Viel schnellere und viel genauere Wettervorhersagen. Dies ist das Versprechen von Tools für künstliche Intelligenz (KI), wie etwa dem von Google entwickelten GraphCast, das am Dienstag, dem 14. November, vorgestellt wurde. Marc Pontaud, Direktor für Hochschulbildung und Forschung bei Météo France, erklärt uns, inwieweit die offizielle Stelle KI bereits täglich einsetzt, wie sie sie in Zukunft einsetzen will, wo die Grenzen liegen und wie man diese überwinden kann.
Was halten Sie von den Ergebnissen des GraphCast-Modells von Google DeepMind, das in 90 % der Fälle effizienter ist als das Wettervorhersagemodell des Europäischen Zentrums?
MARC PONTAUD. Alle in den letzten 18 Monaten durchgeführten Experimente zeigen das große Potenzial von KI für die Wettervorhersage. Die mit diesen Modellen erzielten Ergebnisse sind im großen Maßstab sehr gut, im feineren Maßstab besteht jedoch erheblicher Verbesserungsbedarf. Während des Ciaran-Sturms zum Beispiel sahen die KI-Modelle das Tiefdruckgebiet zwar ungefähr auf der richtigen Flugbahn und mit den richtigen Grabungen ankommen, aber sie erwarteten nicht die Episode sehr starker Winde am Boden, die über Nordwestfrankreich hinwegfegten.
Wind war mit diesem Tiefdruckgebiet verbunden, erreichte jedoch nicht die von unseren physikalischen Gleichungsmodellen erwarteten Geschwindigkeiten, was es uns ermöglichte, den roten Alarm mehr als vierundzwanzig Stunden im Voraus auszulösen. Dies ist zweifellos insbesondere auf eine zu grobe Auflösung und eine qualitativ sehr hochwertige, aber immer noch unzureichende Lernbasis zurückzuführen. Es wird sehr nützlich sein, die Schwächen dieses Ansatzes zu identifizieren, damit wir ihn verbessern können.
Sparen diese Modelle der künstlichen Intelligenz Zeit und verbrauchen sie viel weniger Energie?
Vor allem verlagern wir den Schwerpunkt. Mit einem KI-Modell ist die Vorhersage sehr kurz, in der Größenordnung von ein bis zwei Minuten, und funktioniert mit wenig Strom. Die Lernphase kann jedoch langwierig sein, derzeit bei einem Modell mit 30 km Auflösung in der Größenordnung von einigen Wochen, und eine gewisse Energiemenge erfordern. Um eine höhere Präzision in der Größenordnung eines Kilometers zu erreichen, besteht die Gefahr, dass die Lernzeit viel länger wird und Energie verbraucht wird.
Soll KI aktuelle Wettervorhersagemodelle ersetzen?
Wir nutzen KI bereits vorgelagert bei der Valorisierung von Beobachtungen und nachgelagert für Prognosen sowie bei der Modellierung, weil wir kleine Teile des Modells durch Teile der KI ersetzen. Wir arbeiten derzeit an der Entwicklung sehr hochauflösender Wetterdatenbanken für Westeuropa mit dem Ziel, im Jahr 2024 ein erstes Modell eines feinskaligen KI-Vorhersagemodells zu erstellen.
Aber unsere Prognostiker schauen sich bereits die verfügbaren KI-Modelle an, wohl wissend, dass sie noch einige Schwächen aufweisen und dass das Verständnis der Physik nach wie vor sehr wichtig ist, um weitere Fortschritte zu erzielen. Mindestens in den nächsten zehn Jahren werden die beiden Modelltypen (physikalische Gleichungen und KI) nebeneinander existieren. Längerfristig wird viel vom relativen Fortschritt abhängen, den diese KI- und physikalischen Gleichungsmodelle erzielen können, aber Komplementarität wird wahrscheinlich der vorteilhafteste Ansatz sein.
Ist der Beruf des Prognostikers in Gefahr?
NEIN ! Die Aufgabe eines Prognostikers besteht und bleibt darin, die Ergebnisse der Modelle zu bewerten, Bulletins und Wachsamkeitsmeldungen zu erstellen, mit Bürgern und staatlichen Diensten zu kommunizieren usw. Auf der Forschungsseite müssen wir daher zusätzlich zu unseren aktuellen Modellen ein neues digitales System, KI-Modelle, entwickeln und verbessern, was zusätzliche Ressourcen erfordern könnte.
