Google z najlepszą pogodynką na świecie. Może już ją masz

To przełom nie tylko dla naukowców

Nowe narzędzie generuje prognozy 8 razy szybciej niż poprzednie generacje, przy jednoczesnym osiągnięciu rozdzielczości do jednej godziny. Nowa technologia znajduje zastosowanie w wielu krytycznych decyzjach — od zarządzania globalnymi łańcuchami dostaw i trasami lotów po planowanie codziennych dojazdów.

WeatherNext 2 jest już dostępny w platformach takich jak Google Earth Engine i BigQuery, a także będzie odpowiadać za prognozy pogody w Wyszukiwarce Google, Gemini, Pixel Weather i Google Maps Platform's Weather API. Słowem, we wszystkich rozwiązaniach pogodowych, ze standardową aplikacją pogodową dla telefonów Google Pixel włącznie.

Wszystko dzięki osiągnięciom w dziedzinie uczenia maszynowego

Model osiąga wyższość nad poprzednim systemem WeatherNext na 99,9 procent zmiennych (temperaturą, wiatrem, wilgotnością) i czasami wyprzedzenia (od 0 do 15 dni), umożliwiając bardziej przydatne i dokładne prognozy. Ulepszona wydajność wynika z nowego podejścia modelowania AI zwanego Functional Generative Network (FGN), które wstrzykuje „szum" bezpośrednio do architektury modelu, zapewniając, że generowane prognozy pozostają fizycznie realistyczne i wzajemnie powiązane.

Każda prognoza zajmuje mniej niż minutę na jednym TPU, co stanowi dramatyczne przyspieszenie w porównaniu z godzinami obliczeniowymi na superkomputerach wykorzystujących modele oparte na fizyce.

Nowe podejście do „marginals” i „joints” kluczem do sukcesu Google'a

Szczególnie ważna jest zdolność WeatherNext 2 do prognozowania zarówno „marginals", jak i „joints". Marginals to pojedyncze elementy pogody — precyzyjna temperatura w określonej lokalizacji, prędkość wiatru na określonej wysokości czy wilgotność. Innowacyjnym aspektem podejścia jest fakt, że model trenuje się wyłącznie na tych marginalach, jednak z tego treningu uczy się umiejętnie prognozować „joints" — duże, złożone, wzajemnie powiązane systemy, które zależą od tego, jak wszystkie poszczególne elementy się do siebie dopasowują.

Ta zdolność do prognozowania joints jest niezbędna dla najużyteczniejszych przewidywań, takich jak identyfikacja całych regionów dotkniętych upałami czy oczekiwana moc wyjściowa farmy wiatrowej.