پیش‌بینی‌های هواشناسی با کمک هوش مصنوعی وارد عصر تازه‌ای شد

لازم به ذکر است که اپلیکیشن MSN Weather مایکروسافت هم‌اکنون از داده‌های این مدل در پیش‌بینی‌های خود بهره می‌گیرد.
 

در حالی‌که سامانه‌های پیش‌بینی سنتی بر پایهٔ حل معادلات پیچیدهٔ ریاضی و فیزیکی کار می‌کنند، Aurora مسیر دیگری را در پیش گرفته است. این مدل نه با شبیه‌سازی فیزیکی بلکه با تحلیل داده‌های کلان و استفاده از الگوهای یادگیری ماشین، شرایط جوی را پیش‌بینی می‌کند.
 
برای نمونه، در  ژوئیه ۲۰۲۳، مسیر طوفان دوکسوری به‌درستی از سوی پیش‌بینی‌های رسمی شناسایی نشد و هنگامی که این طوفان به فیلیپین رسید، هشدار کافی وجود نداشت.

در نتیجه، ده‌ها نفر در سیلاب‌ها، رانش زمین و سوانح جان خود را از دست دادند. اما Aurora در یک سناریوی آزمایشی موفق شد مسیر این طوفان را با داده‌هایی که چهار روز قبل جمع‌آوری شده بود، به‌درستی پیش‌بینی کند.
 
پژوهشگران مسیرهای پیش‌بینی‌شده توسط هفت مرکز اصلی هواشناسی را برای طوفان‌های سال‌های ۲۰۲۲ و ۲۰۲۳ بررسی کردند. نتایج نشان داد که پیش‌بینی‌های Aurora برای طوفان‌های اقیانوس اطلس شمالی و اقیانوس آرام شرقی، در بازهٔ زمانی ۲ تا ۵ روز قبل از وقوع، بین ۲۰ تا ۲۵ درصد دقیق‌تر از سامانه‌های رسمی بوده است.
 
مگان استنلی، پژوهشگر یادگیری ماشین در مایکروسافت کمبریج و یکی از نویسندگان این مقاله، می‌گوید: «پیش‌بینی دقیق مسیر طوفان‌ها تا پنج روز قبل از وقوع، دستاوردی بی‌سابقه است.» وی می‌افزاید: «همه می‌دانند که آگاهی حتی یک روز زودتر از وقوع طوفان می‌تواند جان انسان‌های زیادی را نجات دهد.»
 

Aurora از نوع مدل‌های «پایه» (foundation model) در هوش مصنوعی به‌شمار می‌رود. این مدل‌ها مانند فارغ‌التحصیلان دبیرستانی هستند که با آموزش تکمیلی می‌توانند در حوزه‌های تخصصی مختلف به‌کار گرفته شوند.

در مورد Aurora، تیم پژوهشی داده‌های جدیدی دربارهٔ مسیر طوفان‌ها، سطح آلودگی هوا و وضعیت امواج اقیانوسی را به مدل آموزش دادند تا عملکرد آن در پیش‌بینی‌های خاص ارتقا یابد.
 
با اینکه سامانه‌های سنتی برای تولید پیش‌بینی‌های دقیق به ابررایانه‌هایی نیاز دارند که ساعت‌ها زمان صرف می‌کنند، اما توسعهٔ Aurora تنها هشت هفته به طول انجامیده و اجرای آن با یک رایانهٔ رومیزی نیز امکان‌پذیر است. به گفتهٔ دوبن، توسعهٔ مدل‌های مبتنی بر فیزیک گاهی دهه‌ها زمان می‌برد.
 
این ویژگی‌ها، پیش‌بینی دقیق آب‌وهوا را در دسترس کشورها و مناطقی قرار می‌دهد که توان مالی یا فنی لازم برای اجرای شبیه‌سازی‌های پیچیده را ندارند. از سوی دیگر، قابلیت تنظیم مجدد (fine-tuning) این مدل پایه، امکان به‌کارگیری آن در پیش‌بینی پدیده‌هایی مانند یخ‌زدگی دریاها، سیل، آتش‌سوزی جنگل‌ها و دیگر رخدادهای طبیعی را نیز فراهم می‌کند.