GraphCast - Model AI DeepMind untuk prakiraan cuaca

GraphCast: Prediksi cuaca global yang cepat dan akurat melalui model AI

• GraphCast adalah model AI terbaru yang dipublikasikan di jurnal ilmiah, dan memberikan prakiraan cuaca 10 hari dengan akurasi tinggi dalam waktu kurang dari 1 menit.
• Model ini melakukan prakiraan cuaca jangka menengah dengan lebih cepat dan lebih akurat dibanding sistem HRES, yang selama ini menjadi gold standard.
• GraphCast memprediksi jalur siklon, sungai atmosfer yang terkait dengan risiko banjir, dan kejadian suhu ekstrem, sehingga memberikan peringatan dini terhadap peristiwa cuaca ekstrem.

Tantangan prediksi cuaca global

• Prakiraan cuaca jangka menengah sangat penting untuk mendukung pengambilan keputusan di berbagai bidang, mulai dari energi terbarukan hingga logistik acara, tetapi sulit dilakukan secara akurat dan efisien.
• Prediksi cuaca numerik (NWP) yang ada saat ini menjalankan persamaan fisika yang diterjemahkan ke dalam algoritma komputer di atas superkomputer.
• GraphCast mempelajari data cuaca historis selama beberapa dekade untuk memodelkan hubungan sebab-akibat dalam evolusi cuaca Bumi.

GraphCast: model AI untuk prakiraan cuaca

• GraphCast adalah sistem prakiraan cuaca berbasis machine learning dan graph neural network (GNN).
• Model ini melakukan prediksi pada resolusi tinggi (0,25 derajat bujur/lintang) di lebih dari satu juta titik grid yang mencakup permukaan Bumi.
• GraphCast menghasilkan prakiraan 10 hari dalam waktu kurang dari 1 menit pada satu mesin Google TPU v4, yang jauh lebih efisien dibanding metode sebelumnya.

Peringatan yang lebih baik untuk peristiwa cuaca ekstrem

• GraphCast dapat mengidentifikasi peristiwa cuaca parah lebih awal dibanding model yang ada, sehingga dapat menyelamatkan nyawa melalui persiapan yang lebih baik dan mengurangi dampak terhadap komunitas.
• Dengan menerapkan pelacak siklon, GraphCast memprediksi pergerakan siklon dengan lebih akurat daripada model HRES.
• Kemampuan memprediksi sungai atmosfer dan suhu ekstrem dapat digabungkan dengan model AI prediksi banjir untuk membantu perencanaan respons darurat.

Masa depan cuaca dengan AI

• GraphCast saat ini adalah sistem prakiraan cuaca global 10 hari paling akurat di dunia, dan akan terus berkembang serta meningkat seiring perubahan iklim.
• Untuk membuat prakiraan cuaca berbasis AI lebih mudah diakses, kode modelnya disediakan sebagai open source.
• Bersama sistem prakiraan cuaca mutakhir lain dari Google DeepMind dan Google Research, penggunaan AI dalam prakiraan cuaca akan memberi manfaat bagi miliaran orang dalam kehidupan sehari-hari.

Opini GN⁺

Poin terpenting dalam artikel ini adalah bahwa model AI GraphCast memberikan prakiraan cuaca jangka menengah yang jauh lebih cepat dan lebih akurat dibanding sistem prakiraan cuaca yang ada. Seiring cuaca ekstrem makin sering terjadi akibat perubahan iklim, hal ini akan sangat membantu dalam melindungi keselamatan dan harta benda masyarakat, serta mendukung keputusan penting di industri dan masyarakat. Dibukanya kode sumber GraphCast memberi ilmuwan dan peramal cuaca di seluruh dunia kesempatan untuk memanfaatkan teknologi ini demi memberi manfaat kepada miliaran orang dalam kehidupan sehari-hari. Berkat prediksi yang cepat dan akurasi yang tinggi, teknologi ini akan membawa inovasi ke bidang prakiraan cuaca, dan menjadi kabar menarik bagi siapa pun yang tertarik pada cuaca.

[kuroneko]

Saya sempat berpikir untuk merangkumnya, tetapi GN+ makin berkembang. Pendapat di HN di bawah juga begitu, dan rangkumannya dibuat rapi.
Sekarang rasanya bahkan lebih baik daripada merangkum sendiri. +_+

[GN⁺]

Komentar Hacker News

• Mengembangkan API cuaca open-source

  Bagi siapa pun yang membutuhkan data cuaca historis untuk pelatihan dan prediksi ML, saya mengembangkan API cuaca open-source yang terus menyimpan data cuaca. Dengan menggabungkan data historis dan prakiraan dari berbagai model cuaca numerik menggunakan ML, dimungkinkan untuk mencapai kemampuan prediksi yang lebih baik daripada model individual. Karena setiap model memiliki keterbatasan fisik, model ML hasil akhirnya diharapkan tetap stabil.

• Pengenalan model GraphCast

  GraphCast hanya menggunakan dua set data sebagai input: kondisi cuaca 6 jam sebelumnya dan kondisi cuaca saat ini. Model ini kemudian memprediksi cuaca 6 jam ke depan, dan mengulangi proses ini dalam interval 6 jam untuk memberikan prakiraan mutakhir hingga 10 hari ke depan.

• Kebingungan terkait Google

  Saya masih bingung soal pembedaan antara Google, Google Research, dan DeepMind. Google Research membuat pengumuman tentang prakiraan 24 jam dua minggu lalu, dan itu juga disebutkan dalam pengumuman GraphCast hari ini.

• Pentingnya prakiraan cuaca lokal

  Di beberapa negara, prakiraan hujan singkat/lokal sangat penting. Menarik melihat betapa tidak akuratnya prakiraan radar. Aplikasi memang menampilkan data radar dan data historis serta memberikan prediksi, tetapi prediksinya konyol. Jelas mengapa "AI" bisa memperbaiki ini. Prediksi curah hujan lokal adalah masalah yang berbeda dari prakiraan global.

• Kemajuan prakiraan cuaca oleh perusahaan teknologi

  Kemajuan di bidang prakiraan cuaca sungguh luar biasa, dan menarik melihat perusahaan teknologi besar masuk ke bidang ini. Apple beralih dari The Weather Channel ke prakiraan miliknya sendiri setahun lalu. Menghasilkan prakiraan cuaca yang lebih baik dengan AI adalah hal yang sangat cocok bagi Google, dan saya berharap ini akan tertanam di aplikasi cuaca.

• Kinerja mengesankan dari model yang menggunakan satu GPU

  Sebuah model yang menggunakan satu GPU tetapi mengungguli model-model yang berjalan di superkomputer terbesar di dunia. Bukan hanya bobot modelnya, tetapi semuanya sepenuhnya open-source. Data pelatihan/input-nya juga relatif sederhana. Versi saat ini adalah ukuran terbesar yang praktis dimungkinkan di bawah kendala rekayasa saat ini, tetapi ke depan ada potensi untuk berkembang jauh lebih besar dengan sumber daya komputasi yang lebih besar dan data beresolusi lebih tinggi.

• Keraguan tentang perbandingan akurasi

  Saya tidak bisa menemukan kutipan untuk perbandingan akurasi itu. Mengingat jumlah data dan kompleksitas domainnya, diperlukan analisis yang lebih rinci tentang performanya dibanding model lain. Sebagai karyawan pertama di Solcast, saya membangun sistem 'nowcast' selama lebih dari 4 tahun, dengan fokus pada radiasi matahari dan opasitas awan, lalu memperluasnya ke semua aspek cuaca dengan menggunakan generasi satelit baru dan memanfaatkan model NWP. Solcast memang menggunakan ML sebagai bagian dari sistem, tetapi secara operasional masih jauh lebih banyak hal yang diperlukan untuk menghasilkan prakiraan yang akurat dan andal. Misalnya, langsung beralih dari sesuatu seperti ECMWF ke kotak hitam ini, setidaknya, akan terdengar arogan. Tepat sebelum saya meninggalkan Solcast, saya mengatakan bahwa pesaing terbesar mereka bukan perusahaan cuaca lama lainnya, melainkan kemungkinan perusahaan teknologi besar seperti Amazon/Google/Microsoft. Amazon telah mengakuisisi perusahaan terkait IoT penggunaan listrik selama beberapa tahun terakhir, dan AI tampaknya akan masuk besar-besaran ke area itu.

• Kecepatan eksekusi model ML yang tinggi

  Saya mengikuti model cuaca ML global. Fakta bahwa model-model ini bisa membuat prediksi sama sekali sudah sangat mengesankan. Sementara model prakiraan cuaca numerik di superkomputer raksasa membutuhkan waktu berjam-jam untuk memprediksi seluruh dunia, model ML ini berjalan dalam hitungan menit atau bahkan detik. Ini punya potensi yang sangat besar untuk prakiraan operasional.

• Layanan curah hujan untuk tanggal tertentu

  Saya membangun layanan yang menampilkan hari dengan curah hujan paling sedikit selama 10 tahun terakhir. Ini ideal untuk menemukan tanggal pernikahan yang sempurna untuk lokasi dan bulan apa pun.

• Ketidakpastian prakiraan cuaca

  Terlepas dari kesulitan komputasi atau pengukuran kondisi saat ini secara akurat, adakah alasan untuk percaya bahwa cuaca memang tidak dapat diprediksi? Jika kita bisa mengukur dan menghitung dengan sumber daya yang cukup, bukankah secara teori kita bisa memprediksi cuaca harian 10 tahun ke depan? Atau adakah semacam "keacakan" yang intrinsik di dalamnya?