الذكاء الاصطناعي استولى على تطبيقات الطقس: ماذا يعني هذا للمستخدمين

أصبح الذكاء الاصطناعي أحد أولى القطاعات التي حقق فيها التعلم الآلي نتائج قابلة للقياس وسهلة التحقق. خلال السنتين الماضيتين، أطلقت أكبر شركات التكنولوجيا — Google DeepMind و Huawei و NVIDIA — نماذج ذكاء اصطناعي خاصة بها للأرصاد الجوية، والتي تتفوق في العديد من المهام على الطرق الرقمية التقليدية. لكن هناك هوة شاسعة بين نقطة اختراق في المختبر وما يراه المستخدم على هاتفه الذكي.

يتطلب التنبؤ الجوي الرقمي التقليدي موارد حسابية ضخمة: تعالج أجهزة الحاسوب العملاقة التابعة لـ ECMWF (المركز الأوروبي للتنبؤات الجوية متوسطة المدى) نموذجاً واحداً لساعات. تنجز أنظمة الذكاء الاصطناعي نفس المهمة في دقائق. حقق GraphCast من Google DeepMind، المقدم في أواخر عام 2023، تفوقاً على الطرق الكلاسيكية في التنبؤ بالأعاصير والحرارة الشديدة على أفق زمني يصل إلى عشرة أيام.

أظهر Pangu-Weather من Huawei و FourCastNet من NVIDIA نتائج مماثلة في الاختبارات المستقلة. تعمل التطبيقات التجارية — AccuWeather و Weather.com و Gismeteo — على نماذجها الخاصة وتحدث مع تأخير بالنسبة للتطورات الأكاديمية.

لقد دمجت بعض الخدمات بالفعل عناصر التعلم الآلي لتوطين التنبؤات بشكل محدود جداً: ما يسمى بـ downscaling يسمح بتحسين نموذج عالمي إلى مستوى حي معين أو شارع. لكن المستخدمين، كقاعدة عامة، لا يعرفون ذلك.

تنشأ هنا مشكلة تسويقية. كلمة "ذكاء اصطناعي" في تطبيقات الطقس تعني أشياء مختلفة حسب السياق. تستخدم بعض الخدمات بالفعل الشبكات العصبية لتحليل البيانات من محطات الطقس المنزلية وأجهزة استشعار إنترنت الأشياء، وتجميع آلاف النقاط المحددة بدقة عالية. قامت خدمات أخرى بإعادة تسمية الخوارزميات الإحصائية التي توجد منذ فترة طويلة. قام Wired بتحليل أكبر خدمات الطقس الأمريكية واكتشف فجوة كبيرة بين "المدعوم بالذكاء الاصطناعي" في التسويق والتطبيق الفعلي للتعلم الآلي في المنتج.

يتعامل المجتمع الأرصادي المهني مع نماذج الذكاء الاصطناعي بحذر. توفر الطرق الكلاسيكية للأرصادي فهماً لسبب كون التنبؤ بهذه الطريقة: الجبهات الجوية وحقول الضغط والرطوبة مرئية. الشبكات العصبية هي صندوق أسود. يدمج الخدمة الوطنية للأرصاد الجوية الأمريكية و ECMWF الذكاء الاصطناعي كأداة مساعدة، مع الحفاظ على النماذج التقليدية كأساس. هذه استراتيجية معقولة: قد تؤدي أنظمة الذكاء الاصطناعي المدربة على البيانات التاريخية إلى أداء أسوأ مع الظواهر الشاذة النادرة غير الممثلة في مجموعة بيانات التدريب.

بالنسبة للمستخدم العادي، سؤال مختلف مهم: هل أصبحت التنبؤات أكثر دقة؟ الإجابة هي "نعم" حذرة، خاصة على الآفاق القصيرة حتى 48 ساعة وفي التحذيرات من الأحداث الشديدة. لكن الجودة تعتمد بشكل كبير على المنطقة. في الولايات المتحدة وأوروبا الغربية، تسمح شبكة كثيفة من محطات الطقس والرادارات والبيانات الفضائية للذكاء الاصطناعي بالعمل بشكل جيد. في آسيا الوسطى أو أفريقيا، تحد البنية التحتية الموزعة بشكل متفرق من قدرات أي نموذج: لا يمكن للشبكة العصبية أن تعوض غياب بيانات الإدخال.

تصبح تطبيقات الطقس مجالاً تنافسياً حيث يتم التمايز من خلال دقة التنبؤات المحددة بدقة عالية وسرعة التحذيرات. تستثمر IBM Weather Company و Tomorrow.io و Climavision بنشاط في هذا الاتجاه. الرهانات عالية: التنبؤ الدقيق بهطول الأمطار قبل عشر دقائق من البدء ليس مجرد راحة، بل هو حل في التأمين والزراعة والطيران.

جاء الذكاء الاصطناعي بالفعل إلى تطبيقات الطقس — لكن بشكل غير متساوٍ وغالباً بشكل غير مرئي للمستخدم. بينما ينشر العلماء نماذج تتفوق على الطرق التقليدية، تستوعب الخدمات التجارية هذه التطورات بتأخير يمتد لعدة سنوات. ستتحسن دقة التنبؤات — فقط ليس بالسرعة التي يعدها التسويق.