NASA IBM ja IBM ovat yhdistäneet voimansa kehittääkseen tekoälyn perusmallin sään ja ilmaston ennustamiseen. He yhdistävät tietonsa ja taitonsa maatieteen ja tekoälyn alalla luodakseen mallin, jonka heidän mukaansa pitäisi tarjota "merkittäviä etuja olemassa oleviin teknologioihin verrattuna".
Nykyaikaiset tekoälymallit, kuten GraphCast ja Fourcastnet, tuottavat jo sääennusteita nopeammin kuin perinteiset säämallit. Kirjoitimme äskettäin aiheesta GraphCast-ominaisuudet Tässä suhteessa. IBM huomauttaa kuitenkin, että nämä ovat vain AI-emulaattoreita, eivät perusmalleja.
AI-emulaattorit voivat tehdä sääennusteita harjoitustietosarjojen perusteella, mutta niillä ei ole muuta käyttöä. He eivät myöskään voi, kuten IBM sanoo, "selvittää fysiikkaa" sääennusteiden takana.
NASA ja IBM:llä on useita tavoitteita perusmallilleen. Ensinnäkin he toivovat, että nykyisiin malleihin verrattuna se on helpommin saavutettavissa, tekee johtopäätöksiä nopeammin ja kattaa monipuolisemman tiedon. Toiseksi he toivovat parantavansa ennusteiden tarkkuutta muissa ilmastosovelluksissa. Mallin odotettuihin ominaisuuksiin kuuluu meteorologisten ilmiöiden ennustaminen, korkearesoluutioisten tietojen päättäminen matalaresoluutioisista tiedoista ja "suotuisten olosuhteiden tunnistaminen kaikelle lentokoneen turbulenssista metsäpaloihin".
Se noudattaa toista perusmallia, jonka NASA ja IBM ottivat käyttöön tänä vuonna. Aiemmin kirjoitimme, että hän käyttää dataa NASAn geospatiaalisen älykkyyden satelliiteista ja on IBM:n mukaan Hugging Facen avoimen lähdekoodin tekoälyalustan suurin geospatiaalinen malli.
Toistaiseksi tätä mallia on käytetty puiden istutuksen ja viljelyn seurantaan ja visualisointiin Kenian vesitornialueilla. Tämän hankkeen tavoitteena on istuttaa lisää puita ja ratkaista vesipulaongelma. Mallia käytetään myös Arabiemiirikuntien kaupunkilämpösaarekkeiden analysointiin.
Lue myös: