Microsoft เปิดซอร์ส Probabilistic Bias Correction (PBC) เครื่องมือ machine learning ที่ช่วยตรวจจับและแก้ systematic bias ในแบบจำลองพยากรณ์อากาศเดิม ทำให้คาดการณ์ล่วงหน้า 2–6 สัปดาห์แม่นยำขึ้น โดยใช้ CPU ได้ ไม่ต้องพึ่ง supercomputer หรือ GPU ขนาดใหญ่
ผลทดสอบพบว่า PBC เพิ่มความแม่นยำของแบบจำลอง ECMWF ได้ 98% ในเป้าหมายด้านฝน และ 92% ในเป้าหมายด้านอุณหภูมิ เครื่องมือนี้จึงมีโอกาสช่วยหน่วยงานที่ทรัพยากรจำกัด รวมถึงเกษตรกรและทีมรับมือภัยพิบัติ วางแผนล่วงหน้าได้ดีขึ้นครับ
PBC ช่วยขยายความแม่นยำของพยากรณ์ไปได้ไกลแค่ไหน
PBC ไม่ได้สร้างโมเดลพยากรณ์ใหม่ แต่ใช้ machine learning แก้ systematic bias ในโมเดลเดิม จึงช่วยให้การพยากรณ์ล่วงหน้า 2–6 สัปดาห์น่าเชื่อถือขึ้น และเปิดเป็น open-source ให้หน่วยงานนำไปปรับใช้ได้
ผลศึกษาพบว่า PBC เพิ่มความแม่นยำของระบบ AI พยากรณ์อากาศของ ECMWF ได้สองเท่า ส่วนข้อจำกัดคือการเปลี่ยนจากงานวิจัยไปเป็นระบบใช้งานจริงยังท้าทาย และต้องปรับให้เหมาะกับแต่ละพื้นที่.
เมื่อพยากรณ์อากาศเกินสองสัปดาห์ ทั้งโมเดลฟิสิกส์และ AI เริ่มแม่นยำน้อยลง เพราะต้องเติมข้อมูลจากพื้นที่ที่มีสถานีตรวจอากาศน้อย รวมถึงปรากฏการณ์ในบรรยากาศที่ยังเข้าใจไม่ครบ ความคลาดเคลื่อนเล็กๆ จึงสะสมมากขึ้นเมื่อมองไปไกลกว่าเดิม
ปัญหานี้กระทบทั้งเกษตรกรที่ต้องวางแผนงาน และหน่วยงานรับมือภัยพิบัติที่ต้องเตรียมการล่วงหน้า หากการพยากรณ์ระยะไกลน่าเชื่อถือขึ้น พวกเขาก็มีข้อมูลประกอบการตัดสินใจที่มั่นใจมากกว่าเดิม.
PBC ไม่ใช่การสร้างแบบจำลองพยากรณ์อากาศใหม่ทั้งชุด แต่เป็นเครื่องมือ machine learning ที่ช่วยตรวจจับและแก้ systematic bias ในแบบจำลองเดิม ทำให้โมเดลที่มีอยู่คาดการณ์ได้แม่นขึ้น โดยไม่ต้องเริ่มพัฒนาระบบจากศูนย์
แนวทางนี้ทำให้ Microsoft เดินหน้าในสนามเดียวกับ Google, Nvidia และบริษัทอื่นๆ ที่กำลังพัฒนา AI สำหรับพยากรณ์อากาศ จุดต่างคือ Microsoft เน้นเครื่องมือ open-source ที่ใช้ทรัพยากรน้อยกว่า และช่วยให้หน่วยงานที่มีข้อจำกัดด้านงบประมาณนำไปปรับใช้ได้ง่ายขึ้น
จากแบบจำลองเดิมสู่การแก้ความเอนเอียงด้วยแมชชีนเลิร์นนิง
แบบจำลองฟิสิกส์จำลองบรรยากาศ ส่วนแบบจำลอง AI มองหารูปแบบจากข้อมูลอากาศในอดีต ทั้งคู่เริ่มคลาดเคลื่อนเมื่อพยากรณ์ล่วงหน้าเกินสองสัปดาห์ เพราะต้องใช้ค่าประมาณเติมช่องว่างของข้อมูล
| Factor | แบบจำลองฟิสิกส์ | แบบจำลอง AI | PBC |
|---|---|---|---|
| วิธีทำงาน | จำลองฟิสิกส์ของบรรยากาศ | หารูปแบบจากข้อมูลอดีต | ตรวจหาและแก้ systematic bias |
| แหล่งข้อมูล | ข้อมูลบรรยากาศและสถานีอากาศ | ข้อมูลอากาศในอดีต | ผลลัพธ์จากแบบจำลองเดิม |
| เมื่อเกินสองสัปดาห์ | ความผิดพลาดสะสม | ความแม่นยำลดลง | ช่วยให้พยากรณ์ได้สองถึงหกสัปดาห์ |
| ทรัพยากร | Supercomputers | GPUs | CPUs |
PBC จึงไม่ใช่แบบจำลองใหม่ที่มาแทนของเดิม แต่เป็นชั้น machine learning ที่ช่วยปรับแก้ผลพยากรณ์เดิมให้เหมาะกับสภาพอากาศปัจจุบันมากขึ้น.
สิ่งที่ PBC ทำได้เมื่อเจอสถานการณ์จริง
ถ้าแบบจำลองอิงข้อมูลเก่าจนคาดอุณหภูมิต่ำกว่าความเป็นจริง PBC จะตรวจจับความเอนเอียงจากสภาพภูมิอากาศที่เปลี่ยนไป แล้วช่วยปรับผลพยากรณ์ให้เข้ากับโลกปัจจุบันมากขึ้น
สำหรับเกษตรกร การพยากรณ์ปริมาณฝนที่แม่นขึ้นช่วยวางแผนงานล่วงหน้าได้ดีขึ้น งานวิจัยระบุว่า PBC ปรับปรุงความแม่นยำของเป้าหมายปริมาณฝนได้ 98 เปอร์เซ็นต์
หน่วยงานฉุกเฉินก็ใช้ข้อมูลพยากรณ์ล่วงหน้า 2–6 สัปดาห์ เพื่อเตรียมรับมือสภาพอากาศรุนแรงได้เร็วขึ้น
จุดที่น่าสนใจคือ นักวิทยาศาสตร์ในพื้นที่ทรัพยากรจำกัดสามารถฝึกและปรับ PBC ให้เหมาะกับท้องถิ่น โดยใช้ CPU แทนการพึ่งพา supercomputer หรือ GPU.
PBC ต่างจากแนวทางพยากรณ์ที่มีอยู่แล้วอย่างไร
PBC ไม่ได้สร้างโมเดลพยากรณ์ใหม่ แต่ใช้ machine learning ตรวจหา systematic bias แล้วแก้ผลลัพธ์ของโมเดลเดิม จึงทำงานเสริมได้ทั้งโมเดลฟิสิกส์และระบบ AI ของ ECMWF
| Factor | PBC + ECMWF โมเดลฟิสิกส์ | PBC + ECMWF ระบบ AI |
|---|---|---|
| บทบาทของ PBC | แก้ bias ของโมเดลฟิสิกส์ | แก้ bias ของระบบ AI |
| ผลการศึกษา | แม่นขึ้น 98% ของเป้าหมายฝน และ 92% ของเป้าหมายอุณหภูมิ | ความแม่นยำเพิ่มเป็น 2 เท่า |
| ทรัพยากรหลัก | โมเดลเดิมใช้ supercomputer; PBC ใช้ CPU | ระบบ AI ใช้ GPU; PBC ใช้ CPU |
บทความต้นทางไม่ได้ให้รายละเอียดเครื่องมือเฉพาะจาก Google หรือ Nvidia จึงยังเปรียบเทียบเชิงเทคนิคกับสองบริษัทนี้ไม่ได้.
จุดแข็งของเครื่องมือที่เปิดซอร์ส และสิ่งที่ยังต้องพิสูจน์
PBC เด่นตรงที่ใช้ CPU ได้ ฝึกง่าย และมีลักษณะ lightweight จึงเหมาะกับหน่วยงานที่ไม่มี supercomputer หรือ GPU จำนวนมาก อีกทั้งยังเป็น open-source และช่วยแก้ bias ของแบบจำลองเดิมได้
ข้อดี
- +ใช้ CPU และทรัพยากรไม่มาก
- +เป็น open-source และฝึกได้ง่าย
- +ช่วยเพิ่มความแม่นยำของแบบจำลองเดิม
ข้อเสีย
- −ผลที่รายงานยังมาจากการวิเคราะห์ในงานวิจัย
- −การนำไปใช้จริงในกระบวนการปฏิบัติงานยังท้าทาย
- −ต้องทดสอบเพิ่มเติมในพื้นที่เฉพาะ
ต้นทุนที่ยังต้องมีแม้ไม่ต้องใช้ซูเปอร์คอมพิวเตอร์
การใช้ CPU ช่วยลดภาระด้าน hardware แต่ระบบพยากรณ์ยังต้องพึ่งโครงสร้างพื้นฐานและข้อมูลสภาพอากาศที่เพียงพอ เพราะพื้นที่ที่มีสถานีตรวจวัดน้อยย่อมมีช่องว่างของข้อมูลให้แบบจำลองต้องประมาณค่า
อีกต้นทุนคือการฝึกและปรับ PBC ให้เข้ากับแต่ละพื้นที่ นักวิทยาศาสตร์ต้องตรวจสอบ bias ของแบบจำลองเดิม รวมถึงปัจจัยอย่างการเปลี่ยนแปลงสภาพภูมิอากาศ จึงไม่ใช่ซอฟต์แวร์ที่ติดตั้งแล้วใช้ได้เหมือนกันทุกแห่ง
และขั้นตอนที่ยากที่สุดอาจอยู่หลังงานวิจัย นั่นคือการเปลี่ยนแนวคิดให้เป็นกระบวนการปฏิบัติงานจริง ซึ่งต้องทดสอบกับหน่วยงานและบริบทท้องถิ่นก่อนนำไปใช้เตือนภัยหรือวางแผนระยะยาว
จากผลการทดลองสู่การเตือนภัยที่คนใช้ได้จริง
จุดสำคัญของ PBC จึงไม่ใช่การมาแทนที่แบบจำลองเดิม แต่เป็นทางเลือกแบบ open-source ที่ช่วยให้หน่วยงานทรัพยากรจำกัดปรับปรุงการพยากรณ์ได้ โดยเครื่องมือนี้ทำงานบน CPU ได้
ขั้นต่อไปที่น่าติดตามคือการทดสอบร่วมกับ Kenya Meteorological Service Authority เพื่อดูว่า PBC ช่วยเพิ่มความแม่นยำของคำเตือนภัยในพื้นที่จริงได้แค่ไหน โดยเฉพาะการเตรียมรับฤดูฝนที่คาดว่าจะรุนแรงขึ้นจาก El Niño.