Раптові повені забирають понад 5 000 життів щорічно, що робить їх одним із найбільш смертоносних погодних явищ у світі. Їхня непередбачуваність обумовлена швидким початком та локальним характером, які важко зафіксувати традиційним системам моніторингу погоди. Тепер Google впроваджує новаторське рішення: використання штучного інтелекту та мільйонів новинних репортажів для прогнозування раптових повеней у режимі реального часу.
Проблема Традиційного Прогнозування
Звичайні дані про погоду часто втрачають раптові повені, тому що вони розвиваються дуже швидко і на невеликій площі. Хоча температура і витрата річок відстежуються безперервно, ці події часто занадто швидкоплинні, щоб їх можна було точно виміряти. Ця прогалина даних знижує ефективність моделей глибокого навчання, які процвітають у прогнозуванні погоди, але потребують вичерпних історичних даних.
Groundsource: Перетворення Новин на Діючі Дані
Щоб вирішити цю проблему, дослідники Google використовували свою велику мовну модель Gemini для аналізу приблизно 5 мільйонів статей новин. В результаті цього процесу було вилучено інформацію про 2,6 мільйона випадків повеней, що дозволило створити гео-прив’язаний тимчасовий ряд під назвою “Groundsource”. Вперше Google застосував мовні моделі для створення критичних даних для прогнозування погоди. Завдяки аналізу репортажів з усього світу Groundsource ефективно заповнює прогалини у традиційних даних, особливо в регіонах, де відсутня розвинена інфраструктура прогнозування погоди.
Як працює модель
Набір даних Groundsource був використаний для навчання нейронної мережі з довгою короткостроковою пам’яттю (LSTM). Ця модель приймає глобальні прогнози погоди та генерує ймовірність раптових повеней у певних галузях. В результаті виходить інструмент прогнозування, розгорнутий на платформі Google Flood Hub, який надає оцінку ризиків для міських районів у 150 країнах. Дані також передаються агентствам з реагування на надзвичайні ситуації по всьому світу, підвищуючи їх здатність швидко реагувати на лиха.
Обмеження та Більш Широкі Наслідки
Хоча це і прорив, модель не позбавлена обмежень. Її поточна роздільна здатність охоплює області площею 20 квадратних кілометрів, що менш точно, ніж системи, такі як Національна метеорологічна служба США, які включають місцеві дані радарів. Проте справжня сила цього проекту полягає у його застосовності до регіонів, де урядам не вистачає коштів для дорогої інфраструктури моніторингу погоди.
“Оскільки ми агрегуємо мільйони репортажів, набір даних Groundsource фактично допомагає збалансувати карту. Він дозволяє нам екстраполювати дані до інших регіонів, де недостатньо інформації.”
— Джульєт Ротенберг, менеджер програми в Google Resilience
Google планує розширити цей підхід на інші важкопрогнозовані явища, такі як хвилі спеки та зсуви. Успіх Groundsource демонструє потенціал великих мовних моделей для перетворення якісних даних – репортажів новин, свідчень очевидців – у кількісні висновки, що призводять до реальних дій. Цей проект підкреслює зростаючу тенденцію використання ІІ для заповнення критичних прогалин у геофізиці, де дефіцит, як і раніше, є основною перешкодою для точного моделювання.
Ця ініціатива підкреслює ключовий момент: в епоху інформаційного навантаження справжня цінність полягає не в збиранні більше даних, а в добуванні “сенсу” з того, що вже існує.
