Google folosește AI și știri vechi pentru a prezice inundațiile fulger

Google și provocarea inundațiilor fulger

Inundațiile fulger sunt printre cele mai periculoase fenomene meteorologice, provocând peste 5.000 de decese anual. Acestea sunt, de asemenea, extrem de greu de prezis din cauza naturii lor scurte și locale. Google, însă, a găsit o soluție inovatoare pentru această problemă prin utilizarea știrilor vechi. Deși există o cantitate semnificativă de date meteorologice, inundațiile fulger nu pot fi măsurate la fel de ușor ca temperatura sau debitul râurilor, ceea ce lasă un gol în datele disponibile pentru modelele de învățare profundă.

Tehnologia din spatele predicțiilor

Pentru a rezolva această problemă, cercetătorii de la Google au utilizat modelul de limbaj Gemini pentru a analiza 5 milioane de articole de știri din întreaga lume. Aceștia au izolat rapoarte despre 2,6 milioane de inundații diferite și au transformat aceste rapoarte într-o serie de timp geo-etichetați, denumită „Groundsource”. Este pentru prima dată când Google folosește modele de limbaj pentru un astfel de proiect, a explicat Gila Loike, manager de produs la Google Research. Datele și cercetările au fost publicate public joi dimineață.

Impactul și limitările modelului

Cu Groundsource ca bază reală, cercetătorii au antrenat un model bazat pe o rețea neuronală de tip Long Short-Term Memory (LSTM) pentru a prelua prognoze meteorologice globale și a genera probabilitatea de inundații fulger într-o anumită zonă. Modelul de predicție al inundațiilor fulger de la Google evidențiază acum riscurile pentru zonele urbane din 150 de țări pe platforma Flood Hub a companiei și își împărtășește datele cu agențiile de răspuns la urgențe din întreaga lume. António José Beleza, un oficial de răspuns la urgențe din Comunitatea de Dezvoltare a Africii de Sud, care a testat modelul de predicție cu Google, a declarat că acesta a ajutat organizația sa să răspundă mai rapid la inundații.

Viitorul predicțiilor meteorologice

Există încă limitări ale modelului. De exemplu, acesta are o rezoluție destul de scăzută, identificând riscul pe suprafețe de 20 de kilometri pătrați. De asemenea, nu este la fel de precis ca sistemul de alertă pentru inundații al Serviciului Național de Meteorologie din SUA, în parte deoarece modelul Google nu include date radar locale, care permit urmărirea în timp real a precipitațiilor. Totuși, proiectul a fost conceput pentru a funcționa în locuri unde guvernele locale nu își pot permite să investească în infrastructură meteorologică costisitoare sau nu au înregistrări extinse de date meteorologice.

«Pentru că 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. «Ne permite să extrapolăm către alte regiuni unde nu există atât de multe informații.» Rothenberg a spus că echipa speră ca utilizarea modelelor de limbaj mari pentru a dezvolta seturi de date cantitative din surse scrise, calitative, ar putea fi aplicată și în eforturile de a construi seturi de date despre alte fenomene efemere, dar importante de prezis, cum ar fi valurile de căldură și alunecările de teren.

Marshall Moutenot, CEO-ul Upstream Tech, o companie care folosește modele similare de învățare profundă pentru a prezice debitele râurilor pentru clienți precum companiile de hidroenergie, a declarat că contribuția Google face parte dintr-un efort în creștere de a aduna date pentru modelele de prognoză meteorologică bazate pe învățare profundă. Moutenot a co-fondat dynamical.org, un grup care cură o colecție de date meteorologice pregătite pentru învățarea automată pentru cercetători și startup-uri. «Lipsa de date este una dintre cele mai dificile provocări în geofizică», a spus Moutenot. «Simultan, există prea multe date despre Pământ, iar atunci când vrei să evaluezi adevărul, nu sunt suficiente. Aceasta a fost o abordare cu adevărat creativă pentru a obține acele date.»