Google transformă milioane de articole de presă în hartă globală de avertizare la viituri rapide

Viiturile rapide se numără printre cele mai mortale fenomene meteo din lume, provocând anual moartea a peste 5.000 de persoane. Ele rămân însă și unele dintre cele mai greu de prezis. Google susține că a găsit o soluție la această problemă într-un mod neașteptat: prin „citirea” știrilor.

Deși oamenii au adunat de-a lungul timpului foarte multe date meteorologice, viiturile rapide sunt prea de scurtă durată și prea localizate pentru a fi măsurate complet, așa cum sunt monitorizate, de exemplu, temperaturile sau chiar debitele râurilor. Acest gol de date face ca modelele de deep learning, tot mai capabile să prognozeze vremea, să nu poată anticipa eficient viiturile.

Pentru a aborda această problemă, cercetătorii Google au folosit Gemini – modelul lingvistic de mari dimensiuni al companiei – pentru a analiza 5 milioane de articole de presă din întreaga lume. Din acestea au separat relatări despre 2,6 milioane de inundații și le-au transformat într-o serie temporală geo‑etichetată, denumită „Groundsource”. Potrivit Gilei Loike, product manager în echipa Google Research, este pentru prima dată când compania utilizează modele lingvistice în acest mod. Joi dimineață, cercetarea și setul de date au fost făcute publice.

Având Groundsource drept bază din lumea reală, cercetătorii au instruit un model construit pe o rețea neuronală de tip Long Short-Term Memory (LSTM). Acesta integrează prognoze meteo globale și generează probabilitatea apariției viiturilor rapide într-o anumită zonă.

Modelul de prognoză al Google pentru viituri rapide evidențiază acum riscurile pentru zone urbane din 150 de țări, prin intermediul platformei Flood Hub a companiei, iar datele sale sunt puse la dispoziția agențiilor de intervenție în situații de urgență din întreaga lume. António José Beleza, oficial responsabil cu intervențiile de urgență în cadrul Comunității de Dezvoltare a Africii Australe, care a testat modelul împreună cu Google, a declarat că acesta a ajutat organizația sa să răspundă mai rapid în caz de inundații.

Modelul are totuși și limitări. În primul rând, rezoluția sa este relativ redusă, identificând riscul pe suprafețe de câte 20 de kilometri pătrați. În plus, nu este la fel de precis ca sistemul de alerte pentru inundații al Serviciului Național de Meteorologie din SUA, parțial pentru că modelul Google nu include date radar locale, care permit urmărirea în timp real a precipitațiilor.

Totuși, tocmai aici apare unul dintre obiectivele proiectului. Acesta a fost gândit să funcționeze în regiuni unde autoritățile locale nu își permit investiții în infrastructură meteo costisitoare sau nu dispun de arhive ample de date climatologice. Prin urmare, abordarea a fost adaptată special pentru astfel de contexte, unde nevoia de avertizări este mare, dar mijloacele tehnice sunt limitate.

„Pentru că agregăm milioane de relatări, setul de date Groundsource ajută de fapt la reechilibrarea hărții”, a explicat Juliet Rothenberg, program manager în echipa de Reziliență a Google, într-o discuție cu jurnaliștii în această săptămână. „Ne permite să extrapolăm către alte regiuni în care nu există la fel de multe informații.”

Rothenberg a spus că echipa speră ca utilizarea LLM-urilor pentru a construi seturi de date cantitative pornind din surse scrise, calitative, să poată fi aplicată și altor fenomene greu de surprins, dar esențiale pentru prognoză. Printre acestea se numără valurile de căldură, alunecările de teren sau alte evenimente cu durată scurtă, dar cu impact major.

Marshall Moutenot, CEO al companiei Upstream Tech, care folosește modele similare de deep learning pentru a prognoza debitele râurilor pentru clienți precum companiile hidroenergetice, consideră că aportul Google face parte dintr-un efort tot mai amplu de a aduna date pentru modele de prognoză meteo bazate pe inteligență artificială. Moutenot este cofondator al dynamical.org, un grup care se ocupă de curarea unui set de date meteorologice pregătite special pentru cercetători și startupuri ce lucrează cu machine learning.

„Lipsa de date este una dintre cele mai dificile provocări în geofizică”, a subliniat Moutenot. „În același timp, există prea multe date despre Pământ, iar când vrei să le compari cu realitatea măsurată riguros, nu sunt suficiente. A fost o abordare cu adevărat creativă pentru a obține aceste date.”