Microsoft ได้เปิดเผยความก้าวหน้าในความสามารถในการพยากรณ์อากาศ ซึ่งปรับปรุงความแม่นยำของการพยากรณ์เมฆปกคลุมและการตกตะกอนอย่างมีนัยสำคัญ การอัปเดตเหล่านี้รวมอยู่ในแพลตฟอร์ม Weather จาก Microsoft Start โดยใช้ปัญญาประดิษฐ์เพื่อรวมข้อมูลจากแหล่งข้อมูลเรดาร์และดาวเทียม
ผู้ใช้สามารถเข้าถึงข้อมูลสภาพอากาศที่ได้รับการปรับปรุงนี้ผ่านการผสานรวมกับ Windows 10, Windows 11, Microsoft Edge , Bing และแอปมือถือ Bing และ Microsoft Start
ตามการศึกษาอิสระที่ได้รับมอบหมายจาก Microsoft สภาพอากาศจาก Microsoft Start ได้รับการยอมรับว่ามีความแม่นยำในการพยากรณ์ระดับแนวหน้า
การตกตะกอนที่ขับเคลื่อนด้วย AI กำลังออกอากาศ
ตั้งแต่ปี 2021 สภาพอากาศจาก Microsoft Start ได้ดำเนินการเร่งรัดระยะสั้น โมเดลที่กำลังแคสต์อยู่ ขับเคลื่อนโดย generative AI โมเดลนี้อัปเดตทุกๆ สองนาที ให้การคาดการณ์แบบเจาะจงในพื้นที่ที่ความละเอียด 1 กิโลเมตรล่วงหน้าสูงสุดสี่ชั่วโมง การบูรณาการข้อมูลเรดาร์และดาวเทียมช่วยแก้ปัญหาฮาร์ดแวร์เรดาร์สภาพอากาศที่จำกัดในภูมิภาคต่างๆ ซึ่งช่วยเพิ่มความแม่นยำโดยรวมของการพยากรณ์
แบบจำลองที่ได้รับการอัปเดตมีขนาดใหญ่กว่ารุ่นก่อนถึงสี่เท่า และคาดการณ์ทั้งเรดาร์จำลองและดาวเทียม การสะท้อนแสง แนวทางแบบคู่นี้ช่วยเติมเต็มช่องว่างของข้อมูลและปรับปรุงความน่าเชื่อถือในการคาดการณ์ โมเดลช่องเรดาร์มีน้ำหนักมากกว่าหกเท่าระหว่างการฝึก AI เมื่อเทียบกับโมเดลดาวเทียม ซึ่งสะท้อนถึงความสำคัญที่สูงกว่าของข้อมูลที่มาจากเรดาร์ Microsoft ใช้วิธีการเรียนรู้แบบตรงข้าม โดยใช้ โมเดลความขัดแย้งทั่วไป (GAN) เพื่อปรับปรุงความสมจริงของการคาดการณ์ เครื่องมือแยกแยะเชิงพื้นที่และเวลาปรับปรุงความเที่ยงตรงของการมองเห็นและความสอดคล้องของเวลาตามลำดับ
โมเดลใหม่ได้ปลดล็อกความสามารถสำหรับผู้ใช้ในการสัมผัสประสบการณ์การพยากรณ์และแผนที่บนคลาวด์และการตกตะกอนอย่างต่อเนื่อง การสะท้อนของเรดาร์จำลองได้รับการประเมินโดยการตรวจสอบความแม่นยำและการเรียกคืนเกณฑ์การสะท้อนแสงที่แตกต่างกันซึ่งบ่งชี้ปริมาณน้ำฝนที่แตกต่างกัน การคาดการณ์ภาพดาวเทียมจะถูกเปรียบเทียบกับความคงอยู่โดยใช้หน่วยเมตริก เช่น MSE, MAE, PSNR, MS-SSIM เพื่อความคล้ายคลึง และคะแนน FID เพื่อความคมชัด วิธีการที่ครอบคลุมนี้ช่วยให้แน่ใจว่า Weather จาก Microsoft Start ให้ข้อมูลสภาพอากาศทั่วโลกที่แม่นยำและเชื่อถือได้มากขึ้น
ความแม่นยำในการพยากรณ์ที่ได้รับการปรับปรุง
การทดสอบภายในเกี่ยวกับเกณฑ์มาตรฐาน เช่น ชุดข้อมูล SEVIR แสดงให้เห็นว่าแบบจำลองของ Microsoft Start อยู่ในอันดับที่ใกล้ด้านบน โดยให้การคาดการณ์ได้ไกลถึง 2 เท่าเมื่อเทียบกับโมเดล AI ทั่วไปอื่นๆ เช่น DGMR (2021) และ PreDiff (2023). ฟังก์ชันการสูญเสียการฝึกของโมเดลประกอบด้วยการสูญเสียการถดถอยแบบพิกเซลและการสูญเสียฝ่ายตรงข้าม ด้วยพารามิเตอร์ α ที่ปรับเพื่อสร้างสมดุลระหว่างกรณีที่ฝนตกและความลำเอียงของฝน การใช้การสูญเสีย L1 แทน L2 จะป้องกันไม่ให้โมเดลถูกลงโทษมากเกินไปเนื่องจากไม่มีสภาวะฝนตกหนัก
การผลิตแบบจำลองการคาดการณ์ทั่วโลกด้วยข้อมูลล่าสุดเกี่ยวข้องกับความท้าทาย เช่น การจัดการเวลาแฝงที่สูง และ ผลกระทบจากการแบ่งส่วน สถาปัตยกรรมตัวสร้างตรงตามเงื่อนไขความเท่าเทียมกันในการแปล การดำเนินการที่ไม่มีข้อจำกัดเชิงพื้นที่ และพื้นที่หน่วยความจำเหลือน้อย ช่วยให้มีความยืดหยุ่นในการกำหนดขนาดหน้าต่างระหว่างการฝึกและการอนุมาน ซึ่งช่วยให้ Microsoft สามารถคาดการณ์ได้อย่างแม่นยำแม้ในช่วงที่ข้อมูลดาวเทียมขัดข้อง
