تمكنت شركة DeepMind التابعة لشركة Google من تطوير نموذج جديد للتنبؤ بالطقس يسمى GraphCast، والذي يحقق دقة وكفاءة غير مسبوقة مقارنة بالطرق التقليدية للتنبؤ بالطقس.
يعتمد نموذج GraphCast على تقنيات التعلم الآلي، حيث تم تدريبه على قراءات الطقس لمدة 38 عامًا. وقد استطاع النموذج إنشاء ارتباطات بين المتغيرات الجوية المختلفة، مما مكنه من التنبؤ بالطقس بدقة أعلى من النماذج التقليدية.
وقد تفوق نموذج GraphCast على نظام التنبؤ الحالي الذي يستخدمه المركز الأوروبي للتنبؤات الجوية في أكثر من 99٪ من المتغيرات الجوية في 90٪ من مناطق الاختبار.
وإلى جانب دقته العالية، يتميز نموذج GraphCast بكفاءته العالية، حيث يمكن تشغيله على جهاز الكمبيوتر المكتبي، مما يعني أنه يمكن استخدامه في أي مكان ويتطلب طاقة أقل من النماذج التقليدية.
كما يتميز نموذج GraphCast بالسرعة، حيث يمكنه إنتاج توقعات في دقائق بدلاً من ساعات.
التطبيقات المحتملة
يمكن استخدام نموذج GraphCast في العديد من التطبيقات المختلفة، ومنها:
- التنبؤ بالطقس على المدى القصير والطويل المدى: يمكن استخدام نموذج GraphCast لتوفير تنبؤات دقيقة للظروف الجوية على المدى القصير والطويل المدى، مما يمكن استخدامه في تطبيقات مثل التخطيط للرحلات الجوية والنقل والزراعة.
- التنبؤ بالظواهر الجوية القاسية: يمكن استخدام نموذج GraphCast لتحسين التنبؤ بالظواهر الجوية القاسية مثل الأعاصير والفيضانات، مما يمكن استخدامه في تحسين الاستجابة لهذه الظواهر.
- التنبؤ بالتغيرات المناخية: يمكن استخدام نموذج GraphCast لتحسين فهم التغيرات المناخية وتأثيراتها، مما يمكن استخدامه في تطوير سياسات وإجراءات لمعالجة هذه التغيرات.
على الرغم من مزايا نموذج GraphCast، إلا أنه لا يزال يواجه بعض التحديات، ومنها:
- عدم القدرة على تفسير النتائج: يتم إنتاج نتائج نموذج GraphCast في “صندوق أسود”، مما يعني أن الذكاء الاصطناعي لا يمكنه تفسير كيفية اكتشاف الأنماط أو عمله بالضبط، مما قد يحد من استخدامه في بعض التطبيقات.
- الحاجة إلى المزيد من البيانات: تم تدريب نموذج GraphCast على قراءات الطقس لمدة 38 عامًا، ولكن قد يحتاج إلى المزيد من البيانات لتحسين أدائه في المستقبل.
