Google utilizza vecchie notizie e intelligenza artificiale per prevedere le inondazioni improvvise

Le inondazioni improvvise sono tra gli eventi meteorologici più mortali al mondo e uccidono più di 5.000 persone ogni anno. Sono anche tra i più difficili da prevedere. Ma Google pensa di aver risolto il problema in un modo improbabile: leggendo le notizie.

Sebbene gli esseri umani abbiano raccolto molti dati meteorologici, le inondazioni improvvise sono troppo di breve durata e localizzate per essere misurate in modo completo, allo stesso modo in cui la temperatura o anche i flussi dei fiumi vengono monitorati nel tempo. Questa lacuna di dati significa che i modelli di deep studying, che sono sempre più in grado di prevedere il tempo, non sono in grado di prevedere le inondazioni improvvise.

Per risolvere questo problema, i ricercatori di Google hanno utilizzato Gemini, il grande modello linguistico di Google, per ordinare 5 milioni di articoli di notizie da tutto il mondo, isolando le segnalazioni di 2,6 milioni di inondazioni various e trasformandole in una serie temporale con tag geografici soprannominato “Groundsource”. È la prima volta che l’azienda utilizza modelli linguistici per questo tipo di lavoro, secondo Gila Loike, product supervisor di Google Analysis. La ricerca e il set di dati erano condiviso pubblicamente Giovedì mattina.

Con Groundsource come riferimento nel mondo reale, i ricercatori addestrato un modello costruito su una rete neurale a memoria a breve termine (LSTM) per acquisire previsioni meteorologiche globali e generare la probabilità di inondazioni improvvise in una determinata space.

Il modello di previsione delle inondazioni improvvise di Google sta ora evidenziando i rischi per le aree urbane in 150 paesi Hub dell’alluvione piattaforma e condividendo i suoi dati con le agenzie di risposta alle emergenze di tutto il mondo. António José Beleza, un funzionario della risposta alle emergenze presso la Comunità per lo sviluppo dell’Africa meridionale che ha sperimentato il modello di previsione con Google, ha affermato che ha aiutato la sua organizzazione a rispondere alle inondazioni più rapidamente.

Ci sono ancora limitazioni al modello. Innanzitutto, ha una risoluzione piuttosto bassa, identificando il rischio in aree di 20 chilometri quadrati. E non è preciso come il sistema di allarme inondazioni del Servizio meteorologico nazionale degli Stati Uniti, in parte perché il modello di Google non incorpora dati radar locali, che consentono il monitoraggio in tempo reale delle precipitazioni.

Parte del punto, però, è che il progetto è stato progettato per funzionare in luoghi in cui i governi locali non possono permettersi di investire in costose infrastrutture di rilevamento meteorologico o non dispongono di ampie registrazioni di dati meteorologici.

“Poiché stiamo aggregando milioni di rapporti, il set di dati Groundsource aiuta effettivamente a riequilibrare la mappa”, ha detto ai giornalisti questa settimana Juliet Rothenberg, program supervisor del crew Resilience di Google. “Ci consente di estrapolare le informazioni advert altre regioni dove non ci sono così tante informazioni.”

Rothenberg ha affermato che il crew spera che l’utilizzo degli LLM per sviluppare set di dati quantitativi da fonti scritte e qualitative possa essere applicato agli sforzi per costruire set di dati su altri fenomeni effimeri ma importanti da prevedere, come le ondate di calore e le colate di fango.

Marshall Moutenot, CEO di Upstream Tech, una società che utilizza modelli simili di deep studying per prevedere i flussi fluviali per clienti come le società idroelettriche, ha affermato che il contributo di Google fa parte di uno sforzo crescente per raccogliere dati per modelli di previsione meteorologica basati sul deep studying. Moutenot è stato cofondatore Dynamical.orgun gruppo che cura una raccolta di dati meteorologici pronti per l’apprendimento automatico per ricercatori e startup.

“La scarsità di dati è una delle sfide più difficili in geofisica”, ha affermato Moutenot. “Allo stesso tempo, ci sono troppi dati sulla Terra e poi, quando vuoi valutarli rispetto alla verità, non ce ne sono abbastanza. Questo è stato un approccio davvero creativo per ottenere quei dati.”