Di Balik GenCast dari Google: Pelajari AI dalam Perkiraan Cuaca

Cuaca memengaruhi semua orang dalam segala hal—apa yang kita lakukan, seberapa aman kita merasa, dan bagaimana kita menjalani hidup. Hal ini membuat perkiraan cuaca yang akurat menjadi kebutuhan, bukan kemewahan, terutama di era perubahan iklim dan, yang mengkhawatirkan, semakin seringnya kejadian cuaca ekstrem.

Sekarang, perkiraan cuaca bukanlah hal baru dan telah ada selama beberapa dekade dalam bentuk peramalan tradisional. Meski efektif, pendekatan ini sering menghadapi tantangan dalam memprediksi cuaca secara akurat untuk durasi yang panjang.

Jadi, mari saya bahas tentang GenCast, sebuah model bertenaga AI yang sangat mengesankan (bahkan revolusioner), dikembangkan oleh Google DeepMind, yang menjanjikan peningkatan akurasi perkiraan cuaca hingga 15 hari sebelumnya. GenCast mengintegrasikan teknik pembelajaran mesin tingkat lanjut dengan ilmu meteorologi untuk menghadirkan prediksi beresolusi tinggi yang lebih andal. 

Bangkitnya AI dalam Perkiraan Cuaca

Model cuaca tradisional mengandalkan peramalan cuaca numerik (NWP), yang melibatkan pemberian kondisi awal cuaca ke superkomputer untuk membuat satu perkiraan deterministik. Ini bagus, tetapi masalahnya adalah cuaca merupakan sistem yang kacau, artinya perubahan kecil pada kondisi awal—seperti sedikit perubahan suhu, misalnya, atau hal lain—dapat menghasilkan hasil yang sangat berbeda. Fenomena ini dikenal sebagai efek kupu-kupu, sebuah konsep dari teori kekacauan.

Untuk mengatasi volatilitas ini, peramal membuat banyak simulasi dengan sedikit mengubah variabel. Simulasi-simulasi ini kemudian digabungkan menjadi apa yang disebut ensemble forecast (ENS) oleh European Centre for Medium-Range Weather Forecasting (ECMWF).

Terlepas dari keberhasilannya, ENS memiliki keterbatasan, yakni inefisiensi komputasi, yang berarti ada kebutuhan sumber daya tinggi untuk menjalankan simulasi, dan pemodelan ketidakpastian yang terbatas, yang merujuk pada kesulitan dalam merepresentasikan seluruh spektrum kemungkinan hasil.

AI muncul sebagai solusi potensial untuk mengatasi tantangan ini. Sementara model awal berfokus pada perkiraan deterministik, kemajuan terbaru seperti model hibrida (misalnya, NeuralGCM) telah meningkatkan akurasi prediktif. Namun, model-model ini sering kurang dalam kecepatan dan skalabilitas—isu yang ingin diselesaikan oleh GenCast.

Apa itu GenCast?

Mari terlebih dahulu membahas asal-usul GenCast lalu apa yang membuatnya begitu menarik.

Asal-usul GenCast

GenCast mewakili terobosan penting dalam peramalan cuaca. Dikembangkan oleh Google DeepMind dan dipublikasikan di jurnal Nature, GenCast adalah model Machine Learning-Based Weather Prediction (MLWP) pertama yang melampaui ENS dalam hal akurasi dan efisiensi. Awalnya dirancang untuk mengatasi kemacetan komputasi pada sistem tradisional, GenCast memanfaatkan kemajuan terbaru dalam pembelajaran mesin dan AI generatif untuk merevolusi prediksi cuaca.

Hasil sejauh ini mengesankan. GenCast 97,2% lebih akurat daripada model tradisional dalam perkiraan 15 hari dan 99,8% lebih akurat untuk perkiraan 36 jam yang lebih pendek. Yang lebih mencengangkan adalah kecepatannya: model ini menghasilkan perkiraan hanya dalam 8 menit, dibandingkan metode tradisional yang bisa memakan waktu berjam-jam pada superkomputer dengan puluhan ribu prosesor.

Memahami inovasi GenCast

GenCast mengambil pendekatan baru terhadap peramalan cuaca. Alih-alih hanya mengandalkan simulasi numerik, model ini menggunakan peramalan probabilistik yang didukung oleh penggunaan diffusion model, sejenis AI generatif yang umum digunakan dalam pembuatan gambar dan video.  

GenCast mengadaptasi model ini ke geometri bola Bumi, memungkinkannya mempelajari dan menghasilkan probabilitas yang kompleks. Model difusi mensimulasikan distribusi gabungan yang realistis untuk variabel seperti angin dan presipitasi, sehingga meningkatkan peramalan probabilistik. Pendekatan generatif ini meminimalkan tuntutan komputasi, sehingga dapat diskalakan dan diakses.

Cara Kerja GenCast

Gencast dilatih pada data cuaca historis selama 40 tahun, mencakup lebih dari 80 variabel seperti suhu, kelembapan, dan tekanan. Algoritmenya didasarkan pada model difusi, yang umum digunakan untuk menghasilkan gambar di alat seperti DALL-E atau MidJourney, yang diadaptasi untuk peramalan cuaca. Gambaran tingkat tinggi dari prosesnya ditunjukkan di bawah ini:

Sumber: Gambar oleh Penulis

Intinya, proses dimulai dengan data yang bising, yang merepresentasikan ketidakpastian atau keacakan dalam sistem. Noise, dalam konteks ini, mengacu pada kondisi awal atau titik data yang kurang jelas karena sifat pola cuaca yang kacau. Pada setiap langkah, model mengurangi tingkat ketidakpastian dengan menggunakan pola dan hubungan yang dipelajari dari data cuaca historis.

Alih-alih berfokus pada satu hasil, algoritma menghasilkan ensemble probabilistik dari perkiraan, yang menangkap probabilitas berbasis skenario. Ini sangat berguna untuk memprediksi kejadian ekstrem seperti siklon, di mana ketepatan waktu dan lintasan sangat krusial.

Setelah beberapa iterasi, model menghasilkan perkiraan yang sangat halus. Pendekatan ini memungkinkan GenCast membuat distribusi gabungan variabel yang realistis, seperti memprediksi bagaimana potensi tenaga angin berkorelasi dengan perubahan suhu dan tekanan. Kekuatan pendekatan ini terletak pada kemampuannya bekerja dengan ketidakpastian bawaan pada sistem cuaca.   

Aplikasi dan Implikasi Nyata GenCast

GenCast adalah salah satu model cuaca canggih berbasis AI dari Google, bersama dengan lainnya seperti NeuralGCM dari Google Research, SEEDS, dan model prediksi banjir. Alat-alat ini diintegrasikan ke dalam beberapa layanannya seperti Penelusuran dan Maps untuk meningkatkan prediksi presipitasi, kebakaran hutan, banjir, dan gelombang panas. Beberapa aplikasinya dibahas di bawah ini.

Aplikasi Dunia Nyata Gencast. Sumber: Gambar oleh Penulis

Kesiapsiagaan cuaca ekstrem

Bahaya dari kejadian cuaca ekstrem seperti siklon, badai, dan gelombang panas sudah dikenal. Kejadian-kejadian ini menjadi lebih sering dan juga lebih parah karena perubahan iklim. Ambil contoh kebakaran hebat terbaru di LA. GenCast dapat menawarkan pelacakan akurat terhadap kejadian-kejadian ini beberapa hari sebelumnya, sehingga memungkinkan respons proaktif dari pemerintah dan lembaga layanan darurat. Misalnya:

• Respons Bencana: Saya menyebutkan bahwa GenCast dapat memprediksi peristiwa seperti pendaratan siklon beberapa hari sebelumnya. Ini berarti otoritas dapat mengeluarkan perintah evakuasi tepat waktu, menyiapkan tempat penampungan, atau melakukan hal penting dan bermanfaat lainnya.
• Penghematan Ekonomi: Manajemen bencana yang proaktif berarti kerugian ekonomi diminimalkan dengan membantu bisnis mengamankan aset dan mengurangi waktu henti untuk operasi kritis.
• Dampak Penyelamatan Jiwa: Mungkin manfaat terpenting adalah dengan memberikan waktu persiapan yang lebih panjang, GenCast memastikan lebih banyak nyawa dapat diselamatkan selama peristiwa ekstrem.

Sebagai contoh, dalam uji dengan topan Hagibis, GenCast memprediksi pendaratan tujuh hari sebelumnya. Saya rasa sulit melebih-lebihkan pentingnya kekuatan prediktif seperti ini dalam manajemen bencana.

Sektor energi

Ada pergeseran kebijakan global yang jelas menuju energi terbarukan, khususnya angin dan surya. Keduanya sangat bergantung pada perkiraan cuaca yang akurat, di sinilah GenCast berperan dalam mengoptimalkan produksi energi:

• Peramalan Daya Angin: Prediksi akurat kecepatan dan arah angin membantu perusahaan energi memperkirakan pembangkitan listrik dari ladang angin. Ini pada gilirannya meningkatkan keandalan jaringan dan distribusi energi yang efisien.
• Perencanaan Energi Surya: Perkiraan akurat variabel penting seperti tutupan awan dan intensitas sinar matahari memungkinkan operator tenaga surya merencanakan penyimpanan dan distribusi energi secara efektif.
• Stabilitas Jaringan: Kemampuan peramalan yang ditingkatkan dengan Gencast memungkinkan penyedia energi menyeimbangkan pasokan dan permintaan, sehingga mengurangi risiko pemadaman atau pemborosan energi.

Pertanian dan transportasi

Kondisi cuaca merupakan faktor kritis dalam pertanian dan logistik. Beberapa kasus penggunaannya diuraikan di bawah ini. 

• Pertanian: Keputusan penting pertanian seperti penanaman, irigasi, dan panen bergantung pada cuaca, jadi prediksi yang akurat sangat berarti. Akurasi GenCast dengan waktu antisipasi yang lebih panjang membantu petani merencanakan dan mengoptimalkan aktivitas ini untuk meningkatkan hasil dan mengurangi kerugian.
• Transportasi dan Logistik: Optimisasi matematika adalah aplikasi yang dikenal luas dalam transportasi dan logistik. Namun, optimisasi ini bergantung pada perkiraan yang akurat agar perusahaan logistik dapat merencanakan rute dan jadwal. Ini adalah sesuatu yang dimungkinkan oleh model peramalan mutakhir Gencast. 
• Manajemen Rantai Pasok: Perusahaan dapat lebih baik memprediksi gangguan akibat cuaca ekstrem dan menyesuaikan rantai pasok, sehingga mengurangi inefisiensi dan biaya.

Aplikasi-aplikasi ini menegaskan nilai GenCast dalam menciptakan dampak besar di berbagai industri. 

Tantangan dan Arah ke Depan

Meski GenCast merupakan terobosan, model ini belum sempurna. Berikut beberapa keterbatasan saat ini:

• Resolusi Lebih Rendah: Resolusinya 0,25 derajat tidak sehalus model tradisional seperti resolusi 0,1 derajat ECMWF. Yang dimaksud resolusi di sini adalah resolusi spasial model GenCast, yaitu area terkecil yang dapat dibedakan model dalam prediksi cuacanya. Resolusi 0,25 derajat berarti setiap sel grid pada model merepresentasikan area sekitar 28 km × 28 km di khatulistiwa, sedangkan resolusi 0,1 derajat ECMWF merepresentasikan grid yang lebih halus 11 km × 11 km.
• Integrasi Data Real-Time: Saat ini, GenCast belum dapat mengintegrasikan data waktu nyata atau memprediksi tutupan awan secara efektif.
• Prediksi Kejadian Langka: Karena bergantung pada data historis 40 tahun, GenCast kesulitan memprediksi kejadian langka, seperti bencana sekali dalam seratus tahun.
• Tuntutan Komputasi Tinggi: Meskipun efisien, model difusi masih memerlukan sumber daya yang signifikan. Teknik seperti distilasi model, di mana model yang lebih kecil belajar dari model yang lebih besar dan kompleks, dapat membantu mengatasinya.

Cara Menggunakan GenCast dalam Pekerjaan Anda

Pengembang dan data scientist yang tertarik dengan pengodean GenCast dapat mengakses implementasinya melalui repositori GitHub GraphCast dan GenCast milik Google DeepMind. Repositori ini menawarkan banyak sumber daya seperti contoh kode, bobot model pralatih, dan panduan terperinci untuk menjalankan dan melatih model cuaca GenCast. 

Repositori ini juga menyertakan notebook Jupyter seperti gencast_mini_demo.ipynb, yang menyediakan tutorial langkah demi langkah untuk memuat data, menghasilkan prediksi, dan menghitung gradien. Selain itu, repositori berisi utilitas penting yang memfasilitasi eksplorasi kemampuan peramalan GenCast.

Catatan Tambahan tentang Peramalan dan Probabilitas

Peramalan bergantung pada teknik matematika untuk mengidentifikasi pola dan memprediksi hasil di masa depan. Analisis deret waktu, model regresi, dan algoritme pembelajaran mesin semuanya berperan dalam memaknai data historis. Contoh klasik peramalan berbasis data tertangkap dalam kutipan terkenal Rob Hyndman: “Anda bisa memperkirakan hujan berdasarkan jumlah pesepeda di jalan.” Meskipun terdengar lucu, ini menggambarkan bagaimana hubungan antarvariabel—seperti orang menghindari bersepeda saat cuaca buruk—dapat digunakan untuk membuat prediksi yang tepat.

Banyak masalah peramalan melibatkan sistem nonlinier, di mana perubahan kecil pada kondisi awal dapat menghasilkan hasil yang sangat berbeda. Hal ini khususnya benar untuk sistem yang kompleks dan dinamis seperti cuaca atau pasar keuangan. Terlepas dari tantangan ini, model matematika dapat mengekstrak tren yang bermakna dan menghasilkan perkiraan dengan tingkat keyakinan yang bervariasi.

Peran pemodelan probabilistik dalam peramalan

Metode peramalan tradisional sering memberikan estimasi titik tunggal, tetapi sistem dunia nyata pada dasarnya tidak pasti. Pemodelan probabilistik meningkatkan peramalan deterministik dengan memperkirakan distribusi kemungkinan hasil. Alih-alih mengatakan, “Besok akan hujan,” model probabilistik mungkin memprediksi kemungkinan hujan 70%, dengan memasukkan ketidakpastian yang menyertai sistem yang kompleks.

Metode ini melibatkan distribusi probabilitas kondisional, inferensi Bayesian, dan proses stokastik untuk menguantifikasi ketidakpastian. Teknik serupa digunakan dalam model AI seperti yang digunakan di ChatGPT, yang memprediksi kata berikutnya dalam sebuah kalimat dengan menimbang probabilitas berbagai opsi. Alih-alih memprediksi kata, model peramalan menggunakan probabilitas untuk mengantisipasi kejadian, tren, dan kondisi.

Bagaimana GenCast menerapkan konsep-konsep ini

GenCast memanfaatkan teknik peramalan dan pemodelan probabilistik untuk meningkatkan akurasi prediksi. Alih-alih memberikan satu hasil deterministik, model ini memodelkan kemungkinan berbagai keadaan masa depan berdasarkan data historis dan waktu nyata. Dengan demikian, model ini memperhitungkan ketidakpastian dan variabilitas, sehingga lebih andal daripada model tradisional.

Kesimpulan

GenCast lebih dari sekadar model peramalan cuaca; ini adalah gambaran masa depan prediksi bertenaga AI. Benar-benar, model ini berpotensi merevolusi industri, meningkatkan kesiapsiagaan bencana, dan bahkan menyelamatkan nyawa. Sangat menarik menantikan lompatan transformatif yang akan diambil Gencast dan dampaknya di tahun-tahun mendatang.

Saya membahas banyak gagasan berbeda dalam artikel ini, dan untungnya, kami di DataCamp memiliki beragam sumber daya untuk membantu. Saya akan menautkan opsi di bawah ini, sehingga Anda dapat terus mempelajari peramalan, pemodelan probabilistik, dan konsep AI generatif.

• Konsep AI Generatif: Pelajari bagaimana model AI generatif dikembangkan dan bagaimana dampaknya bagi masyarakat ke depannya.
• Peramalan di R: Pelajari cara membuat prediksi tentang masa depan menggunakan peramalan deret waktu di R termasuk model ARIMA dan metode pemulusan eksponensial.
• Dasar-dasar Probabilitas di Python: Pelajari konsep probabilitas fundamental seperti peubah acak, mean dan varians, distribusi probabilitas, dan probabilitas bersyarat.
• Kursus AI: Bangun keterampilan Anda dalam topik seperti AI generatif, rekayasa prompt, pembelajaran mendalam, dan lainnya.