Η ιδέα ξεκίνησε εσωτερικά ως ένα μικρό πρότζεκτ στην DeepMind, στην πορεία όμως εξελίχθηκε σε ένα πρωτοποριακό παράδειγμα εφαρμογής της ΑΙ στην κλιματική επιστήμη. Σύμφωνα με τον κ. Λαμ τα μοντέλα πρόγνωσης καιρού με τεχνητή νοημοσύνη μαθαίνουν τη δυναμική τής ατμόσφαιρας απευθείας από δεκαετίες ιστορικών δεδομένων που προέρχονται από μετεωρολογικές υπηρεσίες, χρησιμοποιώντας τεχνικές βαθιάς μάθησης – γνωστές και ως τεχνητή νοημοσύνη (AI). «Χάρη σε αυτά τα υψηλής ποιότητας δεδομένα, το μοντέλο μας μπορεί να προσφέρει πιο ακριβείς προβλέψεις», σημειώνει στο ΑΠΕ-ΜΠΕ. «Τα παραδοσιακά μοντέλα πρόγνωσης καιρού λειτουργούν επιλύοντας ένα πολύπλοκο σύνολο εξισώσεων που περιγράφουν τη δυναμική τής ατμόσφαιρας. Αυτή η προσέγγιση έχει προσφέρει χρήσιμες προβλέψεις επί δεκαετίες, αλλά απαιτεί τη χρήση ορισμένων από τους μεγαλύτερους υπερυπολογιστές για πολλές ώρες προκειμένου να παραχθεί μια πρόγνωση 10 ημερών. Τα δικά μας μοντέλα καιρού με τεχνητή νοημοσύνη είναι διαφορετικά, καθώς δεν επιλύουν αυτές τις σύνθετες εξισώσεις. Αντίθετα, μαθαίνουν τη δυναμική τής ατμόσφαιρας απευθείας από δεκαετίες ιστορικών δεδομένων που προέρχονται από μετεωρολογικές υπηρεσίες, χρησιμοποιώντας τεχνικές βαθιάς μάθησης – γνωστές και ως τεχνητή νοημοσύνη (AI). Χάρη σε αυτά τα υψηλής ποιότητας δεδομένα, το μοντέλο μας μπορεί να προσφέρει πιο ακριβείς προβλέψεις. Επειδή δεν περιλαμβάνεται η επίλυση εξισώσεων, η λειτουργία τους είναι πολύ οικονομική και μπορεί να εκτελείται σε σχετικά μικρά, εξειδικευμένα τσιπ υπολογιστών για AI που ονομάζονται TPU, προσφέροντας πρόγνωση 10 ημερών σε λιγότερο από ένα λεπτό. Συνεπώς, τα μοντέλα τεχνητής νοημοσύνης για την πρόγνωση καιρού είναι πιο ακριβή, πιο φθηνά και πιο γρήγορα», υπογραμμίζει ενώ προσθέτει ότι ένα από τα κύρια πλεονεκτήματα των μοντέλων καιρού με τεχνητή νοημοσύνη είναι ότι δεν απαιτούν υπερυπολογιστές για να λειτουργήσουν. «Αυτό σημαίνει ότι πολλές νέες ερευνητικές ιδέες μπορούν να δοκιμαστούν από ομάδες με περιορισμένους υπολογιστικούς πόρους. Για να υποστηρίξουμε τους ερευνητές, διαθέσαμε τα μοντέλα μας GraphCast και GenCast στο GitHub, όπου μπορεί κανείς να κατεβάσει τον κώδικα. Ελπίζουμε ότι αυτό θα επιταχύνει την πρόοδο στην πρόγνωση του καιρού. Παράλληλα, διαθέτουμε ζωντανές προβλέψεις από τα μοντέλα μας μέσω της πλατφόρμας Google Earth Engine, με την ονομασία WeatherNext», εξηγεί στο ΑΠΕ-ΜΠΕ ο κ. Λαμ.

Το 2024 ο κ. Λαμ εντάχθηκε στο Ίδρυμα CMCC, (Ευρωμεσογειακό Κέντρο για την Κλιματική Αλλαγή) παρουσιάζοντας την καινοτόμο προσέγγισή του στην πρόγνωση του καιρού μεσοπρόθεσμα, ενώ πρόσφατα ανακοίνωσαν με την ομάδα του συνεργασία με το Εθνικό Κέντρο Τυφώνων των ΗΠΑ, ώστε να μπορούν να πειραματιστούν με τις προβλέψεις τους για τους κυκλώνες.

Όπως επισημαίνει υπάρχουν πολλοί τομείς που θα μπορούσαν να επωφεληθούν από καλύτερες προβλέψεις. «Από την πιο αποτελεσματική προετοιμασία για ξηρασίες, κυκλώνες ή ακραία ψυχρά φαινόμενα, έως τη βελτιωμένη αξιοποίηση των αιολικών πάρκων. Οι εφαρμογές είναι αμέτρητες», καταλήγει.

Ο Ρέμι Λαμ παραχώρησε διάλεξη στο πλαίσιο του «Festum π -Όταν τα Μαθηματικά συναντούν τη Μουσική-Το Festum π επιστρέφει στο Αιγαίο», με τίτλο «Θα Φέρει Επανάσταση η Τεχνητή Νοημοσύνη στην Πρόγνωση Καιρού;» ενώ συμμετείχε και σε συζήτηση για την τεχνητή νοημοσύνη και την κλιματική αλλαγή στη Μεσόγειο μαζί με τους διακεκριμένους επιστήμονες Γιώργο Ατσαλάκη, αναπληρωτή καθηγητή στη Σχολή Μηχανικών Παραγωγής και Διοίκησης του Πολυτεχνείου Κρήτης, Ντένια Κολοκώτσα, καθηγήτρια στη Σχολή Μηχανικών Χημικών και Περιβάλλοντος του Πολυτεχνείου Κρήτης, Michel Tsamados, αναπληρωτή καθηγητή Παρατήρησης και Μοντελοποίησης των Πολικών Περιοχών, University College London (UCL) και τον Cédric Villani, βραβευμένου με το Μετάλλιο Fields, καθηγητή Μαθηματικών.

Στο πλαίσιο του Festum π πραγματοποιήθηκαν δύο διεθνή συνέδρια, μαθηματικών και μουσικολογίας, ενώ κάθε βράδυ λάμβανε χώρα ένα φεστιβάλ κλασικής μουσικής, το οποίο περιελάμβανε διαλέξεις από κορυφαίους ερευνητές στον τομέα της Τεχνητής Νοημοσύνης.

Πηγή: ΑΠΕ-ΜΠΕ