Google’ın yapay zeka araştırma laboratuvarı DeepMind, hava durumu tahmini alanında devrim yaratabilecek yeni bir yapay zeka modeli olan GenCast‘ı tanıttı. Şirket, GenCast’ın mevcut fizik tabanlı simülasyon modellerine kıyasla daha hızlı ve daha doğru tahminler sunduğunu iddia ediyor. Bu gelişme, hava durumu tahminlerinin verimliliğini artırma ve hesaplama maliyetlerini düşürme potansiyeliyle dikkat çekiyor.
GenCast nasıl çalışıyor?
GenCast, Avrupa Orta Vadeli Hava Durumu Tahminleri Merkezi’nin (ECMWF) ERA5 arşivi gibi kapsamlı tarihsel verilerle eğitildi. Bu arşiv, dünya genelindeki farklı irtifalardan sıcaklık, rüzgar hızı ve basınç ölçümlerini içeriyor.
- Eğitim Verileri: Model, 1980-2018 arasındaki verilerle eğitildi.
- Test Süreci: 2019 yılına ait verilerle modelin tahmin performansı test edildi.
DeepMind, GenCast’ın ECMWF’nin endüstri standardı olan ENS tahminlerini 36 saatlik bir süre içinde %99,8 oranında, genel toplamda ise %97,4 oranında geçtiğini belirtti.
Geleneksel modeller ve AI’nin farkı
Hava durumu tahminleri genellikle fizik tabanlı simülasyonlara dayanır. Bu modeller, atmosferdeki fiziksel süreçleri çözmek için yüksek çözünürlüklü veri ve güçlü süper bilgisayarlar gerektirir. Ancak bu yöntemler:
- Aşırı Hesaplama Maliyeti: Yüksek enerji tüketen süper bilgisayarlar gerektirir.
- Yavaş İşlem Süresi: Sonuçların elde edilmesi zaman alır.
GenCast, bu süreçleri hızlandırmak için AI’yi kullanıyor:
- 50 farklı senaryoyu, sadece 8 dakikada, özel yapım Google Cloud TPU v5 çipleri üzerinde işliyor.
- Ekvatorda yaklaşık 28 kilometrekarelik bir çözünürlük sunuyor.
DeepMind araştırmacısı Ilan Price, AI modellerinin daha yüksek çözünürlük elde etme gerekliliğini ortadan kaldırarak, daha az veriyle daha doğru sonuçlar üretebileceğini belirtti.
AI’nin avantajları ve sınırlamaları
GenCast’ın sunduğu avantajlar:
- Hızlı Tahminler: Daha kısa sürede daha fazla tahmin üretebilir.
- Düşük Maliyet: Daha az enerji tüketir ve hesaplama maliyetlerini düşürür.
- Erken Uyarı: Hava koşullarındaki aşırılıkları önceden tespit edebilir.
Ancak uzmanlar, yapay zeka modellerinin tamamen bağımsız çalışamayacağını vurguluyor. Manchester Üniversitesi’nden David Schultz, AI’nin mevcut fizik tabanlı modellerin verilerine bağımlı olduğunu belirtti:
❝ Sayısal hava durumu tahmini modelleri olmadan, bu AI araçlarını geliştirmek mümkün olmazdı. ❞
GenCast’ın performansı ve gelecek potansiyeli
DeepMind, GenCast’ın geliştirilmesinde, daha önce 5 dakikalık radar verileriyle kısa süreli yağış tahmini yapan modellerden edindiği deneyimi kullandı. Yeni model, ENS tahminlerine göre daha düşük çözünürlükte çalışsa da doğruluğunu koruyarak hesaplama verimliliğini artırdı.
Reading Üniversitesi’nden Kieran Hunt, topluluk tahminlerinin AI modellerine entegrasyonuyla hava tahminlerinin daha doğru hale geleceğini belirtti. Hunt, İngiltere’de 2022’de yaşanan rekor sıcaklık örneğiyle, topluluk tahminlerinin anormal hava koşullarını önceden tespit etmedeki önemini vurguladı.
Eleştiriler ve geliştirme ihtiyaçları
ABD Ulusal Okyanus ve Atmosfer İdaresi’nden (NOAA) Sergey Frolov, AI’nin daha yüksek çözünürlüklü eğitim verilerine ihtiyaç duyduğunu söyledi. Frolov, “Daha yüksek doğruluklu fizik tabanlı modellerle üretilmiş eğitim verilerine ihtiyaç var” diyerek, veri kalitesinin önemine dikkat çekti.
DeepMind’ın GenCast modeli, hava durumu tahminlerinde önemli bir adım olarak görülüyor. AI’nin hava tahmininde sunduğu hız ve maliyet avantajları, gelecekte daha verimli ve erişilebilir tahmin modellerinin geliştirilmesine olanak tanıyabilir. Ancak AI modellerinin fizik tabanlı sistemlere bağımlılığı, bu alandaki inovasyonların tamamen dönüşümsel olamayabileceğini gösteriyor.
