Das schien nicht garantiert zu funktionieren, sagt Matthew Chantry, Koordinator für maschinelles Lernen beim ECWMF, der diese Sturmsaison verbringt ihre Leistung bewerten. Die Algorithmen, die ChatGPT zugrunde liegen, wurden mit Billionen von Wörtern trainiert, die größtenteils aus dem Internet stammen, aber es gibt kein so umfassendes Beispiel für die Erdatmosphäre. Insbesondere Hurrikane machen einen winzigen Bruchteil der verfügbaren Trainingsdaten aus. Dass die vorhergesagten Sturmbahnen für Lee und andere so gut waren, bedeutet, dass die Algorithmen einige Grundlagen der Atmosphärenphysik aufgegriffen haben.
Dieser Prozess bringt Nachteile mit sich. Da sich maschinelle Lernalgorithmen an die gängigsten Muster orientieren, tendieren sie dazu, die Intensität von Ausreißern wie extremen Hitzewellen oder tropischen Stürmen herunterzuspielen, sagt Chantry. Und es gibt Lücken in den Vorhersagen dieser Modelle. Sie sind beispielsweise nicht darauf ausgelegt, den Niederschlag abzuschätzen, der sich mit einer feineren Auflösung abspielt als die globalen Wetterdaten, mit denen sie trainiert wurden.
Shakir Mohamed, Forschungsdirektor bei DeepMind, sagt, dass Regen und Extremereignisse – die Wetterereignisse, an denen die Menschen wohl am meisten interessiert sind – die „herausforderndsten Fälle“ für KI-Wettermodelle darstellen. Es gibt andere Methoden zur Niederschlagsvorhersage, darunter einen von DeepMind entwickelten lokalisierten, auf Radar basierenden Ansatz bekannt als NowCasting, aber die Integration beider ist eine Herausforderung. Feinkörnigere Daten, die in der nächsten Version des ECMWF-Datensatzes erwartet werden, der zum Trainieren von Vorhersagemodellen verwendet wird, könnten KI-Modellen dabei helfen, Regen vorherzusagen. Forscher untersuchen auch, wie sich die Modelle optimieren lassen, um außergewöhnliche Ereignisse besser vorhersagen zu können.
Fehlerprüfungen
Ein Vergleich, den KI-Modelle deutlich gewinnen, ist die Effizienz. Meteorologen und Katastrophenschutzbeamte wünschen sich zunehmend sogenannte probabilistische Vorhersagen von Ereignissen wie Hurrikanen – eine Übersicht über eine Reihe möglicher Szenarien und deren Eintrittswahrscheinlichkeit. Daher erstellen Prognostiker Ensemblemodelle, die unterschiedliche Ergebnisse darstellen. Im Falle tropischer Systeme werden sie als Spaghetti-Modelle bezeichnet, da sie Stränge mehrerer möglicher Sturmspuren zeigen. Aber die Berechnung jeder weiteren Nudel kann Stunden dauern.
Im Gegensatz dazu können KI-Modelle innerhalb von Minuten mehrere Projektionen erstellen. „Wenn Sie ein Modell haben, das bereits trainiert ist, läuft unser FourCastNet-Modell in 40 Sekunden auf einer alten Grafikkarte“, sagt DeMaria. „So könnte man ein ganzes gigantisches Ensemble erstellen, das mit physikalisch basierten Modellen nicht realisierbar wäre.“
Leider weisen echte Ensemblevorhersagen zwei Formen der Unsicherheit auf: sowohl in den ersten Wetterbeobachtungen als auch im Modell selbst. Letzteres können KI-Systeme nicht leisten. Diese Schwäche ist auf das „Black-Box“-Problem zurückzuführen, das vielen maschinellen Lernsystemen gemeinsam ist. Wenn Sie versuchen, das Wetter vorherzusagen, ist es entscheidend zu wissen, wie stark Sie an Ihrem Modell zweifeln können. Laut Lingxi Xie, einem leitenden KI-Forscher bei Huawei, ist das Hinzufügen von Erklärungen zu KI-Vorhersagen die wichtigste Anfrage von Meteorologen. „Wir können keine zufriedenstellende Antwort geben“, sagt er.
Trotz dieser Einschränkungen sind Xie und andere zuversichtlich, dass KI-Modelle genaue Prognosen breiter verfügbar machen können. Aber die Aussicht, KI-gestützte Meteorologie in die Hände von irgendjemandem zu legen, liege noch in weiter Ferne, sagt er. Es bedarf guter Wetterbeobachtungen, um Vorhersagen jeglicher Art zu treffen – von Satelliten, Bojen, Flugzeugen, Sensoren –, die über Organisationen wie NOAA und ECMWF weitergeleitet werden, die die Daten in maschinenlesbare Datensätze verarbeiten. KI-Forscher, Start-ups und Nationen mit begrenzten Datenerfassungskapazitäten sind gespannt darauf, was sie mit diesen Rohdaten machen können, aber es gibt viele sensible Themen, darunter geistiges Eigentum und nationale Sicherheit.
Von diesen großen Prognosezentren wird erwartet, dass sie die Modelle weiter testen, bevor die Bezeichnung „experimentell“ entfernt wird. Meteorologen seien von Natur aus konservativ, sagt DeMaria angesichts der Leben und Besitztümer, die auf dem Spiel stehen, und physikbasierte Modelle würden nicht verschwinden. Aber er ist der Meinung, dass Verbesserungen bedeuten könnten, dass es nur noch ein oder zwei weitere Hurrikan-Saisons dauern könnte, bis KI in offiziellen Prognosen eine Rolle spielt. „Sie sehen auf jeden Fall das Potenzial“, sagt er.