Sie werden sich nicht mehr über die Wettervorhersage beschweren, denn Google hat eine KI entwickelt, die diese mit großer Präzision und besser vorhersagen kann als aktuelle Modelle.
Eines der Dinge, die am schwierigsten vorherzusagen sind, sind die Wettervorhersagen, und obwohl sie heute mit den neuen Technologien recht nahe beieinander liegen, werden Sie irgendwann in den Himmel geschaut haben und gesehen haben, dass es sonnig war, als sie es sagten würde regnen.
Glücklicherweise hat Google eine Technologie entwickelt, die dazu in der Lage ist Generieren Sie genaue Wettervorhersagen im großen Maßstab und ist günstiger als aktuelle Prognosen und Methoden.
Skalierbarer Ensemble Envelope Diffusion Sampler (SEEDS) verhält sich ähnlich wie große Sprachmodelle wie ChatGPT.
Seine Technologie generiert viel mehr Sets oder mehrere Wetterszenarien schneller und kostengünstiger als herkömmliche Modelle.
Einerseits haben wir die physikbasierten Vorhersagen, die derzeit von den uns bekannten Wetterdiensten verwendet werden, die mehrere Messungen zusammenführen und eine endgültige Vorhersage ergeben, die viele verschiedene modellierte Vorhersagen mittelt.
Diese aktuellen Technologien verwenden auch deterministische oder probabilistische Prognosemodelle, bei denen Zufallsvariablen in die Anfangsbedingungen eingeführt werden, was jedoch zu einer höheren Fehlerrate führt. Dies macht es schwierig, extreme Wetterereignisse genau vorherzusagen.
Die Vorteile des Scalable Ensemble Envelope Diffusion Sampler (SEEDS)
Jedoch Skalierbarer Ensemble Envelope Diffusion Sampler (SEEDS) von Google erstellt Prognosemodelle aus physikalischen Messungen, die von meteorologischen Agenturen gesammelt wurden, und analysiert die Beziehungen zwischen der potenziellen Energieeinheit pro Masse des Gravitationsfelds der Erde in der mittleren Troposphäre und dem Meeresspiegeldruck.
Diese künstliche Intelligenz kann bis zu 31 Prognosesätze extrapolieren, basierend auf nur einer oder zwei Prognosen, die als Eingabedaten verwendet werden.
Andererseits stellen sie klar, dass die mit der Durchführung von Berechnungen verbundenen Rechenkosten mit Skalierbarer Ensemble Envelope Diffusion Sampler (SEEDS) sind im Vergleich zu aktuellen Methoden unbedeutend.
