Telset.id – Microsoft mengklaim telah menemukan cara baru yang hemat biaya untuk menghasilkan prediksi cuaca yang lebih akurat pada rentang dua hingga enam minggu ke depan. Pendekatan ini memungkinkan petani dan tim tanggap darurat merencanakan aktivitas dengan kepastian lebih tinggi, sebuah persoalan yang selama ini sulit dijawab oleh model fisika maupun model AI generatif. Temuan tersebut dipublikasikan di jurnal Nature dan perangkatnya kini tersedia sebagai perangkat lunak open-source.
Alih-alih membangun model cuaca baru yang berdiri sendiri, penelitian terbaru Microsoft menggunakan machine learning untuk mengoreksi bias pada model yang sudah ada. Metode ini disebut Microsoft sebagai Probabilistic Bias Correction (PBC). Menurut para peneliti, PBC menjadi cara yang lebih mudah diakses bagi lembaga meteorologi dengan sumber daya terbatas untuk meningkatkan akurasi menggunakan AI.
Selama ini, pemodelan berbasis fisika merupakan pekerjaan yang intensif sumber daya karena dijalankan di superkomputer, sementara AI generatif bergantung pada GPU yang kuat. Senior principal researcher Microsoft Research New England, Lester Mackey, menyatakan bahwa alat baru ini dapat berjalan hanya dengan CPU.
“Saya sangat berharap pada peningkatan efisiensi sumber daya peramalan cuaca dan perpanjangan keandalan prakiraan, terutama untuk cuaca ekstrem,” kata Mackey kepada The Verge.
Koreksi Bias untuk Cuaca Ekstrem
Model berbasis fisika dan model berbasis AI menghadapi masalah serupa ketika mulai memprediksi cuaca dua minggu atau lebih ke depan. Model tradisional berupaya menyimulasikan fisika kompleks atmosfer Bumi, sedangkan model AI mencari pola dalam data historis untuk membuat prakiraan. Pada kedua pendekatan, model mengandalkan aproksimasi untuk mengisi celah data, baik dari wilayah dengan stasiun cuaca yang jarang maupun fenomena atmosfer kompleks yang masih diteliti ilmuwan.
Cara model menutupi celah data tersebut dapat berubah menjadi sejenis bias sistematis. Kesalahan yang dihasilkan kemudian menumpuk saat membuat prakiraan yang lebih jauh ke depan, sehingga prediksi menjadi kurang presisi. PBC menggunakan machine learning untuk mengidentifikasi bias sistematis dalam sebuah model dan melakukan koreksi.
Salah satu contoh yang diberikan Mackey adalah koreksi terhadap perubahan iklim. Emisi gas rumah kaca dari bahan bakar fosil memanaskan planet ini, tetapi model cuaca bisa membuat prediksi berdasarkan catatan historis yang bias ke suhu lebih dingin daripada yang sebenarnya dialami dunia saat ini.
Para peneliti menemukan bahwa PBC meningkatkan akurasi model cuaca berbasis fisika milik European Centre for Medium-Range Weather Forecasts (ECMWF) untuk 98 persen target presipitasi dan 92 persen target suhu. Kerangka machine learning tersebut juga menggandakan akurasi sistem prakiraan AI baru ECMWF dalam analisis studi tersebut. Sebelum paper dipublikasikan, ECMWF telah menganugerahkan penghargaan atas riset PBC para penulis dalam kompetisi AI Weather Quest.
Baca Juga:
Matthew Chantry, strategic lead for machine learning ECMWF, menyebut paper baru tentang PBC yang diterbitkan oleh peneliti dari Microsoft, MIT, ECMWF, dan institusi lain sebagai contoh baik dari ide-ide baru yang dikembangkan untuk kepentingan dan pertimbangan komunitas. “Seperti biasa, mengubah ide menjadi kenyataan dalam proses operasional adalah langkah yang paling menantang,” tambah Chantry dalam komentar melalui email kepada The Verge.
Harapan bagi Negara Berkembang
Jumlah komputasi dan infrastruktur yang dibutuhkan untuk peramalan cuaca sering kali membuat kemajuan teknologi tidak terjangkau oleh banyak lembaga di negara berkembang. Namun, para penulis paper tersebut menilai PBC bisa menjadi berbeda.
“Salah satu hal yang benar-benar menarik bagi saya tentang model seperti PBC adalah betapa ringannya model ini, betapa mudahnya dilatih, sehingga ilmuwan tanpa kumpulan sumber daya besar dapat bekerja mencoba mengonfigurasi model ini dan membuatnya berkinerja lebih baik di lokasi tertentu,” kata Genevieve Flaspohler, salah satu penulis paper tersebut.
Flaspohler mengerjakan PBC sebagai intern di Microsoft bersama Mackey, dan kini menjabat sebagai executive director organisasi nirlaba Rhiza Research. Lembaga itu bekerja sama dengan Kenya Meteorological Service Authority, dengan pendanaan dari Gates Foundation, untuk menguji apakah AI dapat membantu menyalurkan peringatan dini yang lebih akurat kepada masyarakat. PBC menjadi salah satu metode yang mereka uji menjelang musim hujan yang diperkirakan lebih ekstrem selama El Niño yang memecahkan rekor.
Langkah Microsoft ini menempatkannya sejajar dengan Google, Nvidia, dan perusahaan lain yang mengembangkan alat AI untuk peramalan cuaca. Sejumlah inisiatif AI Microsoft lainnya juga berjalan di lini berbeda, termasuk upaya perusahaan menutup celah keamanan pada sistem operasinya. Beberapa waktu lalu, Microsoft Tutup Celah bypass akun di Windows 11 yang membuat setup kini wajib login, sebuah perubahan yang turut memengaruhi opsi akun lokal bagi pengguna.
Di sisi lain, pemanfaatan teknologi Microsoft juga menghadapi tantangan keamanan tersendiri. Layanan seperti Power BI pernah disalahgunakan dalam operasi berbahaya, sebagaimana terungkap dalam kasus Microsoft Power BI yang dipakai untuk serangan phishing ScreenConnect. Sementara itu, pada segmen konsumen, pendekatan baru Microsoft terhadap modding game berbasis AI terlihat dari pembentukan Xbox Labs Dibentuk sebagai unit yang mengakui era baru tersebut.
Untuk sektor cuaca, nilai utama PBC terletak pada sifatnya yang ringan dan terbuka. Karena tersedia sebagai perangkat lunak open-source dan dapat dijalankan di CPU, lembaga meteorologi yang sebelumnya terkendala biaya komputasi berpotensi memanfaatkannya untuk memperbaiki model yang sudah mereka miliki. Para peneliti berharap pendekatan ini membantu memperluas akses terhadap prakiraan yang lebih andal, khususnya dalam mengantisipasi cuaca ekstrem.
[ META_DESCRIPTION]
Microsoft merilis PBC, metode machine learning open-source untuk memperbaiki akurasi prediksi cuaca 2-6 minggu ke depan dan bisa berjalan hanya dengan CPU.
Komentar
Belum ada komentar.