MIT phát triển công cụ AI dự báo thời tiết cực đoan mà không cần dữ liệu lịch sử

Các kỹ sư tại MIT đã xây dựng một công cụ AI có khả năng dự báo thời tiết cực đoan mà không cần huấn luyện dựa trên dữ liệu thảm họa lịch sử.

Kai Chang, nghiên cứu sinh ngành kỹ thuật cơ khí, cùng Giáo sư Themis Sapsis là những người phát triển công cụ này. Nó tạo ra các bản đồ về những sự kiện chưa từng xuất hiện trong hồ sơ lịch sử của một khu vực nhưng vẫn có khả năng xảy ra về mặt thống kê. Mỗi bản đồ cũng đi kèm với các ước tính về thời gian và cường độ có thể xảy ra của sự kiện, cùng với một ước tính riêng biệt về khu vực mà nó có thể ảnh hưởng.

Dự báo các sự kiện thời tiết cực đoan không có tiền lệ lịch sử

Sapsis hiện giữ chức Giáo sư William I. Koch về Kỹ thuật Cơ khí và Đại dương tại MIT. Cả hai nhà nghiên cứu đều trực thuộc Trung tâm Khoa học và Kỹ thuật Tính toán MIT, và Sapsis cũng có một vị trí tại Viện Dữ liệu, Hệ thống và Xã hội MIT. Bộ đôi này mô tả phương pháp của họ, được đặt tên là Extreme Event Aware hay η-learning, trong một bài báo xuất bản trên Nature Communications vào ngày 20 tháng 8.

Các mô hình rủi ro hiện có hoạt động theo cách khác. Các công ty bảo hiểm, nhà quy hoạch đô thị và đơn vị vận hành lưới điện thường muốn biết một cơn bão "trăm năm có một" có thể trông như thế nào đối với một địa điểm cụ thể. Các mô phỏng hiện tại thường phụ thuộc vào các bộ dữ liệu đã chứa sẵn các sự kiện cực đoan, học hỏi các điều kiện tạo ra chúng trước khi dự báo các mô hình tương tự trong tương lai.

Chang lập luận rằng cách tiếp cận hiện tại tạo ra giới hạn cho những gì các mô hình này có thể thể hiện. Ông cho biết: "Những phương pháp này giả định rằng có những sự kiện rất thảm khốc mà chúng ta đã thấy trong tập dữ liệu, và họ xây dựng một phương pháp để ước tính rủi ro của những sự kiện đó, hoặc họ cố gắng dự đoán chính xác những sự kiện đã xảy ra".

Sapsis làm rõ hạn chế tương tự thông qua cơn bão Katrina. Ông nói thêm: "Một sự kiện như bão Katrina là điều xảy ra mỗi 30 đến 40 năm. Vậy cơn bão Katrina xảy ra mỗi 100 năm sẽ như thế nào? Nó sẽ tồi tệ đến mức nào? Đó chính xác là những gì chúng tôi đang cố gắng định lượng, để giúp các nhà quy hoạch chuẩn bị cho các kịch bản cực đoan có thể xảy ra".

Kết hợp thống kê điểm với chi tiết không gian

Thuật toán hoạt động dựa trên hai loại dữ liệu. Thống kê điểm nắm bắt tần suất xuất hiện của một mức cường độ nhất định, chẳng hạn như lượng mưa tối đa được ghi nhận trên một bản đồ, trong một tập dữ liệu. Các bản đồ không gian cho thấy tác động của một sự kiện thay đổi như thế nào trên một khu vực.

Việc học mối quan hệ thống kê giữa hai loại dữ liệu này cho phép thuật toán xây dựng các mô hình không gian cho các sự kiện vượt xa bất kỳ dữ liệu nào trong tập huấn luyện, mà không cần các ví dụ trước đó về chính những sự kiện cực đoan đó.

Các nhà nghiên cứu đã thử nghiệm phương pháp này đối với lượng mưa trên khắp lục địa Hoa Kỳ. Họ bắt đầu với 25 năm dữ liệu lượng mưa hàng giờ, được tổng hợp thành các bản đồ hàng ngày, và tính toán các thống kê điểm mô tả tần suất lượng mưa tối đa trên một bản đồ đạt đến một mức nhất định trong toàn bộ hồ sơ đó.

Cửa sổ huấn luyện cho mô hình không gian khá hẹp. Họ đã huấn luyện phần đó của thuật toán bằng cách sử dụng các cặp bản đồ độ phân giải thấp và độ phân giải cao được rút ra từ chỉ sáu tháng đầu tiên của hồ sơ 25 năm, một khoảng thời gian chứa rất ít hoặc không có ví dụ nào về các mức lượng mưa lớn nhất.

Thuật toán đã học cách các mô hình trong bản đồ độ phân giải thấp tương ứng với chi tiết trong các phiên bản độ phân giải cao, sau đó áp dụng các thống kê điểm từ toàn bộ hồ sơ để giới hạn mức độ cực đoan mà các mô hình được tạo ra có thể đạt tới.

Kiểm tra cơ sở hạ tầng dựa trên các bản đồ kịch bản xấu nhất

Lượng mưa cao nhất từng được ghi nhận tại Thành phố New York là 200 mm. Phương pháp này có thể tạo ra các bản đồ hợp lý về một cơn bão tạo ra 300 mm, một mức độ không có đối trọng trong hồ sơ quan sát.

Người dùng có thể yêu cầu thuật toán đã được huấn luyện hiển thị một cơn bão "trăm năm có một" có thể trông như thế nào đối với một thành phố cụ thể. Kết quả đầu ra có dạng các bản đồ hiển thị những cơn bão có khả năng xảy ra về mặt thống kê ở tần suất đó. Mỗi bản đồ mang kích thước và phạm vi bao phủ riêng, và cường độ mưa cũng thay đổi trên khắp tập hợp. Theo Chang, thuật toán có thể tạo ra khối lượng lớn các kịch bản này cùng một lúc.

Các bản đồ được tạo ra có thể giúp một thành phố kiểm tra đê chắn sóng của mình trước một đợt nước dâng do bão vượt xa bất kỳ kỷ lục nào đã ghi nhận. Những bản đồ tương tự có thể cho thấy liệu lưới điện có trụ vững trong một đợt nắng nóng kéo dài hay không, hoặc liệu các nguồn lực chữa cháy có thể kiểm soát một vụ cháy rừng lớn hơn bất kỳ vụ nào trong hồ sơ hay không.

Những hạn chế của bản trình diễn cho đến nay

Theo Chang và Sapsis, việc áp dụng phương pháp này cho một mối nguy hiểm mới đòi hỏi các thống kê điểm và dữ liệu không gian liên quan cho mối nguy hiểm cụ thể đó. Cả hai chỉ ra các khả năng mở rộng khi có dữ liệu đó, chẳng hạn như hình ảnh hóa các trận lũ lụt và cháy rừng nghiêm trọng mà không có tiền lệ trong hồ sơ lịch sử.

Sapsis lưu ý rằng cơ sở hạ tầng toàn cầu đã được tối ưu hóa để đạt hiệu quả, khiến các hệ thống mà nó hỗ trợ không còn nhiều dư địa dự phòng.

Ông giải thích: "Một sự kiện cực đoan đơn lẻ lan truyền qua chuỗi cung ứng, thị trường năng lượng và hệ thống thực phẩm chỉ trong vài tuần. Việc có thể đưa ra xác suất cho một sự kiện chưa từng xảy ra giờ đây là vấn đề về khả năng phục hồi kinh tế và quốc gia".

Xem thêm: Các mô hình AI y tế của Samsung phân tích dữ liệu tín hiệu sinh học từ thiết bị đeo

Bạn muốn tìm hiểu thêm về AI và dữ liệu lớn từ các nhà lãnh đạo ngành? Hãy tham khảo AI & Big Data Expo diễn ra tại Amsterdam, California và London. Sự kiện toàn diện này là một phần của TechEx và được tổ chức cùng địa điểm với các sự kiện công nghệ hàng đầu khác bao gồm Cyber Security & Cloud Expo. Nhấp vào đây để biết thêm thông tin.

AI News được vận hành bởi TechForge Media. Khám phá các sự kiện và hội thảo trực tuyến về công nghệ doanh nghiệp sắp tới tại đây.