Der Aufstieg der Robo-Meteorologe

Maschinen können viele Dinge besser als Ihre durchschnittliche menschliche Gehirn tun. Die Hölle ist ein $5 Rechner mehr begabte in Mathe, als ich jemals sein werde. Und jetzt Maschinen können auch Vorhersagen Wetter genauer als Ihre lokale Bag of Bones-Meteorologe.

Microsoft-Forscher Ashish Kapoor und Eric Horvitz benutzen maschinelles lernen, genauere Wettervorhersagen über einen Zeitraum von 24 Stunden zu machen. Während dieser Robo-Gehirn nicht in der Lage zu helfen, mit Ihren fünf-Tage-Vorhersage sein also es kann Ihnen genau sagen, ob Regen oder Sonnenschein eher im Laufe des Tages.

Wie? Indem einfach nicht Annahmen. Kapoor und Horvitz' System von massiven Datensätzen von Wetterereignissen der Vergangenheit lernen kann – weil Geschichte hat oft einen Weg, sich zu wiederholen, auch wenn es um Wetter kommt. Mit Hilfe dieser Daten, sagt Kapoor haben wir nicht "restriktiven Annahmen" über Mutter Natur. Wir können nur die Daten sprechen lassen. Kapoor sprach mit Gizmodo über das Telefon und gab ein einfaches Beispiel:

Heute in Seattle ist es wechselnd bewölkt. Gibt es irgendeine Art von Druck und Temperaturprofil für Seattle durch Zeit und Raum. Also wenn ich 100 Jahre Geschichte was kann ich tun haben, kann ich schauen Sie durch die Geschichte und den Tag, der genau das Wetter heute abgestimmt. Wenn ich, dass 2. Juni 1955 finde, war heute sehr ähnlich. Daher kann ich sagen, dass das Wetter morgen wird, 3. Juni 1955 zu suchen. Ich habe keine natürlichen Phänomene modelliert, aber ich kann die Macht der Daten Vorhersagen zu treffen, die sinnvoll nutzen.

Im Wesentlichen sind Forscher jetzt physical-Modeling (aka die alte Art der Vorhersage Wetter mit Karten der eingehenden Systeme) mit Machine Learning kombiniert Techniken, die wie Vergangenheit analysieren Wetter Systeme Verhalten. Insbesondere verwendet sie tief neuronale Netze, die verbesserte künstliche Augen und Rede bereits geholfen haben. Ihre neuen Modelle haben viel niedrigere Fehlerquoten bei der Vorhersage von Temperatur, Wind, Taupunkt und Druck Zonen Standorte (Geopotential Höhe) bis zu 24 Stunden aus.

RMS steht für Root-Mean-Square-Fehler.

"Tief neuronalen Netzes ist bestrebt, die Abhängigkeiten über Variablen zu modellieren, ohne explizite Annahmen," sagt Kapoor. "Sie brauchen noch nicht einmal diese Beziehung zu kodieren, diese Modelle lernen diese Beziehung automatisch."

Dies ist nicht das erste Mal Kapoor maschinelles lernen, um unser Verständnis von komplexen Wettersysteme zu verbessern verwendet hat. Mithilfe von öffentlichen FAA-Daten von Zehntausenden von kommerziellen Flugzeug Flüge pro Tag – Dinge wie geplante Geschwindigkeit, Entfernung, Höhe und beobachteten Groundspeed — Kapoors Machine Learning-Algorithmen konnten höhere Höhe Windmuster zu bestimmen.

"Machine Learning Algorithmen versuchen heute als eine sehr komplexe Funktion der Geschichte zum Ausdruck bringen," sagt Kapoor. "Versuchen Sie mit dieser Funktion zu extrapolieren, was es in der Zukunft aussehen wird."

Wir haben noch einen langen Weg zu gehen, bevor Robo-Meteorologen auf dem lokalen Nachrichten sind. Zum einen ist dies nur in einem 24-Stunden-Fenster genau, obwohl Kapoor ist derzeit untersucht, wie diese Genauigkeit verlängert werden kann. Das Team glaubt auch, dass das System besser zu verstehen, die Auswirkungen des Klimawandels auf Wettermuster Wissenschaftler helfen könnte.

Ob Al Rokers Nachfolger ein matschig Gehirn oder einem Silizium-Chip hat, diese Forschung bietet einen faszinierenden Blick auf wie maschinelles lernen seinen Weg in jeden Aspekt unseres Lebens findet – von der Erstellung künstlicher Anblick zu bestimmen, ob wir einen Schirm brauchst.

[Eine tiefe Hybrid-Modell für die Wettervorhersage über Microsoft Research]

Top Bild via Getty Images Personal