Şikago Üniversitesi liderliğindeki yeni bir çalışma, yapay zeka tabanlı hava tahmin modellerinin, eğitim verilerinde bulunmayan “gri kuğu” olaylarını (200 yıllık seller veya eşi benzeri görülmemiş sıcak hava dalgaları gibi) tahmin etmede yetersiz kaldığını ortaya koydu.
Detaylar haberimizde…
Giderek güçlenen yapay zeka (AI) modelleri, kısa vadeli hava tahminlerini yüksek doğrulukla yapabilmektedir. Ancak sinir ağlarının yalnızca geçmişteki kalıplara dayanarak tahminler yaptığı göz önüne alındığında, kaydedilen tarihte eşi benzeri görülmemiş hava olayları (gri kuğu olayları) söz konusu olduğunda yetenekleri sınırlı kalmaktadır. Şikago Üniversitesi bilim insanlarının New York Üniversitesi ve Kaliforniya Üniversitesi Santa Cruz iş birliğiyle yürüttüğü yeni bir çalışma, yapay zeka destekli hava tahmininin bu sınırlarını test ediyor. 21 Mayıs’ta Proceedings of the National Academy of Sciences dergisinde yayınlanan araştırmada, sinir ağlarının mevcut eğitim verilerinin kapsamı dışındaki hava olaylarını – örneğin 200 yıllık selleri, eşi benzeri görülmemiş sıcak hava dalgalarını veya devasa kasırgaları – tahmin edemediği bulundu.
Yapay Zeka Hava Modellerinin Mekanizması ve Sınırlamaları
Yazarlar, bu sınırlamanın, araştırmacıların sinir ağlarını operasyonel hava tahmini, erken uyarı sistemleri ve uzun vadeli risk değerlendirmelerine dahil etmesi açısından önemli olduğunu belirtti. Ancak, sorunu, yapay zeka araçlarına daha fazla matematik ve fizik entegre ederek ele almanın yolları olduğunu da ifade ettiler.
UChicago’da jeofizik bilimleri doçenti ve çalışmanın yazarlarından Pedram Hassanzadeh, “Yapay zeka hava modelleri, yapay zekanın bilimdeki en büyük başarılarından biridir. Onların olağanüstü, ancak sihirli olmadığını bulduk,” dedi. Hassanzadeh, “Bu modellere sadece birkaç yıldır sahibiz, bu yüzden inovasyon için çok yer var,” şeklinde konuştu.
Hava tahmini yapay zekaları, ChatGPT gibi birçok insanın etkileşimde bulunduğu diğer sinir ağlarına benzer şekilde çalışır. Esasen, model, bir dizi metin veya görüntü ile beslenerek ve kalıpları araması istenerek eğitilir. Ardından, bir kullanıcı modele bir soru sorduğunda, daha önce gördüklerine bakar ve bunu bir yanıt tahmin etmek için kullanır.
Hava tahminleri durumunda, bilim insanları sinir ağlarını onlarca yıllık hava verileriyle besleyerek eğitirler. Ardından bir kullanıcı, mevcut hava koşulları hakkında veri girebilir ve modelden önümüzdeki birkaç gün için hava durumunu tahmin etmesini isteyebilir.
Yapay zeka modelleri bu konuda yüksek doğruluk sergilemektedir. Genel olarak, Hassanzadeh’e göre, 10.000 ila 100.000 kat daha fazla zaman ve enerji kullanan son teknoloji, süper bilgisayar tabanlı bir hava modeliyle aynı doğruluk seviyesine ulaşabilirler.
Hassanzadeh, “Bu modeller, günlük hava durumu için gerçekten çok iyi performans gösteriyor,” dedi. “Ancak gelecek hafta anormal bir hava olayı olursa bu durum değişebilir.”
Endişe, sinir ağının yalnızca şu anda sahip olduğumuz ve yaklaşık 40 yıl öncesine dayanan hava verileriyle çalışmasıdır. Ancak bu, mümkün olan tüm hava koşullarını kapsamaz. Örneğin, Hassanzadeh, “2017’deki Harvey Kasırgası’nın neden olduğu seller, 2000 yılda bir görülen bir olay olarak kabul edildi,” dedi. “Bunlar meydana gelebilir.”
Bilim insanları bazen bu tür olaylara “gri kuğu” olayları adını verirler. Bunlar tam olarak bir siyah kuğu olayı (dinazorları yok eden asteroid gibi) kadar olmasa da, yerel olarak yıkıcı etkilere sahip olabilirler.
Kasırga Tahmini Deneyi ve Algoritma Sınırlamaları
Ekip, kasırgaları örnek olarak kullanarak yapay zeka modellerinin sınırlarını test etmeye karar verdi. Onlarca yıllık hava verileriyle bir sinir ağı eğittiler, ancak Kategori 2’den daha güçlü tüm kasırgaları eğitim verilerinden çıkardılar. Daha sonra, modele birkaç gün içinde Kategori 5 kasırgasına yol açan atmosferik bir koşulu verdiler. Modelin kasırganın gücünü tahmin edip edemeyeceği incelendi.
Cevap olumsuzdu.
UChicago’da araştırma bilimcisi ve çalışmanın diğer yazarlarından Yongqiang Sun, “Model olayı her zaman hafife aldı. Model bir şeyin geldiğini biliyor, ancak her zaman sadece Kategori 2 bir kasırga olacağını tahmin ediyor,” dedi.
Yanlış negatif olarak bilinen bu tür bir hata, hava tahmininde büyük bir sorundur. Bir tahmin, bir fırtınanın Kategori 5 bir kasırga olacağını söyler ve sadece Kategori 2 olduğu ortaya çıkarsa, bu, ihtiyacı olmayan insanların tahliye edildiği anlamına gelir. Ancak bir tahmin, Kategori 5 bir kasırga olduğu ortaya çıkan bir kasırgayı hafife alırsa, sonuçlar çok daha ciddi olabilir.
Fizik Bilgisinin Entegrasyonu ve Gelecek Yaklaşımlar
Sinir ağları ile geleneksel hava modelleri arasındaki temel fark, geleneksel modellerin fiziği “anlamasıdır”. Bilim insanları onları atmosferik dinamikleri, jet akımlarını ve diğer fenomenleri yöneten matematik ve fiziği içerecek şekilde tasarlarlar. Sinir ağları ise şu anda bunu yapmıyor. ChatGPT gibi, esasen tahmini bir metin makinesi gibi, sadece hava kalıplarına bakar ve geçmişte olanlara dayanarak bir sonraki ne olacağını önerirler.
Şu anda hiçbir büyük hizmet yalnızca yapay zeka modellerini tahmin için kullanmıyor. Ancak kullanımları genişledikçe, bu eğilimin dikkate alınması gerekecek, dedi Hassanzadeh.
Meteorologlardan ekonomistlere kadar araştırmacılar, uzun vadeli risk değerlendirmeleri için yapay zekayı kullanmaya başlıyorlar. Örneğin, bir yapay zekadan birçok hava paterni örneği oluşturmasını isteyebilirler, böylece gelecekte her bölgede meydana gelebilecek en aşırı olayları görebiliriz. Ancak bir yapay zeka, daha önce gördüğünden daha güçlü bir şeyi tahmin edemiyorsa, bu kritik görev için kullanışlılığı sınırlı olacaktır. Ancak, modelin, eğitim verilerinde herhangi bir emsal varsa, dünyanın başka bir yerinde bile olsa, daha güçlü kasırgaları tahmin edebileceği bulundu. Örneğin, araştırmacılar Atlantik kasırgalarına dair tüm kanıtları siler ancak Pasifik kasırgalarını bırakırlarsa, model Atlantik kasırgalarını tahmin etmek için tahminleri genişletebilir.
Hassanzadeh, “Bu şaşırtıcı ve cesaret verici bir bulguydu: modellerin bir bölgede eşi benzeri görülmemiş ancak başka bir bölgede zaman zaman meydana gelen bir olayı tahmin edebileceği anlamına geliyor,” dedi.
Yaklaşımların Birleştirilmesi ve Araştırma Yönleri
Araştırmacılar, çözümün, yapay zeka tabanlı modellere matematiksel araçları ve atmosferik fiziğin prensiplerini dahil etmeye başlamak olduğunu önerdiler. Hassanzadeh, “Umut, yapay zeka modelleri atmosferik dinamikleri gerçekten öğrenebilirse, gri kuğuları nasıl tahmin edeceklerini çözebilecekleridir,” dedi.
Bunun nasıl yapılacağı, aktif bir araştırma alanıdır. Ekibin takip ettiği umut verici bir yaklaşım, aktif öğrenme olarak adlandırılıyor – burada yapay zeka, geleneksel fizik tabanlı hava modellerini daha fazla aşırı olay örneği oluşturmaya yönlendirmeye yardımcı oluyor, bunlar da yapay zekanın eğitimini iyileştirmek için kullanılabilir.
New York Üniversitesi Courant Matematik Bilimleri Enstitüsü’nden profesör ve çalışmanın ortak yazarı Jonathan Weare, “Daha uzun simüle edilmiş veya gözlemlenmiş veri setleri işe yaramayacak. Veri üretmek için daha akıllı yollar düşünmemiz gerekiyor,” dedi. “Bu durumda, bu, ‘aşırı durumlar üzerinde daha iyi performans elde etmek için eğitim verilerimi nereye yerleştirmeliyim?’ sorusuna cevap vermek anlamına geliyor. Neyse ki, yapay zeka hava modellerinin kendilerinin, doğru matematiksel araçlarla eşleştirildiğinde, bu soruyu yanıtlamaya yardımcı olabileceğini düşünüyoruz.”
Çalışmanın ortak yazarları arasında Şikago Üniversitesi’nden Prof. Dorian Abbot ve hesaplamalı bilimci Mohsen Zand ile Kaliforniya Üniversitesi Santa Cruz’dan Ashesh Chattopadhyay da yer aldı.
Çalışma, Chicago Üniversitesi Araştırma Bilgi İşlem Merkezi tarafından sağlanan kaynakları kullandı.
Derleyen: Enis Yabar
