Google Gemini czyta miliony newsów, by przewidzieć błyskawiczne powodzie. Ten system AI tworzy mapę zagrożeń dla 150 krajów, ratując życie tam, gdzie brakuje danych.
W skrócie:
- Model Gemini przeanalizował 5 milionów artykułów prasowych, tworząc bazę danych o 2,6 milionach historycznych powodzi na całym świecie.
- Na tej podstawie Google uruchomiło system prognozowania, który wskazuje zagrożone obszary w 150 krajach za pośrednictwem platformy Flood Hub.
- Rozwiązanie ma niższą rozdzielczość niż systemy radarowe, ale zostało zaprojektowane z myślą o regionach bez dostępu do drogiej infrastruktury pogodowej.
Błyskawiczne powodzie to jedne z najbardziej śmiercionośnych zjawisk pogodowych. Każdego roku zabijają ponad 5000 osób, a ich nadejście jest niemal niemożliwe do precyzyjnego przewidzenia. Są zbyt gwałtowne, zbyt lokalne, zbyt chaotyczne. Brakuje historycznych danych, na których można by oprzeć solidne modele prognostyczne. A przynajmniej brakowało ich do teraz. Google ogłosiło, że znalazło rozwiązanie tego problemu w miejscu, w którym nikt go nie szukał – w archiwach serwisów informacyjnych.
Jak AI nauczyło się czytać o pogodzie?
Inżynierowie Google zdali sobie sprawę, że skoro nie ma scentralizowanych, ustrukturyzowanych baz danych o powodziach błyskawicznych, trzeba je stworzyć. Zamiast budować sieć kosztownych czujników, sięgnęli po swoje najpotężniejsze narzędzie językowe. Model Gemini dostał zadanie przeczytania 5 milionów artykułów z całego świata. Jego celem było wyizolowanie i zrozumienie doniesień o 2,6 milionach różnych zdarzeń powodziowych. Efektem tej tytanicznej pracy jest geotagowana seria czasowa nazwana “Groundsource”.
Gila Loike, menedżerka produktu w Google Research, potwierdza, że to pierwszy raz, kiedy firma wykorzystała modele językowe do tego typu zadania. “Groundsource” posłużyło jako paliwo dla kolejnego etapu – treningu modelu prognostycznego. Wykorzystano do tego sieć neuronową typu Long Short-Term Memory (LSTM), którą nauczono, jak na podstawie globalnych prognoz pogody obliczać prawdopodobieństwo wystąpienia nagłej powodzi na danym obszarze.
Globalny parasol ochronny z pewnymi ograniczeniami
Nowy system prognozowania powodzi od Google już działa. Za pośrednictwem platformy Flood Hub podkreśla ryzyko dla obszarów miejskich w 150 krajach, a dane udostępnia agencjom reagowania kryzysowego na całym świecie. Jego skuteczność potwierdzają pierwsi użytkownicy. António José Beleza, urzędnik ds. reagowania kryzysowego we Wspólnocie Rozwoju Afryki Południowej, przyznał, że model pomógł jego organizacji w znacznie szybszym reagowaniu na zagrożenia.
Oczywiście, to nie jest magiczne remedium. Model ma swoje ograniczenia. Po pierwsze, działa w dość niskiej rozdzielczości, identyfikując ryzyko na obszarach o powierzchni 20 kilometrów kwadratowych. Po drugie, nie jest tak precyzyjny jak na przykład amerykański system National Weather Service, ponieważ nie uwzględnia lokalnych danych radarowych, które śledzą opady w czasie rzeczywistym. Ale nie o to w tym projekcie chodziło. System celowo zaprojektowano tak, by działał skutecznie w miejscach, gdzie rządy nie mają funduszy na drogą infrastrukturę ani rozbudowanych archiwów meteorologicznych.
“Ponieważ agregujemy miliony raportów, zbiór danych Groundsource pomaga przywrócić równowagę na mapie” – wyjaśniła Juliet Rothenberg, menedżerka programu w zespole Google ds. odporności. “Umożliwia nam to ekstrapolację na inne regiony, w których brakuje informacji”.
“Kreatywne podejście do braku danych” – co dalej?
Pomysł, by przekształcać jakościowe, pisane źródła w ilościowe zbiory danych, otwiera zupełnie nowe możliwości. Zespół Google ma nadzieję, że tę samą metodologię uda się zastosować do prognozowania innych ulotnych, lecz groźnych zjawisk, takich jak fale upałów czy lawiny błotne. To podejście doceniają zewnętrzni eksperci, którzy od lat zmagają się z podobnymi wyzwaniami.
Marshall Moutenot, dyrektor generalny firmy Upstream Tech, która używa podobnych modeli do prognozowania przepływów rzek, nazwał projekt Google częścią rosnącego wysiłku na rzecz gromadzenia danych dla modeli pogodowych opartych na uczeniu maszynowym. “Niedobór danych to jedno z najtrudniejszych wyzwań w geofizyce” – stwierdził Moutenot. “Jednocześnie mamy za dużo danych o Ziemi, a kiedy chcesz je zweryfikować z prawdą, okazuje się, że prawdy jest za mało. To było naprawdę kreatywne podejście do pozyskania tych danych”. Wygląda na to, że czasami, by przewidzieć przyszłość, wystarczy uważnie przeczytać przeszłość. Nawet jeśli jest zapisana w milionach niepowiązanych ze sobą newsów.