Οι πιο παλιοί εξ ημών θα θυμόνται σαφώς τις εποχές που η πρόβλεψη του καιρού γινόταν μονάχα για την επόμενη μέρα, αλλά και πάλι με μικρή ακρίβεια. Αν πάμε πιο παλιά, οι άνθρωποι κατέφευγαν σε σοφιστείες, παρατηρήσεις του ουρανού, των πουλιών, αλλά και με μεθόδους που περνούσαν ξεκάθαρα στη σφαίρα του μεταφυσικού. Τις τελευταίες 2-3 δεκαετίες, όμως, τόσο οι μετεωρολογικοί δορυφόροι όσο και η εξέλιξη της τεχνολογίας έχουν επιτρέψει στους επιστήμονες να είναι σε θέση να προβλέψουν με μεγάλη ακρίβεια τον καιρό για τις επόμενες 3-4 μέρες, ενώ και οι πιο μακροπρόθεσμες προβλέψεις είναι αρκετά ακριβείς. Πάντοτε, όμως, υπάρχει περιθώριο για βελτίωση και η έλευση των συστημάτων τεχνητής νοημοσύνης έχει τη δυναμική να φέρει μια μικρή επανάσταση στον χώρο της μετεωρολογίας.

Η εταιρεία DeepMind, θυγατρική της Google και γνωστή για το σύστημα AlphaGo, πλέον έχει βάλει στο στόχαστρό της την πρόβλεψη του καιρού. Μόλις δύο χρόνια μετά την τρομερή επιτυχία του συστήματος AlphaFold, το οποίο ασχολείται με την πρόβλεψη της αναδίπλωσης πρωτεϊνών, ένα πρόβλημα της βιολογίας το οποίο παρέμενε άλυτο για χρόνια, η DeepMind φαίνεται να έχει φτιάξει μια λίστα με τα δυσκολότερα υπολογιστικά προβλήματα και να τα λύνει ένα προς ένα.

Το πρόβλημα της βροχόπτωσης είναι ιδιαιτέρως σημαντικό σε πολλούς τομείς, από την πρόβλεψη πλημμυρών σε παραποτάμιες περιοχές, την αεροπλοΐα, μέχρι και… τους αγώνες Formula-1, στους οποίους η ακριβής πρόγνωση του εάν, πότε, πόσο, και για πόσο θα βρέξει είναι τεράστιας σημασίας. Η DeepMind συνεργάστηκε με το Met Office, την ΕΜΥ της Αγγλίας, για να αναπτύξει το DGMR, ένα εργαλείο το οποίο βασίζεται στο deep learning για να προβλέψει με ακρίβεια την πιθανότητα βροχής με χρονικό ορίζοντα 90 λεπτών!

Το αποτέλεσμα των προβλέψεων του DGMR έδειξε πως το σύστημα ξεπερνά όλα τα υφιστάμενα συστήματα προβλέψεων σε όλους τους τομείς: τοποθεσία, επιφάνεια, κίνηση, και ένταση βροχής, στο 89% των περιπτώσεων. Τα κορυφαία συστήματα πρόβλεψης χρησιμοποιούν τεράστιους υπολογιστές για να διεξάγουν εξομοιώσεις χρησιμοποιώντας φυσική της ατμόσφαιρας και ρευστομηχανική, αλλά, ενώ λειτουργούν καλά σε πιο μακροπρόθεσμες προβλέψεις, δεν είναι το ίδιο καλά στην πρόβλεψη του τι θα συμβεί σε μία ώρα. Για αυτό το πρόβλημα, είχαν αναπτυχθεί στο παρελθόν άλλα συστήματα deep learning, τα οποία ήταν καλά στην βραχυπρόθεσμη πρόβλεψη μιας παραμέτρου (π.χ. τοποθεσία) αλλά εις βάρος των άλλων (π.χ. ένταση ή διάρκεια).

Η ομάδα της DeepMind χρησιμοποίησε δεδομένα από επίγεια ραντάρ καιρού για την εκπαίδευση του συστήματος τεχνητής νοημοσύνης. Στο Ηνωμένο Βασίλειο, η μετεωρολογική υπηρεσία δημοσιεύει “εικόνες” από ραντάρ κάθε πέντε λεπτά. Αν κάποιος βάλει αυτές τις εικόνες σε μια σειρά, μπορεί να δημιουργήσει ένα “βίντεο” της κίνησης των νεφών στο οποίο θα φαίνεται η κίνηση των βροχοπτώσεων πάνω στη χώρα. Αυτά τα δεδομένα χρησιμοποιήθηκαν για την εκπαίδευση ενός deep generative network, το οποίο προσπαθεί να δημιουργήσει νέα δεδομένα, τα οποία μοιάζουν με τα δεδομένα πάνω στα οποία εκπαιδεύτηκε. Στην περίπτωση του DGMR (Deep Generative Model of Rainfall), το σύστημα εκπαιδεύτηκε έτσι ώστε να παράγει τα επόμενα καρέ για κάθε “βίντεο” το οποίο του δίνεται ως είσοδος. Η ιδέα είναι παρόμοια με το να βλέπεις ένα βίντεο και να προσπαθείς να προβλέψεις τι θα γίνει μετά!

Η αξιολόγηση του συστήματος έγινε από 56 μετεωρολόγους (οι οποίοι δεν είχαν σχέση με την ανάπτυξη του DGMR), στους οποίους δόθηκαν ανώνυμες προβλέψεις τόσο από το DGMR όσο και από ένα ανταγωνιστικό εργαλείο, αλλά και ένα τελευταίας τεχνολογίας σύστημα εξομοίωσης καιρού. Το 89% των μετεωρολόγων προτίμησε τις προβλέψεις του DGMR.

Η τεχνητή νοημοσύνη στην υπηρεσία της ανθρωπότητας

Η DeepMind είναι μια εταιρεία η οποία δουλεύει συνεχώς για να αποδείξει πως τα συστήματα τεχνητής νοημοσύνης που αναπτύσσει έχουν πρακτικές χρήσεις. Στην αρχή ήταν το AlphaGo, το οποίο αποδείχθηκε πως ήταν ο καλύτερος παίκτης του παιχνιδιού Go, καλύτερο ακόμη και από κορυφαίους επαγγελματίες παίκτες, αλλά του οποίου η πρακτική σημασία ήταν μηδαμινή. Έπειτα ήρθε το AlphaFold, το οποίο σχεδόν έλυσε το πρόβλημα της αναδίπλωσης πρωτεϊνών, κάτι το οποίο έχει κολοσσιαία πρακτική σημασία για την βιολογία και την ιατρική. Αλλά η DeepMind δεν σταμάτησε εκεί. Πρόσφατα μάθαμε για το Ithaca (διάβασε εδώ το σχετικό άρθρο μας), το σύστημα που μπορεί να επαναφέρει το κείμενο από κατεστραμμένα γραπτά (αρχαία και μη), αλλά και να εντοπίζει την προέλευσή τους και να τους δίνει μια σαφή χρονολόγηση! Το Ithaca έχει πολύ καλά ποσοστά επιτυχίας στην επαναφορά ελλιπών κειμένων και έχει ήδη βοηθήσει αρχαιολόγους στο να κάνουν νέες ανακαλύψεις στην αρχαία Ελληνική ιστορία και να χρονολογήσουν με πολύ μεγαλύτερη ακρίβεια κείμενα.

Εκτός αυτών, η DeepMind έχει μπει δυναμικά και στον χώρο της ιατρικής, όπου συνεργάζεται με νοσοκομεία και νοσηλευτικά ιδρύματα ώστε να αναπτύξει συστήματα και εφαρμογές τεχνητής νοημοσύνης για την υγεία. Και βέβαια, δεν πρέπει να παραγνωρίζουμε τη συμβολή της DeepMind στα συστήματα τεχνητής νοημοσύνης τα οποία ήδη χρησιμοποιούνται από τη Google για διάφορες εφαρμογές, αρκετές από τις οποίες βρίσκουμε και στα κινητά μας τηλέφωνα, μέσω των apps, όπως για παράδειγμα αυτό της αυτόματης μετάφρασης οποιασδήποτε ταμπέλας ή κειμένου από φωτογραφία! Πλέον δεν υπάρχει αμφιβολία πως η τεχνητή νοημοσύνη μπορεί να αλλάξει τον κόσμο και να δώσει λύση σε προβλήματα τα οποία είναι αδύνατον να λυθούν με παραδοσιακές μεθόδους. Η DeepMind είναι η εταιρεία που κάνει τα μεγαλύτερα βήματα προς αυτή την κατεύθυνση και είναι βέβαιο πως τα επόμενα χρόνια θα δούμε ακόμη περισσότερα “άλυτα” προβλήματα να διαγράφονται από αυτή τη λίστα, αλλά και να αρχίσουμε να δρέπουμε, ως ανθρωπότητα, τους καρπούς αυτών των λύσεων. Έστω κι αν ξεκινάμε με τη λύση του προβλήματος “να πάρω ομπρέλα σήμερα”.