Opracowanie: Mariusz J. Figurski, Robert Przyłuski, Centrum Modelowania Meteorologicznego IMGW-PIB
Sztuczna inteligencja (AI), a w szczególności metody głębokiego uczenia maszynowego (ML) wykorzystujące sieci neuronowe, są w ostatnich latach z sukcesem wykorzystywane w wielu zastosowaniach. Prognozowanie pogody to jeden z obiecujących obszarów zastosowań, obejmujący potencjalnie liczne implementacjemetod sztucznej inteligencji, które mogą wspomóc procesy modelowania i doprowadzić do postępów metodologicznych, związanych ze sporym wzrostem wydajności procesów prognozowania i jakości samych prognoz pogody. Tradycyjne modele pogodowe i klimatyczne opierają się na równaniach fizycznych i statystycznych, które symulują zmiany w atmosferze, oceanach i na lądzie. Rozwiązywanie wspomnianych równań jest jednak czasochłonne i wymagają ogromnych zasobów obliczeniowych, szczególnie przy prognozach o wysokiej rozdzielczości. Sztuczna inteligencja, a zwłaszcza zaawansowane techniki uczenia maszynowego, oferuje narzędzia, które mogą wspomóc i udoskonalić modelowanie meteorologiczne i poprawić dokładność prognoz, jednocześnie skracając czas potrzebny na ich przygotowanie.
Czym jest sztuczna inteligencja?
Pierwszą trudnością jest precyzyjne zdefiniowanie pojęcia sztucznej inteligencji. W pierwszym przybliżeniu można powiedzieć, że jest to szeroki zestaw technik opartych na podstawach matematycznych i naukach obliczeniowych, których celem jest odtworzenie niektórych aspektów ludzkiej inteligencji (na przykład rozumowanie, kreatywność). Sztuczna inteligencja (pojęcie wprowadzone Johna McCarthy’ego) nie jest niczym nowym, pojawiła się już w latach pięćdziesiątych XX wieku, najpierw w formie systemów eksperckich w których ludzie ustalają zbiór zasad i instrukcji, które następnie zgodnie z opracowanym algorytmem wykonuje maszyna. W tej dziedzinie również doszło do ewolucji – obecnie najpowszechniej stosowane, a jednocześnie najbardziej wydajne metody sztucznej inteligencji opierają się na odmiennym podejściu: ludzie nie przepisują już reguł, ale tworzą programy komputerowe zdolne do uczenia się najlepszych relacji z danych. Nazywa się to uczeniem maszynowym, którego struktura algorytmiczna opiera się zasadniczo na sieciach neuronowych.
