Google Folosește Articole Vechi și Inteligența Artificială pentru a Prezice Inundațiile Fulger
Inundațiile fulger sunt printre cele mai mortale evenimente meteorologice din lume, ucigând peste 5.000 de oameni în fiecare an. De asemenea, sunt printre cele mai dificil de prezis. Dar Google crede că a rezolvat această problemă într-un mod neașteptat – citind știrile.
În timp ce oamenii au adunat o mulțime de date meteorologice, inundațiile fulger sunt prea scurte și localizate pentru a fi măsurate în mod cuprinzător, așa cum sunt monitorizate în timp temperatura sau chiar debitele râurilor. Această lacună de date înseamnă că modelele de învățare profundă, care sunt din ce în ce mai capabile să previzioneze vremea, nu pot prezice inundațiile fulger.
Pentru a rezolva această problemă, cercetătorii Google au folosit Gemini – modelul lingvistic mare al Google – pentru a sorta 5 milioane de articole de presă din întreaga lume, izolând rapoarte despre 2,6 milioane de inundații diferite și transformând aceste rapoarte într-o serie temporală geo-etichetată, numită „Groundsource”. Este prima dată când compania a folosit modele lingvistice pentru acest tip de activitate, potrivit lui Gila Loike, manager de produs la Google Research. Cercetarea și setul de date au fost împărtășite public joi dimineața.
Cu Groundsource ca bază reală, cercetătorii au antrenat un model construit pe o rețea neuronală Long Short-Term Memory (LSTM) pentru a ingera prognozele meteorologice globale și a genera probabilitatea de inundații fulger într-o anumită zonă.
Modelul de prognoză a inundațiilor fulger al Google evidențiază acum riscurile pentru zonele urbane din 150 de țări pe platforma Flood Hub a companiei și împărtășește datele sale cu agențiile de răspuns la urgențe din întreaga lume. António José Beleza, un oficial de răspuns la urgențe de la Comunitatea de Dezvoltare a Africii Australe, care a testat modelul de prognoză cu Google, a declarat că a ajutat organizația sa să răspundă mai rapid la inundații.
Există încă limitări ale modelului. În primul rând, are o rezoluție destul de scăzută, identificând riscul pe zone de 20 de kilometri pătrați. Și nu este la fel de precis ca sistemul de alertă de inundații al Serviciului Național de Meteorologie din SUA, parțial pentru că modelul Google nu încorporează datele radar locale, ceea ce permite urmărirea în timp real a precipitațiilor.
O parte a scopului, totuși, este că proiectul a fost conceput pentru a funcționa în locuri în care guvernele locale nu își pot permite să investească în infrastructura scumpă de detectare a vremii sau nu au înregistrări extinse ale datelor meteorologice.
„Deoarece agregăm milioane de rapoarte, setul de date Groundsource ajută de fapt la reechilibrarea hărții”, a declarat Juliet Rothenberg, manager de program în echipa de Reziliență a Google, reporterilor în această săptămână. „Ne permite să extrapolăm în alte regiuni unde nu există atât de multe informații.”
Rothenberg a spus că echipa speră că folosirea LLM-urilor pentru a dezvolta seturi de date cantitative din surse scrise, calitative, ar putea fi aplicată eforturilor de construire a seturilor de date despre alte fenomene efemere, dar importante de prognozat, cum ar fi valurile de căldură și alunecările de noroi.
Marshall Moutenot, CEO-ul Upstream Tech, o companie care folosește modele similare de învățare profundă pentru a prognoza debitele râurilor pentru clienți precum companiile hidroenergetice, a declarat că contribuția Google face parte dintr-un efort tot mai mare de a asambla date pentru modelele de prognoză meteo bazate pe învățare profundă. Moutenot a co-fondat dynamical.org , un grup care organizează o colecție de date meteorologice pregătite pentru învățarea automată pentru cercetători și startup-uri.
„Raritatea datelor este una dintre cele mai dificile provocări din geofizică”, a spus Moutenot. „În același timp, există prea multe date despre Pământ, iar apoi, când vrei să evaluezi față de adevăr, nu sunt suficiente. Aceasta a fost o abordare foarte creativă pentru a obține acele date.”