Yapay zekâ tabanlı hava tahmin sistemleri, önümüzdeki aylarda ciddi bir sınavdan geçecek. Tarihi güçte seyreden El Niño, atmosferi modellerin eğitildiği veri aralığının dışına itebilir. Financial Times’ın haberine göre bazı bilim insanları, bu modellerin rekor düzeyindeki olaylarda ne kadar güvenilir olduğunu sorguluyor.

Yapay zekâ tahminleri artık günlük hayatın içinde

Yapay zekâ destekli hava tahminleri bugün orman yangınlarının izlenmesinden vadeli işlem sözleşmelerinin fiyatlanmasına kadar pek çok alanda kullanılıyor. Google DeepMind’ın GraphCast modeli, en yaygın kullanılan sistemler arasında yer alıyor. Bu modeller, geleneksel fizik tabanlı simülasyonlara kıyasla çok daha hızlı çalışıyor ve genel doğrulukta çoğu zaman rakipleriyle yarışıyor. Bu hız ve maliyet avantajı, enerji şirketlerinden tarım işletmelerine kadar birçok sektörün yapay zekâ tahminlerine yaslanmasını sağladı. Ancak bu benimsenme büyük ölçüde sakin dönemlerde yapılan karşılaştırmalara dayanıyor; şimdi ilk kez gerçekten sıra dışı bir iklim olayıyla sınanacak.

“Ekstrapolasyon sorunu” neden endişe yaratıyor?

Bilim insanlarının işaret ettiği temel risk, “ekstrapolasyon sorunu” olarak adlandırılıyor. Yapay zekâ modelleri, son on yılların atmosfer verileriyle eğitiliyor ve öğrendikleri örüntüleri yeni durumlara taşıyor. Güçlü bir El Niño ise atmosferi bu kayıtların dışına çıkarabiliyor. Financial Times’a göre fizik tabanlı öncü bir modelle kıyaslandığında yapay zekâ sistemleri rekor kıran sıcaklık, soğuk ve rüzgâr olaylarının şiddetini ve sıklığını olduğundan düşük tahmin etme eğiliminde. Yani model, daha önce hiç görmediği uç bir durumu “alışıldık” bir senaryoya yaklaştırma riski taşıyor.

Araştırmalar ne söylüyor?

Hakemli bir çalışma da benzer bir tablo ortaya koydu: Fizik tabanlı modeller rekor kıran uç olaylarda hâlâ yapay zekâ sistemlerinden daha iyi sonuç veriyor; yapay zekâ ise hız ve genel doğrulukta önde. 1979-2017 verileriyle eğitilen modeller, eğitim verisinin ötesindeki olaylarda zorlandı. Öte yandan yeni bir arXiv çalışması, GenCast, FourCastNet 3 ve FGN gibi modellerin tropikal siklonların konumunu ECMWF’nin fizik tabanlı IFS-ENS sisteminden belirgin biçimde daha iyi tahmin ettiğini, ancak fırtına şiddeti ve belirsizlik aralığında hâlâ zayıf kaldığını gösteriyor. Önümüzdeki aylar, bu modellerin sınırlarını gerçek dünyada ölçecek.