтоплення в цих районах імовірне з такою-то ймовірністю до завтрашнього вечора». Це чесніший спосіб говорити з читачем — він бачить не пророцтво, а ступінь ризику, і може сам вирішити, чи прибирати машину з набережної.

Небезпека дзеркальна. Модель, яка помиляється рідко, породжує довіру, і одна гучна помилка коштує дорожче за десять справджених прогнозів. Тому редакція, що бере ансамбль сценаріїв, зобов'язана показувати й розкид, а не витягувати з нього найстрашнішу лінію заради заголовка.

WeatherNext не робить синоптиків непотрібними. Він забирає в них години машинного часу і віддає ці години на попередження людей — а це саме той ресурс, якого під час паводку завжди бракує.