عصر جديد في التنبؤ بالطقس.. الذكاء الاصطناعي سيعمل على تحسين تحذيرات الطقس المتطرف
تاريخ النشر: 14th, October 2024 GMT
التنبؤ بالطقس أمر شائك، فنحن نعتمد عليه في التخطيط لأنشطتنا اليومية، والاستعداد للكوارث الطبيعية، وحتى في تحديد الملابس التي نرتديها كل يوم، ولكن على الرغم من التقدم التكنولوجي، فإننا لا نحصل إلا على توقعات الطقس بعد حوالي 10 أيام من الآن.
لنتأمل موجة الحر المدمرة التي ضربت شمال غرب المحيط الهادئ في يونيو 2021، فقد ذابت خطوط الكهرباء، ودُمرت المحاصيل، ولقي مئات الأشخاص حتفهم، وكان من الممكن أن يساعد إطالة فترة التنبؤ بالطقس المجتمعات المحلية على الاستعداد بشكل أفضل للحرارة الشديدة.
النماذج المساعدة في التنبؤ بالطقس
يلجأ علماء الطقس عادة إلى النماذج المساعدة لقياس مدى تعرض التنبؤات للأخطاء في الظروف الأولية هل تساءلت يومًا كيف يمكن لتغير طفيف في درجة الحرارة أو بخار الماء في الغلاف الجوي أن يغير نتائج التنبؤات.
وتساعد هذه النماذج في الإجابة على هذا السؤال فهي توضح العلاقة بين الظروف الأولية والأخطاء المتوقعة وبالتالي، يستطيع العلماء إجراء التعديلات اللازمة حتى يكتشفوا مجموعة الظروف الأولية التي تؤدي إلى التنبؤ الأكثر دقة.
ولكن هناك مشكلة واحدة، ذلك أن تشغيل هذه النماذج يتطلب موارد مالية وحوسبية ضخمة، ولا تستطيع هذه النماذج قياس الحساسيات إلا قبل خمسة أيام فقط.
التعلم العميق في التنبؤ بالطقس
كان الباحثون في قسم علوم الغلاف الجوي بجامعة واشنطن يستكشفون ما إذا كان التعلم العميق يمكن أن يوفر طريقة فعالة وأكثر دقة لتحديد مجموعة مثالية من الظروف الأولية للتنبؤ لمدة 10 أيام.
لاختبار فرضيتهم، قام الخبراء بوضع نماذج لتوقعات موجة الحر الكارثية في شمال غرب المحيط الهادئ في يونيو 2021 وقد استخدموا نموذجين مختلفين للتنبؤ: نموذج GraphCast من Google DeepMind ونموذج Pangu-Weather من Huawei Cloud.
نُشرت الدراسة في مجلة Geophysical Research Letters .
أراد العلماء التحقق مما إذا كانت النماذج تعمل بشكل مشابه وكيفية مقارنتها بالأحداث الفعلية لموجة الحر ولضمان نتائج غير متحيزة، استبعدوا بيانات موجة الحر من مجموعة البيانات المستخدمة لتدريب النماذج.
تقييم النماذج المتقدمة
أجرى الباحثون مقارنة دقيقة بين مخرجات نموذجي GraphCast وPangu-Weather والبيانات الجوية الفعلية لفترة موجة الحر في يونيو 2021.
ركزوا على دقة التنبؤات بدرجات الحرارة، وقدرة النماذج على توقع الظروف القاسية، وكفاءتها الحسابية وكشفت النتائج الأولية أن كلا النموذجين أظهرا درجة عالية من الدقة، مع إظهار Pangu-Weather أفضلية طفيفة في التنبؤ بدرجات الحرارة على المدى الطويل.
وأظهرت النماذج المتقدمة إمكانات واعدة في تعزيز دقة التوقعات وإعادة توقيت تسليمها، مما يوفر رؤى قيمة للمواقف الطارئة مثل موجات الحر.
مستقبل التنبؤ بالطقس
يمثل تنفيذ نماذج التعلم العميق مثل GraphCast وPangu-Weather تحولًا محوريًا في مجال الأرصاد الجوية، حيث يعد بتوقعات أكثر دقة وفي الوقت المناسب.
ومع ذلك، لا تزال التحديات قائمة، وخاصة في ضمان قدرة هذه النماذج على معالجة مجموعات البيانات الضخمة في سيناريوهات الوقت الفعلي والتكامل بسلاسة في أطر التنبؤ الحالية.
بالإضافة إلى ذلك، هناك حاجة متزايدة للتعاون بين خبراء الأرصاد الجوية وعلماء البيانات وصناع السياسات لتحقيق أقصى استفادة من هذه التطورات التكنولوجية.
ومع استمرار تطور الأبحاث، فإن هذه الأساليب الجديدة تمتلك القدرة على إحداث ثورة في مجال التنبؤ بالطقس، مما يؤدي إلى تحسين استعداد المجتمع وقدرته على الصمود في مواجهة الشذوذ المناخي.
تقييم النماذج المتقدمة
أجرى الباحثون مقارنة دقيقة بين مخرجات نموذجي GraphCast وPangu-Weather والبيانات الجوية الفعلية لفترة موجة الحر في يونيو 2021.
ركزوا على دقة التنبؤات بدرجات الحرارة، وقدرة النماذج على توقع الظروف القاسية، وكفاءتها الحسابية.
وكشفت النتائج الأولية أن كلا النموذجين أظهرا درجة عالية من الدقة، مع إظهار Pangu-Weather أفضلية طفيفة في التنبؤ بدرجات الحرارة على المدى الطويل.
وأظهرت النماذج المتقدمة إمكانات واعدة في تعزيز دقة التوقعات وإعادة توقيت تسليمها، مما يوفر رؤى قيمة للمواقف الطارئة مثل موجات الحر.
مستقبل التنبؤ بالطقس
يمثل تنفيذ نماذج التعلم العميق مثل GraphCast وPangu-Weather تحولًا محوريًا في مجال الأرصاد الجوية، حيث يعد بتوقعات أكثر دقة وفي الوقت المناسب.
ومع ذلك، لا تزال التحديات قائمة، وخاصة في ضمان قدرة هذه النماذج على معالجة مجموعات البيانات الضخمة في سيناريوهات الوقت الفعلي والتكامل بسلاسة في أطر التنبؤ الحالية.
بالإضافة إلى ذلك، هناك حاجة متزايدة للتعاون بين خبراء الأرصاد الجوية وعلماء البيانات وصناع السياسات لتحقيق أقصى استفادة من هذه التطورات التكنولوجية.
ومع استمرار تطور الأبحاث، فإن هذه الأساليب الجديدة تمتلك القدرة على إحداث ثورة في مجال التنبؤ بالطقس، مما يؤدي إلى تحسين استعداد المجتمع وقدرته على الصمود في مواجهة الشذوذ المناخي.
توسيع نطاق التعلم العميق
يتطلب توسيع نطاق مناهج التعلم العميق للتنبؤات الجوية العالمية استراتيجية شاملة لإدارة عدم تجانس البيانات، والكثافة الحسابية، واستهلاك الطاقة.
تتطلب مصادر البيانات الواسعة والمتنوعة – من صور الأقمار الصناعية إلى قراءات أجهزة استشعار المحيطات – أن تقوم النماذج بتنسيق المدخلات بدقة وتنسيقات مختلفة.
القدرة الحسابية اللازمة للتعامل مع مثل هذه المجموعات الضخمة والمتنوعة من البيانات كبيرة، مما يثير المخاوف بشأن التأثير البيئي بسبب العمليات كثيفة الاستهلاك للطاقة.
ونتيجة لهذا، يستكشف الباحثون خوارزميات موفرة للطاقة وحلول أجهزة مبتكرة للتخفيف من حدة هذه التحديات. بالإضافة إلى ذلك، هناك حاجة ماسة إلى أطر تحقق قوية لضمان إمكانية تعميم هذه النماذج عبر مناطق وظروف مناخية متنوعة.
التنبؤ بالطقس باستخدام الذكاء الاصطناعي
دمج الذكاء الاصطناعي في التنبؤ بالطقس يثير العديد من الاعتبارات الأخلاقية التي تستحق الفحص الدقيق.
في المقام الأول، تبرز مسألة خصوصية البيانات، حيث تتضمن مجموعات البيانات المعقدة غالبًا معلومات حساسة تتعلق بالموقع الجغرافي، بالإضافة إلى ذلك، هناك خطر متأصل يتمثل في التحيز الخوارزمي، حيث يمكن أن تؤدي التفاوتات في جمع البيانات إلى تحريف التوقعات، مما يؤثر بشكل غير متناسب على فئات سكانية أو مناطق معينة.
الشفافية والمساءلة في عمليات صنع القرار المتعلقة بالذكاء الاصطناعي أمر ضروري لضمان الوصول العادل إلى تقنيات التنبؤ المتقدمة .
تقليل أخطاء التنبؤ
كانت النتائج مذهلة للغاية، فقد أدى استخدام التعلم العميق لتحديد الظروف الأولية المثلى إلى انخفاض هائل بنسبة 94% في أخطاء التنبؤ على مدى 10 أيام في نموذج GraphCast.
ولقد لوحظ انخفاض مماثل في الأخطاء عندما تم تطبيق هذه الطريقة على نموذج Pangu-Weather، ومن اللافت للنظر أن التقنية الجديدة أدت إلى تحسين التوقعات قبل 23 يوماً.
فهل نقف الآن على أعتاب عصر جديد في التنبؤ بالطقس؟ وهل يمكننا أن نتطلع إلى توقعات لا تتسم فقط بالدقة، بل وتوفر أيضاً فترات زمنية أطول؟ وإذا كانت النتائج مؤشراً على أي شيء، فقد لا يكون هذا بعيداً عن الحقيقة.
المصدر: صدى البلد
كلمات دلالية: بالإضافة إلى ذلک بدرجات الحرارة الأرصاد الجویة النماذج على هذه النماذج فی یونیو 2021 موجة الحر فی مجال
إقرأ أيضاً:
لماذا لن يُفقدنا الذكاء الاصطناعي وظائفنا؟
#سواليف
أكدت صحيفة “إيكونوميست” البريطانية في تقرير حديث لها أن #المخاوف_المتزايدة بشأن قيام #الذكاء_الاصطناعي بالقضاء على #الوظائف لا تزال حتى الآن غير مدعومة بأي أدلة اقتصادية حقيقية، مشيرة إلى أن #سوق_العمل_العالمي لا يزال صامدًا بل ويُظهر مؤشرات نمو في عدة قطاعات.
وقالت الصحيفة إن الذكاء الاصطناعي يواصل تطوره أسبوعًا بعد أسبوع، حتى بات قادرًا على تنفيذ مهام متقدمة مثل كتابة التقارير وإنشاء الفيديوهات الفورية، مع انخفاض ملحوظ في معدلات “الهلاوس” التي كانت تميز الجيل السابق من هذه النماذج.
ومع ذلك، لم تظهر أي موجة تسريح جماعي بسبب الذكاء الاصطناعي، رغم أن مصطلح “AI unemployment” (البطالة بسبب الذكاء الاصطناعي) سجل أعلى معدل بحث عالميًا عبر غوغل في وقت سابق هذا العام.
مقالات ذات صلةترجمان لا أكثر.. وتكنولوجيا لا تُطيح بالبشر
واستند التقرير إلى دراسة شهيرة نُشرت مؤخرًا للباحثين كارل بنديكت فري وبيدرو يانوس-باريديس من جامعة أكسفورد، والتي تربط بين الأتمتة وتراجع الطلب على المترجمين. إلا أن بيانات وزارة العمل الأميركية تكشف أن عدد العاملين في مجالات الترجمة والتفسير ارتفع بنسبة 7% مقارنة بالعام الماضي، وهو ما يدحض هذه الفرضية.
كما أشار التقرير إلى شركة التكنولوجيا المالية “كلارنا” التي كانت قد تباهت سابقًا باستخدام الذكاء الاصطناعي لأتمتة خدمات العملاء، لكنها عادت مؤخرًا عن هذا التوجه. وقال المدير التنفيذي للشركة، سباستيان سيمياتكوفسكي: “سيظل هناك دائمًا إنسان إذا أردت ذلك”.
لا دليل على “كابوس الوظائف”
وحلل التقرير أيضًا معدلات البطالة بين خريجي الجامعات الجدد مقارنة بمتوسط البطالة العام في أميركا، وهو مقياس غالبًا ما يُستخدم لاستشراف آثار التكنولوجيا على الوظائف.
ووجدت “إيكونوميست” أن نسبة بطالة الخريجين بلغت نحو 4% فقط، وهي نسبة منخفضة تاريخيًا، وأن الفارق بين بطالتهم وبطالة باقي السوق بدأ منذ 2009، أي قبل ظهور الذكاء الاصطناعي التوليدي بزمن طويل.
وفي تحليل شامل لبيانات التوظيف حسب المهنة، ركز التقرير على وظائف “الياقات البيضاء” مثل العاملين في الدعم الإداري، والخدمات المالية، والمبيعات، وهي الفئات التي يُعتقد أنها الأكثر عرضة للاستبدال بالذكاء الاصطناعي. لكن النتيجة جاءت معاكسة تمامًا، إذ ارتفعت نسبة العاملين في هذه الفئات بشكل طفيف خلال العام الماضي.
وأشار التقرير إلى أن معدل البطالة في الولايات المتحدة لا يزال منخفضًا عند 4.2%، وأن نمو الأجور لا يزال قويًا، وهو ما يتعارض تمامًا مع فرضية انخفاض الطلب على العمالة.
أما عالميًا، فقد سجل معدل التوظيف في دول منظمة التعاون الاقتصادي والتنمية (OECD) مستوىً قياسيًا في عام 2024.
لماذا لا يُفقدنا الذكاء الاصطناعي وظائفنا؟
وطرحت “إيكونوميست” تفسيريْن رئيسييْن لثبات معدلات التوظيف رغم ضجة الذكاء الاصطناعي:
وختمت المجلة تقريرها بالتأكيد على أنه لا يوجد في الوقت الحالي ما يستدعي الذعر، فالحديث عن “نهاية الوظائف” لا يزال أقرب إلى صبي يصرخ بوجود ذئب، بينما لا شيء في الأفق حتى الآن.
برلماني يطالب بإجراء تعديل تشريعي شامل في قانون الضريبة على العقارات المبنية