Классическая метеорология — огромный поток данных. Источники этих данных — спутники, с которых непрерывно льется картинка земного шара, профессиональные наземные станции, измеряющие давление, влажность, скорость направления ветра, полторы тысячи радиозондовых станций.
Все данные загружаются в модели, которые являются результатом колоссального труда людей. Тысячелетия человекогодов лучших физиков, специализирующихся в этой области, вложены в модели, которые в состоянии запускаться на пяти-шести суперкомпьютерах в мире. С их помощью строятся традиционные прогнозы, и они в трёх-четырёх моделях, существующих в мире, дают похожие прогнозы.
Что делает современный подход? «Ребята, а теперь давайте мы запустим систему машинного обучения предсказания всех трёх моделей. Они будут каждый день формулировать прогноз погоды на завтра, а мы — сравнивать с тем, что было на самом деле. Получим некую дельту, потому что каждый из этих прогнозов немного наврал. И попросим машинку: обучайся так, чтобы эта дельта становилась меньше и меньше».
При этом не надо ничего понимать в физике атмосфер и ничего корректировать в моделях. Нужно минимизировать дельту. Поскольку это не физическая модель, сюда можно загонять другие данные, потому что атмосфера над городской застройкой, лесом, пашней и озером ведёт себя по-разному. Или информацию о том, как долго ваш кот лежал вчера на батарее — потому что кот чувствует: если завтра заморозки, он будет лежать дольше. Или информацию, которую хорошо знают туристы-водники: слишком красный закат — значит, завтра почти наверняка будет высокая волна.
В современную модель загнать спектральные характеристики некуда; в гидродинамике нет места, куда можно вставить такую интегральную характеристику атмосферы, как цвет закатного солнца. В эту модель — можно. Потому что это не модель в привычном смысле. Сетка учится сама, хоть мы и не понимаем, чему она научилась. Дельта становится всё меньше и меньше, и прогноз всё больше похож на правду.
К сожалению, у метеорологии годичный цикл. Хоть ты тресни, а нейросеть должна хоть раз обучиться на зиме, на весне, на лете. Ещё через годик, когда в её истории обучения будут разные сезоны, она будет работать лучше любого из прогнозов, в которые вложены знания человечества. При этом мы не будем знать, как она это делает.
Полную версию лекции смотрите на Malina.am
