סערה בסופ"ש? גוגל משתמשת בכתבות ישנות ובינה מלאכותית כדי לחזות שיטפונות פתאומיים
גוגל פיתחה שיטה חדשנית לחיזוי שיטפונות פתאומיים באמצעות Gemini, שניתח 5 מיליון כתבות חדשותיות מרחבי העולם. הפתרון מיועד לאזורים ללא תשתיות מטאורולוגיות מתקדמות ופועל כבר ב-150 מדינות דרך פלטפורמת Flood Hub של החברה, תוך שהוא מספק אזהרות מוקדמות לארגוני חירום ברחבי העולם.
גוגל משתמשת בכתבות ישנות ובינה מלאכותית כדי לחזות שיטפונות פתאומיים
שיטפונות פתאומיים נחשבים לאחד מאירועי מזג האויר הקטלניים ביותר בעולם, כאשר מעל 5,000 בני אדם מאבדים את חייהם מידי שנה בעקבותיהם. במקביל, מדובר באחד התופעות המורכבות ביותר לחיזוי - אך גוגל סבורה שמצאה פתרון באמצעות שילוב לא צפוי של בינה מלאכותית יחד עם כתבות חדשותיות ישנות.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
המגבלה הטכנולוגית שהחלישה את החיזוי
למרות שהאנושות אספה כמויות עצומות של נתונים מטאורולוגיים, שיטפונות פתאומיים הם קצרי מועד ומקומיים מכדי שניתן יהיה למדוד אותם באופן מקיף - בניגוד למדידות טמפרטורה או זרימות נהרות המתועדות לאורך זמן. פער הנתונים הזה פירושו שמודלי Deep Learning, שמשפרים את יכולות החיזוי המטאורולוגי באופן משמעותי, לא הצליחו עד כה לתת מענה לאתגר השיטפונות הפתאומיים.
איך Gemini הפך כתבות ישנות לבסיס נתונים
כדי לפתור את הבעיה, חוקרי גוגל השתמשו ב-Gemini - מודל השפה הגדול של החברה - כדי לסרוק 5 מיליון כתבות חדשותיות מרחבי העולם. המערכת בודדה דיווחים על 2.6 מיליון שיטפונות שונים והפכה את הדיווחים האיכותניים הללו למאגר נתונים כמותי עם תיוג גיאוגרפי וציר זמן, שקיבל את השם "Groundsource".
גילה לויק, מנהלת מוצר ב-Google Research, מציינת שזו הפעם הראשונה שהחברה משתמשת במודלי שפה לעבודה מסוג זה. המאגר והמחקר פורסמו באופן ציבורי בבוקר יום חמישי.
מודל חיזוי המבוסס על LSTM
עם Groundsource כבסיס אמת קרקעי, החוקרים אימנו מודל המבוסס על רשת נוירונים מסוג Long Short-Term Memory (LSTM) שמעבד תחזיות מזג אוויר גלובליות ומפיק הסתברות להתרחשות שיטפונות פתאומיים באזור מסוים. המודל של גוגל פועל כעת ב-150 מדינות דרך פלטפורמת Flood Hub של החברה, ומשתף את הנתונים שלו עם ארגוני חירום ברחבי העולם.
מגבלות הפתרון והיתרונות שלו
עם זאת, למודל יש מגבלות: הוא עובד ברזולוציה נמוכה יחסית של 20 קמ"ר לאזור, ואינו מדויק כמו מערכת ההתרעה של שירות מזג האויר האמריקאי - בין היתר כי המודל של גוגל לא משלב נתוני מכ"ם מקומיים המאפשרים מעקב בזמן אמת אחר משקעים.
אולם, כפי שמסבירה ג'ולייט רוטנברג, מנהלת תוכנית בצוות Resilience של גוגל: "כיוון שאנחנו מצרפים מיליוני דיווחים, מאגר Groundsource עוזר לאזן מחדש את המפה. זה מאפשר לנו לבצע אקסטרפולציה לאזורים אחרים שבהם אין הרבה מידע". הפרויקט תוכנן במיוחד לפעול באזורים שבהם ממשלות מקומיות לא יכולות להשקיע בתשתיות חיישנים יקרות או שאין להן רישומים מטאורולוגיים נרחבים.
יישומים עתידיים והשלכות רחבות יותר
מרשל מאוטנוט, מנכ"ל Upstream Tech - חברה שמשתמשת במודלי Deep Learning דומים לחיזוי זרימות נהרות ללקוחות כמו חברות הידרו-אלקטריות - מציין שמחסור בנתונים הוא אחד האתגרים הקשים ביותר בגיאופיזיקה: "בו-זמנית, יש יותר מדי נתוני כדור הארץ, וכשרוצים להעריך מול האמת, אין מספיק. זו הייתה גישה יצירתית מאוד להשיג את הנתונים האלה".
רוטנברג הוסיפה גם שהצוות מקווה שהשימוש ב-LLM לפיתוח מאגרי נתונים כמותיים ממקורות כתובים איכותניים יוכל להיות מיושם גם על מאמצים לבניית מאגרי נתונים לגבי תופעות חולפות אך חשובות נוספות, כמו גלי חום ומפולות בוץ.
המשמעות לישראל ולאזור
עבור ישראל ומדינות המזרח התיכון, הטכנולוגיה הזו יכולה להיות בעלת ערך משמעותי. אזורים כמו הנגב, ערי החוף, ואזורי הצפון נמצאים בסיכון תקופתי לשיטפונות פתאומיים, במיוחד בעונות המעבר. היכולת לקבל התרעה מוקדמת מבוססת AI, ללא צורך בהשקעה נוספת בתשתיות חיישנים, מאפשרת לארגוני חירום ורשויות מקומיות להיערך טוב יותר ולהציל חיים. בנוסף, חברות ישראליות המתמחות בטכנולוגיות חיזוי ומניעת אסונות עשויות למצוא הזדמנויות שיתוף פעולה או פיתוח פתרונות משלימים המותאמים לאזור.