Ang Microsoft ay nagpahayag ng mga pagsulong sa mga kakayahan nito sa paghula ng lagay ng panahon, na makabuluhang pinahusay ang katumpakan ng mga pagtataya para sa cloud cover at precipitation. Ang mga update na ito ay isinama sa Weather mula sa Microsoft Start platform, na gumagamit ng artificial intelligence upang pagsamahin ang data mula sa radar at satellite na mga mapagkukunan.
Maaaring ma-access ng mga user ang pinahusay na impormasyon ng lagay ng panahon sa pamamagitan ng pagsasama nito sa Windows 10, Windows 11, Microsoft Edge , Bing, at ang Bing at Microsoft Start na mga mobile app.
Ayon sa isang independiyenteng pag-aaral na kinomisyon ng Microsoft, ang Weather mula sa Microsoft Start ay kinilala para sa nangungunang katumpakan ng hula nito.
AI-Driven Precipitation Nowcasting
Simula noong 2021, ang Weather mula sa Microsoft Start ay nagpatakbo ng isang panandaliang pag-ulan nowcasting model na pinapagana ng generative AI. Ang modelong ito, na ina-update bawat dalawang minuto, ay nagbibigay ng mga hyper-local na pagtataya sa isang 1-kilometrong resolution para sa hanggang apat na oras sa unahan. Ang integration ng radar at satellite data ay tumutugon sa isyu ng limitadong weather radar hardware sa iba’t ibang rehiyon, na nagpapahusay sa pangkalahatang katumpakan ng mga hula.
Ang na-update na modelo ay apat na beses na mas malaki kaysa sa hinalinhan nito at hinuhulaan ang parehong simulate na radar at satellite reflectivity. Pinupuan ng dalawahang diskarte na ito ang mga gaps ng data at pinapahusay ang pagiging maaasahan ng hula. Ang modelo ng radar channel ay binigyan ng anim na beses na mas timbang sa panahon ng AI training kumpara sa satellite model, na nagpapakita ng mas mataas na kahalagahan ng data na nagmula sa radar. Gumamit ang Microsoft ng adversarial learning approach, gamit ang isang generative adversarial model (GAN) upang pahusayin ang pagiging totoo ng mga hula. Pinapabuti ng mga spatial at temporal na discriminator ang visual fidelity at temporal consistency, ayon sa pagkakabanggit.
Na-unlock ng bagong modelo ang kakayahan para sa mga user na makaranas ng tuluy-tuloy na cloud at precipitation forecast at mapa. Ang simulated radar reflectivity ay sinusuri sa pamamagitan ng pagsuri sa precision at recall para sa iba’t ibang reflectivity threshold na nagpapahiwatig ng iba’t ibang pag-ulan. Ang mga hula sa satellite na imahe ay inihahambing laban sa pagtitiyaga gamit ang mga sukatan gaya ng MSE, MAE, PSNR, MS-SSIM para sa pagkakatulad, at mga marka ng FID para sa sharpness. Tinitiyak ng komprehensibong diskarte na ito na ang Weather mula sa Microsoft Start ay nagbibigay ng mas tumpak at maaasahang impormasyon ng panahon sa buong mundo.
Pinahusay na Katumpakan ng Pagtataya
Internal na pagsubok sa mga benchmark tulad ng SEVIR dataset ay nagpapakita na ang modelo ng Microsoft Start ay malapit sa tuktok, na nagbibigay ng mga hula nang hanggang dalawang beses na mas malayo kaysa sa iba pang mga generative na modelo ng AI tulad ng DGMR (2021) at PreDiff (2023). Kasama sa function ng pagkawala ng pagsasanay ng modelo ang pixel-wise regression loss at adversarial loss, na ang parameter na α ay nakatutok upang balansehin ang mga napalampas na pagkakataon ng pag-ulan at bias ng ulan. Ang paggamit ng pagkawala ng L1 sa halip na ang L2 ay pumipigil sa modelo na labis na maparusahan para sa nawawalang mga kondisyon ng matinding pag-ulan.
Ang paggawa ng isang pandaigdigang modelo ng forecast na may napapanahong data ay nagsasangkot ng mga hamon gaya ng pamamahala ng mataas na latency at epekto ng segmentasyon. Ang arkitektura ng generator ay nakakatugon sa mga kundisyon ng equivariance ng pagsasalin, spatially unconstrained operations, at mababang memory footprint, na nagbibigay-daan sa flexibility sa window sizing sa panahon ng pagsasanay at inference. Ito ay nagbigay-daan sa Microsoft na magbigay ng tumpak na mga hula kahit na sa panahon ng satellite data outages.
