Ena πλεονέκτημα των μοντέλων τεχνητής νοημοσύνης είναι ότι συχνά απαιτούν λιγότερη υπολογιστική ισχύ από ό,τι τα συμβατικά μοντέλα.
Ένα νέο μοντέλο τεχνητής νοημοσύνης παρουσίασαν ερευνητές της Microsoft που προβλέπει με ακρίβεια τον καιρό και την ατμοσφαιρική ρύπανση σε ολόκληρο τον κόσμο μέσα σε λιγότερο από ένα λεπτό.
Το μοντέλο, με την ονομασία Aurora, ενσωματώνει μια σειρά εργαλείων τεχνητής νοημοσύνης για την πρόγνωση του καιρού που έχουν αναπτυχθεί από τεχνολογικούς κολοσσούς, όπως το GraphCast της Google DeepMind και το FourCastNet της Nvidia. Ωστόσο, η ικανότητα του Aurora να προβλέπει τόσο γρήγορα την ατμοσφαιρική ρύπανση σε παγκόσμιο επίπεδο είναι πρωτοποριακή, λένε οι ερευνητές.
Σύμφωνα με τον ερευνητή, το Aurora είναι το πρώτο σύστημα τεχνητής νοημοσύνης που προβλέπει την ατμοσφαιρική ρύπανση σε παγκόσμιο επίπεδο – μια πιο πολύπλοκη διαδικασία από την πρόγνωση του καιρού. Επιπλεόν, ένα άλλο πλεονέκτημα των μοντέλων τεχνητής νοημοσύνης είναι ότι συχνά απαιτούν λιγότερη υπολογιστική ισχύ από ό,τι τα συμβατικά μοντέλα.
Ο Πάρις Περδικάρης, ερευνητής Τεχνητής Νοημοσύνης στο Microsoft Research AI for Science στο Άμστερνταμ και οι συνεργάτες του, διαπίστωσαν ότι το Aurora μπορούσε να προβλέψει τα επίπεδα έξι σημαντικών ατμοσφαιρικών ρύπων: μονοξείδιο του άνθρακα, οξείδιο του αζώτου, διοξείδιο του αζώτου, διοξείδιο του θείου, όζον και αιωρούμενα σωματίδια, σε λιγότερο από ένα λεπτό, με μικρότερο υπολογιστικό κόστος από ό,τι ένα συμβατικό μοντέλο που χρησιμοποιεί η Υπηρεσία Παρακολούθησης της Ατμόσφαιρας Copernicus στο ECMWF.
Οι ερευνητές εκπαίδευσαν το Aurora σε περισσότερες από ένα εκατομμύριο ώρες δεδομένων από έξι καιρικά και κλιματικά μοντέλα. Στη συνέχεια, η ομάδα βελτίωσε το μοντέλο ώστε να προβλέπει τη ρύπανση και τον καιρό σε παγκόσμιο επίπεδο. Σύμφωνα με την ερευνητική ομάδα, σε ορισμένες εργασίες, το Aurora θα μπορούσε να ξεπεράσει άλλα μοντέλα τεχνητής νοημοσύνης για την πρόγνωση του καιρού, όπως το GraphCast. Περαιτέρω έρευνα θα δείξει αν τα μοντέλα τεχνητής νοημοσύνης που εκπαιδεύονται σε διαφορετικά σύνολα δεδομένων, όπως το Aurora, αποδίδουν καλύτερα από εκείνα που εκπαιδεύονται σε ένα μόνο σύνολο δεδομένων, όπως το GraphCast.
