الذكاء الاصطناعي يتسلل إلى تطبيقات الطقس: ماذا يعني ذلك للمستخدمين

أصبح التنبؤ بالطقس من أوائل المجالات التي حقق فيها التعلم الآلي نتيجة ملموسة يسهل التحقق منها. فخلال العامين الماضيين، أطلقت كبرى شركات التقنية، ومنها Google DeepMind وHuawei وNVIDIA، نماذج ذكاء اصطناعي خاصة بها للأرصاد الجوية، تتفوق في عدد من المهام على الأساليب العددية التقليدية. لكن ثمة فجوة واسعة بين الاختراق في المختبر وما يراه المستخدم على هاتفه الذكي.

يتطلب التنبؤ العددي التقليدي بالطقس موارد حوسبة ضخمة، فالحواسيب العملاقة في ECMWF (المركز الأوروبي للتنبؤات الجوية المتوسطة المدى) تحتاج إلى ساعات لحساب نموذج واحد. أما أنظمة الذكاء الاصطناعي فتنجز المهمة نفسها في دقائق. وقد أظهر نموذج GraphCast من Google DeepMind، الذي قُدّم في أواخر عام 2023، تفوقًا على الأساليب الكلاسيكية في التنبؤ بالأعاصير ودرجات الحرارة القصوى على أفق يصل إلى عشرة أيام. وأظهر كل من Pangu-Weather من Huawei وFourCastNet من NVIDIA نتائج مشابهة في اختبارات مستقلة.

أما التطبيقات التجارية، مثل AccuWeather وWeather.com وGismeteo، فتعمل بنماذج خاصة بها، وتتأخر في التحديث عن التطورات الأكاديمية. وقد دمجت بعض الخدمات بالفعل عناصر من التعلم الآلي لتحقيق التوطين الفائق للتنبؤات (hyperlocalization). فما يُعرف بـ downscaling يتيح تحسين النموذج العالمي حتى مستوى حي بعينه أو شارع بعينه. لكن المستخدمين، في الغالب، لا يعلمون بذلك.

وهنا تنشأ مشكلة تسويقية. فعبارة «الذكاء الاصطناعي» في تطبيقات الطقس تعني أشياء مختلفة بحسب السياق. فبعض الخدمات تستخدم الشبكات العصبية فعلًا لتحليل بيانات محطات الطقس المنزلية ومستشعرات إنترنت الأشياء (IoT)، وتجمع آلاف النقاط فائقة المحلية. وخدمات أخرى اكتفت بإعادة تسمية خوارزميات إحصائية قائمة منذ زمن طويل. وقد حللت Wired أكبر خدمات الطقس الأمريكية، ووجدت فجوة كبيرة بين عبارة «AI-powered» في التسويق والاستخدام الفعلي للتعلم الآلي في المنتج.

ويتعامل المجتمع المهني للأرصاد الجوية مع نماذج الذكاء الاصطناعي بحذر. فالأساليب الكلاسيكية تتيح للمتنبئ أن يفهم سبب صدور التنبؤ على هذا النحو، إذ تظهر الجبهات الجوية وحقول الضغط والرطوبة. أما الشبكات العصبية فهي صندوق أسود. وتدمج هيئة الأرصاد الجوية الوطنية الأمريكية (National Weather Service) وECMWF الذكاء الاصطناعي بوصفه أداة مساعدة، مع الإبقاء على النماذج التقليدية أساسًا. وهذه استراتيجية معقولة، فأنظمة الذكاء الاصطناعي المدرَّبة على بيانات تاريخية قد تكون أضعف في التعامل مع الظواهر الشاذة النادرة التي لا تمثلها عينة التدريب.

لكن السؤال الأهم للمستخدم العادي مختلف: هل أصبحت التنبؤات أدق؟ الجواب «نعم» حذرة، خصوصًا على الآفاق القصيرة حتى 48 ساعة وفي التحذيرات من الأحداث المتطرفة. غير أن الجودة تعتمد بشدة على المنطقة. ففي الولايات المتحدة وأوروبا الغربية، تتيح الشبكة الكثيفة من محطات الأرصاد والرادارات وبيانات الأقمار الاصطناعية للذكاء الاصطناعي أن يعمل بكفاءة. أما في آسيا الوسطى أو أفريقيا، فتحدّ البنية التحتية المتفرقة من قدرات أي نموذج، فالشبكة العصبية لا تعوّض غياب بيانات الإدخال.

وتتحول تطبيقات الطقس إلى ساحة تنافس، يجري فيها التمايز عبر دقة التنبؤات فائقة المحلية وسرعة التحذيرات. وتستثمر IBM Weather Company وTomorrow.io وClimavision بنشاط في هذا الاتجاه تحديدًا. والرهانات كبيرة، فالتنبؤ الدقيق بهطول الأمطار قبل عشر دقائق من بدئه ليس مجرد راحة، بل يدخل في قرارات التأمين والزراعة والطيران.

لقد وصل الذكاء الاصطناعي فعلًا إلى تطبيقات الطقس، لكن بشكل غير متكافئ، وغالبًا دون أن يلاحظه المستخدم. وبينما ينشر العلماء نماذج تتفوق على الأساليب التقليدية، تهضم الخدمات التجارية هذه التطورات بتأخر يبلغ بضع سنوات. ستواصل دقة التنبؤات الارتفاع، لكن ليس بالسرعة التي يعد بها التسويق.