WASHINGTON – Model prediksi cuaca pembelajaran mesin baru yang disebut GenCast dapat mengungguli sistem prakiraan cuaca tradisional terbaik setidaknya dalam beberapa situasi.

Menggunakan pendekatan model difusi yang mirip dengan generator gambar kecerdasan buatan (Artificial Intelligence/AI), sistem ini menghasilkan beberapa prakiraan cuaca untuk menangkap perilaku atmosfer yang kompleks.

Menurut para peneliti Google DeepMind dalam sebuah makalah oleh yang diterbitkan Nature, sistem ini melakukannya dengan waktu lebih cepat dan sumber daya komputasi minimal dibandingkan pendekatan tradisional.

Baca Lainnya :

• Tanpa Android, Huawei Luncurkan Mate 70 Series dengan HarmonyOS0
• Google Gemini Terkoneksi Spotify, Cari dan Putar Musik dengan Suara0
• Hutama Karya Terapkan AI Untuk Perencanaan Jalan Tol Trans Sumatera Yang Cepat, Tepat, Dan Efisien0
• Makin Canggih, OpenAI Hadirkan Mode Suara ke ChatGPT di Web0
• Halo Robotics memperkenalkan Solusi Drone untuk Operasi SAR0

Menurut makalah tersebut GenCast menggunakan pendekatan probabilistik ini menghasilkan prakiraan yang lebih akurat daripada sistem prediksi cuaca numerik terbaik di dunia, yang ada di Pusat Prakiraan Cuaca Jangka Menengah Eropa.

Model GenCast membuat prediksi beberapa variabel seperti suhu, tekanan, kelembapan, dan kecepatan angin di permukaan dan pada 13 ketinggian yang berbeda, pada kisi yang membagi dunia menjadi wilayah lintang dan bujur 0,25 derajat.

GenCast adalah apa yang disebut "model difusi", mirip dengan generator gambar AI. Namun, alih-alih mengambil teks dan menghasilkan gambar, ia mengambil keadaan atmosfer saat ini dan menghasilkan perkiraan seperti apa keadaannya dalam 12 jam.

Cara kerjanya dengan terlebih dahulu menetapkan nilai variabel atmosfer 12 jam ke depan sebagai derau acak. GenCast kemudian menggunakan jaringan saraf untuk menemukan struktur dalam derau yang kompatibel dengan variabel cuaca saat ini dan sebelumnya. 

Kumpulan beberapa prakiraan dapat dibuat dengan memulai dengan derau acak yang berbeda. Prakiraan dijalankan hingga 15 hari, memakan waktu 8 menit pada satu prosesor yang disebut unit prosesor tensor (TPU). 

Ini jauh lebih cepat daripada model sirkulasi umum. Pelatihan model memakan waktu lima hari menggunakan 32 TPU. Prakiraan pembelajaran mesin dapat menjadi lebih luas di tahun-tahun mendatang karena menjadi lebih efisien dan andal.

Namun, prediksi cuaca numerik klasik dan data yang dianalisis ulang akan tetap diperlukan. Mereka tidak hanya diperlukan untuk menyediakan kondisi awal untuk prakiraan cuaca pembelajaran mesin, mereka juga menghasilkan data masukan untuk terus menyempurnakan model pembelajaran mesin.

Bagaimana dengan iklim? Sistem prakiraan cuaca pembelajaran mesin saat ini tidak sesuai untuk proyeksi iklim, karena tiga alasan.

Pertama, untuk membuat prediksi cuaca beberapa minggu ke depan, Anda dapat berasumsi bahwa lautan, daratan, dan es laut tidak akan berubah. Ini tidak berlaku untuk prediksi iklim selama beberapa dekade.

Kedua, prediksi cuaca sangat bergantung pada detail cuaca saat ini. Namun, proyeksi iklim berkaitan dengan statistik iklim beberapa dekade ke depan, yang mana cuaca saat ini tidak relevan. Emisi karbon di masa mendatang merupakan penentu yang lebih besar dari keadaan iklim di masa mendatang.

Ketiga, prediksi cuaca merupakan masalah "big data". Ada sejumlah besar data observasional yang relevan, yang merupakan apa yang Anda perlukan untuk melatih model pembelajaran mesin yang kompleks.

Proyeksi iklim merupakan masalah "small data", dengan data yang tersedia relatif sedikit. Hal ini karena fenomena fisik yang relevan (seperti permukaan laut atau penggerak iklim seperti El Niño–Southern Oscillation) berevolusi jauh lebih lambat daripada cuaca. (wib)