ИИ-модель WeatherMesh бросает вызов лучшим метеослужбам мира

Новый ИИ-инструмент для прогноза погоды, представленный стартапом WindBorne Systems, обещает более частые и точные прогнозы по ключевым параметрам, чем ведущая мировая система, созданная европейскими правительствами. Прорыв стал возможен благодаря новому способу подачи данных с датчиков в модели глубокого обучения.

WindBorne, основанная студентами Стэнфорда в 2019 году, начинала с разработки улучшенного метеозонда и планировала продавать погодные данные. Но после появления в 2022 году ИИ-моделей для прогнозирования погоды команда решила: больше ценности можно создать, построив собственную модель.

На днях компания выпустила шестую версию этой модели — WeatherMesh. В WindBorne утверждают, что она точнее как традиционных прогнозов, так и ИИ-прогнозов Европейского центра среднесрочных прогнозов погоды (ECMWF) — организации, которую метеорологи считают мировым лидером в точности погодных предсказаний.

Директор по продукту WindBorne Кай Маршленд объясняет это просто: WeatherMesh-6 «на пять дней вперед так же точна, как традиционный прогноз — за день до события», особенно когда речь идет о температуре у поверхности.

Модель выдает прогноз каждый час, а не раз в шесть часов, как традиционные системы. В континентальной части США ее разрешение достигло 3 км.

Классические прогнозы строятся на сложных физических моделях: им нужны дорогие суперкомпьютеры и много времени. ИИ-модели, которые разрабатывают стартапы и лаборатории вроде Google DeepMind, работают быстрее, но пока уступают физическим моделям в разрешении и точности на длинных горизонтах. Тем не менее ИИ в метеорологии быстро набирает силу и уже используется государственными агентствами по всему миру.

Преимущество WindBorne — в редком сочетании собственной модели и собственных данных. В любой момент у компании в воздухе около 400 зондов, запущенных с 15 площадок по всему миру. Именно улучшенная подача этих данных в модель стала главным фактором прогресса WeatherMesh-6.

«Лично я не понимаю бизнес-модель ИИ-компании в погоде без преимущества в данных», — сказал гендиректор WindBorne Джон Дин.

Сила ECMWF во многом связана с ассимиляцией данных — превращением разрозненных показаний датчиков в единую машиночитаемую картину атмосферы. Пока большинство погодных ИИ-моделей зависят от наборов данных ECMWF и Национального управления океанических и атмосферных исследований США (NOAA).

WindBorne пытается идти дальше: напрямую загружать данные с зондов и других источников в модель. По словам главы ИИ-направления Джоана Креус-Косты, именно это стало ключом к улучшению новой WeatherMesh. На настройку и перестройку трансформерной архитектуры ушел год — модель должна была научиться давать такие прогнозы без потери стабильности.

«Когда мы начали заниматься ассимиляцией данных, мы все еще сильно зависели от ECMWF, — говорит Дин. — Думаю, если сегодня убрать начальные условия ECMWF, мы все равно показали бы неплохой результат».

В прошлом году WindBorne столкнулась с серьезным инцидентом: пассажирский самолет United Airlines задел один из ее зондов. Самолет получил небольшие повреждения, никто не пострадал — в том числе потому, что компания соблюдала ограничения США по размеру сенсорного блока. Теперь WindBorne использует глобальную систему авиационного наблюдения ADS-B, чтобы отслеживать воздушное движение и уводить зонды от самолетов.

Компания привлекла $25 млн венчурного финансирования; в 2024 году ее оценивали в $85 млн. WindBorne продает данные своих зондов NOAA, ВВС и ВМС США, а прогнозы — инвесторам и сырьевым трейдерам. Но, по словам Дина, главный фокус пока не на коммерческих продуктах, а на развитии модели и инфраструктуры данных.

«Я не хочу вкладываться в огромную команду для SaaS-продукта, если через два года люди будут получать информацию через ИИ-агента», — говорит он.

Источник: TechCrunch

AI News

Статьи и новости о нейросетях и искусственном интеллекте, просто и понятно о сложных технологиях. Освещает современные тенденции, объясняет, как работают ИИ-системы, и показывает, каким образом нейросети меняют различные сферы жизни. Регулярно собирает подборки и топы полезных нейросетей, тщательно отбирая актуальные инструменты и сервисы, которые могут существенно упростить рабочие и повседневные задачи. В своих подборках делится описаниями возможностей каждой нейросети, а также рекомендациями по их применению, чтобы помочь читателям быстро разобраться в новых технологиях и использовать их с максимальной пользой.

Социальные сети автора: