날씨와 기후과학 AI 혁명은 혁명적이지 않다

몇 가지 제한 사항이 분명해야 합니다. 이 알고리즘은 훈련되지 않은 종이나 예시와 너무 많이 다른 종의 하위 개체군을 식별하지 않습니다. 훈련 데이터의 품질도 매우 중요합니다. 소나무에 있는 총칭 사진만 사용한다면 모델은 총칭 정의에 솔잎을 포함할 수 있습니다.

추가 작업을 많이 하지 않으면 알 수 없습니다. 어떻게 모델이 답변에 도달합니다. 내부 메커니즘은 대부분의 경우 블랙박스와 같습니다.

하지만 장점은 현실입니다. 기계 학습 알고리즘은 정확도는 아니더라도 적어도 계산 효율성 측면에서 인간이 만든 최고의 알고리즘보다 성능이 뛰어난 경우가 많습니다. 적절하게 사용해야 합니다. 그렇지 않으면 한계가 표시됩니다.

클라우드 컴퓨팅

일기 예보 모델의 경우 프로세스는 조류 식별 예제와 크게 다르지 않지만 모델은 짧은 시간 간격으로 얻은 두 세트의 날씨 데이터에 대해 훈련됩니다.

모든 위치에서 많은 물리 방정식을 풀 수 없기 때문에 이러한 모델은 기존 기상 모델보다 훨씬 더 빠르게 실행됩니다.

Google, Nvidia, Huawei, Microsoft를 비롯한 여러 회사에서는 때로는 독립적인 학계와 협력하여 현재 우리가 사용하는 예측 모델과 유리하게 비교할 수 있는 초기 모델을 개발했습니다. 모델이 뛰어난 부분과 어려움을 겪고 있는 부분을 이해하기 시작하자 일부 주요 기상 예보 센터에서는 자체 개발을 시작했습니다.

ECMWF(유럽 중거리 기상예보 센터)는 2025년 2월에 최초의 기계 학습 기반 모델을 서비스에 시작했으며 오랫동안 사용해 온 통합 예측 시스템(IFS) 모델과 함께 실행했습니다.

AIFS 모델은 사용 가능한 모든 기상 관측 데이터를 수집하고 측정값이 없는 물리적으로 일관된 그림을 채워 구축된 데이터 세트인 재분석을 사용하여 교육됩니다. 이 중요한 도구는 이전 스냅샷을 기반으로 다음 글로벌 스냅샷(6시간 전)을 예측하는 기계 학습 작업을 크게 단순화합니다.