Njihov alat je baziran na algoritmu zahvaljujući kojem mogu ostvariti “preciznost bez presedana” kada je u pitanju globalna vremenska prognoza.
Umjetna inteligencija danas se koristi u brojnim manjim i većim poslovnim procesima, a u budućnosti bi zahvaljujući ovoj tehnologiji mogli imati i preciznije vremenske prognoze. Tako barem tvrde iz Googlea, odnosno njihova odjela DeepMind koji je razvio specijaliziran i napredan AI model namijenjen prognoziranju vremenskih uvjeta.
Iz ove kompanije kažu kako je GraphCast baziran na algoritmu zahvaljujući kojem mogu ostvariti “preciznost bez presedana” kada je u pitanju globalna vremenska prognoza. Osim velike preciznosti, ovaj je model zanimljiv i po svojoj brzini jer mu za izračune treba manje od minute. To je u suprotnosti s klasičnim prognostičkim modelima za koje su potrebna superračunala koja će obraditi veliku količinu podataka i varijabli te im je za izračune potrebno dosta vremena.
Tijekom razdoblja od deset dana Googleova umjetna inteligencija može predvidjeti stotine vremenskih varijabli te u 90 posto slučajeva u svojim prognozama “značajno nadmašuje” najpreciznije postojeće prognostičke sustave. Googleova umjetna inteligencija posebno se dokazala u predviđanju opasnijih vremenskih nepogoda poput tropskih ciklona, ekstremnih temperatura i slično.
Ovaj je model treniran na povijesnim podacima o vremenu u proteklih 40 godina. Riječ je o podacima Europskog centra za srednjoročne prognoze vremena (ECMWF), jednog od vodećih svjetskih prognostičkih sustava. Napredak koji je GraphCast ostvario iznenadio je i sve znanstvenike u ECMWF-u te su prognoze Googleove umjetne inteligencije impresivnije u odnosu na ono što su stručnjaci ranije predviđali. GrapCast je brz, točan i iznimno energetski učinkovit te zahtjeva samo minutu računalnog opterećenja cloud računala Google TPU v4, a cijeli proces može biti i tisuću puta jeftiniji u odnosu na energetsku potrošnju superračunala prilikom primjene tradicionalnih prognostičkih metoda.
Ipak, treba naglasiti kako ovaj model nije savršen i ima svoja ograničenja te u nekim prognostičkim scenarijima ne može nadmašiti tradicionalne metode i alate koji se koriste za prognoze, a ne može pružiti niti istu razinu detalja. Zato iz Googlea ne misle da bi GraphCast, barem ne u bližoj budućnosti, mogao zamijeniti tradicionalne prognostičke sustave, ali ih zato može nadopunjavati kako bi konačan rezultat, odnosno prognoza bila što preciznija.
