O Google usa notícias antigas e IA para prever inundações repentinas.

As inundações repentinas são um dos fenómenos meteorológicos mais mortais do mundo, ceifando mais de 5.000 vidas todos os anos. Eles também são um dos mais difíceis de prever. Mas acho que o Google resolveu esse problema de uma forma inesperada, lendo as notícias.

Embora os seres humanos tenham recolhido muitos dados meteorológicos, as inundações repentinas são demasiado breves e localizadas para serem medidas de forma abrangente, nem as temperaturas ou os caudais dos rios são monitorizados ao longo do tempo. Esta lacuna de dados significa que os modelos de aprendizagem profunda, que são cada vez mais capazes de prever o tempo, são incapazes de prever inundações repentinas.

Para resolver esse problema, os pesquisadores do Google usaram o Gemini, o modelo de linguagem em grande escala do Google, para classificar 5 milhões de artigos de notícias de todo o mundo, isolar relatos de 2,6 milhões de inundações diferentes e, em seguida, Série temporal georreferenciada É chamada de ‘fonte terrestre’. Segundo Gila Loike, gerente de produto do Google Research, esta é a primeira vez que a empresa utiliza modelos de linguagem para esse tipo de tarefa. Os estudos e conjuntos de dados são os seguintes: Compartilhado publicamente Quinta de manhã.

Os pesquisadores usaram o Groundsource como um padrão prático treinou o modelo Construído em redes neurais de Long Short-Term Memory (LSTM), ele coleta previsões meteorológicas globais e gera probabilidades de inundações repentinas para regiões específicas.

O modelo de previsão de inundações repentinas do Google destaca agora os riscos para as áreas urbanas nos 150 países da empresa. centro de inundação Crie uma plataforma e compartilhe dados com agências de resposta a emergências em todo o mundo. António José Beleza, oficial de resposta a emergências da Comunidade de Desenvolvimento da África Austral que testou o modelo de previsão com o Google, disse que ajudou a sua organização a responder mais rapidamente às inundações.

O modelo ainda tem limitações. Em primeiro lugar, a resolução para identificar perigos numa área de 20 quilómetros quadrados é bastante baixa. E não é tão preciso quanto o sistema de alerta de enchentes do Serviço Meteorológico Nacional. Uma razão é que o modelo do Google não incorpora dados de radar locais que possam rastrear a precipitação em tempo real.

Mas o mais importante é que o projecto foi concebido para funcionar onde os governos locais não podem investir em infra-estruturas dispendiosas de detecção meteorológica ou não possuem registos extensos de dados meteorológicos.

“Como estamos agregando milhões de relatórios, o conjunto de dados Groundsource realmente nos ajuda a reequilibrar o mapa”, disse Juliet Rothenberg, gerente de programa da equipe de resiliência do Google, a repórteres esta semana. “Isso nos permite extrapolar para outras áreas onde não temos tanta informação.”

Rothenberg disse que a equipe espera que o uso do LLM para desenvolver conjuntos de dados quantitativos a partir de fontes escritas e qualitativas possa ser aplicado aos esforços para construir conjuntos de dados para outros fenômenos que são transitórios, mas importantes para a previsão, como ondas de calor e deslizamentos de terra.

Marshall Moutenot, CEO da Upstream Tech, uma empresa que usa modelos semelhantes de aprendizagem profunda para prever o fluxo de rios para clientes como empresas hidrelétricas, disse que a contribuição do Google faz parte de um esforço crescente para coletar dados para modelos de previsão meteorológica baseados em aprendizagem profunda. Cofundador da Mutenot Dynamical.orgUm grupo que faz a curadoria de uma coleção de dados meteorológicos habilitados para aprendizado de máquina para pesquisadores e startups.

“A escassez de dados é um dos desafios mais difíceis da geofísica”, disse Moutenot. “Ao mesmo tempo, há tantos dados da Terra por aí e não são suficientes quando se quer compará-los com a verdade. Esta foi uma abordagem realmente criativa para obter esses dados.”