ودرنکست گوگل؛ پیش بینی سریع تر و دقیق تر توفندها

پنج روز پیش از آنکه توفند ملیسا در جامائیکا به خشکی برسد، یک پیش‌بینی واحد از تشدیدی خشن خبر داد: نزدیک شدن یک طوفان رده ۵، در حالی که ملیسا در آن زمان فقط در رده ۱ قرار داشت. هواشناسان اختلاف نظر داشتند. اما مدل تردید نکرد.

آن مدل «ودرنکست» است؛ همکاری مشترکی میان گوگل دیپ‌مایند و گوگل ریسرچ که با مشارکت نهادهای بین‌المللی از جمله مرکز ملی توفند ایالات متحده و اداره هواشناسی بریتانیا ساخته شده است. این سامانه به‌صورت نرم‌افزار متن‌باز عرضه شد و با نزدیک به ۲۰ ترابایت داده جهانی جو، همراه با دهه‌ها رکورد اقلیمی بایگانی‌شده از مخازن بین‌المللی آموزش دید. نتیجه، یک سیستم هوش مصنوعی هواشناسی است که مسیر یک چرخند و قدرت خام آن را به‌عنوان یک معمای واحد و به‌هم‌پیوسته تحلیل می‌کند.

چرا این موضوع اهمیت دارد؟ چون پیش‌بینی مسیر طوفان و پیش‌بینی شدت آن معمولا توسط تیم‌های متفاوت و با مدل‌های جداگانه انجام می‌شود. یک مدل به بادهای مقیاس سیاره‌ای نگاه می‌کند تا مسیر حرکت را ترسیم کند. مدل دیگر روی چشم طوفان زوم می‌کند تا ترمودینامیک و فرایندهای ریزمقیاس را شبیه‌سازی کند. کنار هم گذاشتن این دو بخش، سال‌ها یکی از دشوارترین چالش‌های پیش‌بینی توفند بوده است. ودرنکست این دو را یکپارچه می‌کند.

دستاورد عملی آن فوری و ملموس است. روی سخت‌افزار پردازش عصبی گوگل، یک پیش‌بینی کامل ۱۵ روزه در کمتر از ۶۰ ثانیه تولید می‌شود. چنین سرعتی امکان تولید مجموعه‌های بزرگ پیش‌بینی را فراهم می‌کند؛ نه فقط یک نتیجه قطعی، بلکه صدها یا هزاران آینده محتمل که می‌توان آن‌ها را به نقشه‌های احتمالاتی خطر تبدیل کرد تا مدیران بحران بر اساسشان تصمیم بگیرند.

ودرنکست وعده قطعیت نمی‌دهد. این مدل به‌جای توهم قطعیت، طیفی از احتمالات را ارائه می‌کند. این انتخاب کاملا آگاهانه است. برای مهار اثر پروانه‌ای، یعنی جایی که خطاهای بسیار کوچک اندازه‌گیری به تفاوت‌های بزرگ در پیش‌بینی تبدیل می‌شوند، مدل اکنون برای هر طوفان تا ۱۰۰۰ سناریوی هم‌زمان می‌سازد. این جهشی بزرگ نسبت به مجموعه‌های حدودا ۵۰ سناریویی سال گذشته است و شیوه تفسیر خطر توسط پیش‌بینان را تغییر می‌دهد.

یک روز هشدار قابل اعتمادِ بیشتر مفهومی انتزاعی نیست: زمان لازم برای تخلیه، لجستیک و تصمیم‌های نجات‌بخش را می‌خرد.

آزمایش‌های عملیاتی تصویری روشن ارائه می‌کنند. در جریان ملیسا، زمانی که سامانه‌های متعارف درباره مسیر طوفان اختلاف داشتند، ودرنکست با حدود ۸۰ درصد اطمینان نشان داد که چرخند شدت خواهد گرفت و چند روز پیش از رسیدن به خشکی، جامائیکا را به‌عنوان یک طوفان بزرگ درگیر خواهد کرد. چنین پیش‌بینی زودهنگام و یکپارچه‌ای، عدم قطعیت را به برنامه‌ریزی قابل اجرا تبدیل می‌کند.

در این میان ظرافت‌های فنی مهمی هم وجود دارد. مدل، زمینه دینامیکی در مقیاس جهانی را با عوامل محلی مؤثر بر شدت طوفان ترکیب می‌کند و برای این کار از معماری‌های یادگیری ماشین بهره می‌برد که روی حجم عظیمی از داده‌های تاریخی بهینه شده‌اند. سپس توزیع‌های احتمالاتی مربوط به موقعیت و قدرت طوفان را ارائه می‌دهد و به پیش‌بینان امکان می‌دهد نه فقط حدس بزنند طوفان به کجا می‌رود، بلکه برآورد کنند هنگام رسیدن به آن نقطه تا چه اندازه ویرانگر خواهد بود.

ناشران و داوران علمی نیز به این پژوهش توجه کرده‌اند: این تحقیق در نشریه نیچر منتشر شده و تیم سازنده، کد مدل و وزن‌های آن را در گیت‌هاب متن‌باز کرده است تا خدمات ملی هواشناسی، گروه‌های دانشگاهی و سازمان‌های غیردولتی بتوانند آن را به‌طور مستقل اعتبارسنجی و در عملیات واقعی آزمایش کنند. این شفافیت می‌تواند بهبودها را سرعت ببخشد و تنظیمات ویژه هر منطقه را در جاهایی که داده‌ها و نیازها متفاوت است، تقویت کند.

آیا ودرنکست جایگزین مدل‌های سنتی خواهد شد؟ نه یک‌شبه. پیش‌بینی عددی وضع هوا هنوز ستون اصلی بخش بزرگی از هواشناسی عملیاتی است. اما ترکیب این ستون فقرات با مجموعه‌پیش‌بینی‌های مبتنی بر هوش مصنوعی و سرعت بالا، جریان کار را تغییر می‌دهد. برنامه‌ریزان اضطراری هشدارهای زودتر و دقیق‌تری دریافت می‌کنند. پژوهشگران بستری مشترک برای بررسی نقاط شکست و سوگیری‌ها به دست می‌آورند. جوامع زمان بیشتری خواهند داشت و گاهی همین زمان، تفاوت میان اختلال و فاجعه است.

مخزن کد را دنبال کنید. پیش‌بینی‌ها را زیر نظر داشته باشید. فصل آینده نشان خواهد داد که آیا این ترکیب از مقیاس، سرعت و تفکر احتمالاتی به استاندارد تازه پیش‌بینی چرخندها تبدیل می‌شود یا نه.