เมื่อเดือนตุลาคม 2024 พายุเฮอริเคน Milton ก่อตัวในมหาสมุทรแอตแลนติกและทวีความรุนแรงจนกลายเป็นพายุระดับ Category 5 ก่อนพัดเข้าถล่มชายฝั่งสหรัฐฯ แต่สิ่งที่น่าทึ่งกว่าตัวเหตุการณ์คือ AI สามารถทำนายเส้นทางพายุลูกนี้ได้ล่วงหน้าถึง 5 วัน โดยใช้เพียงข้อมูลสภาพอากาศทั่วโลกจากวันก่อนที่พายุจะเริ่มทวีกำลัง ช่อง AI with Surya นำโมเดลนี้มาทดลองรันจริงและบันทึกผลลัพธ์ทุกขั้นตอนไว้ให้เห็น
โมเดลที่อยู่เบื้องหลังคือ WeatherNext 2 จาก Google DeepMind ซึ่งเป็นรุ่นที่สองของซีรีส์ AI พยากรณ์อากาศที่พัฒนามาต่อเนื่องตั้งแต่ปี 2023 ความน่าสนใจไม่ได้อยู่แค่ตัวเลขบนกระดาษ แต่อยู่ที่ว่ามันเปลี่ยนความสามารถในการพยากรณ์อย่างไร และแปลงข้อมูลสภาพอากาศออกมาเป็นประโยชน์จริงสำหรับธุรกิจได้มากแค่ไหน
- เร็วกว่ารุ่นก่อน 8 เท่า สร้างสถานการณ์ได้หลายร้อยแบบภายในไม่ถึงหนึ่งนาทีบน chip เดียว
- แม่นยำกว่าใน 99.9% ของตัวแปรสภาพอากาศ ทั้งอุณหภูมิ ลม ความดัน ความชื้น
- รันได้บน Google Colab ฟรี ต้องใช้ TPU/GPU — CPU อย่างเดียวไม่พอ
พัฒนาการในสามปี: จาก GraphCast สู่ WeatherNext 2
ถ้าจะเข้าใจว่า WeatherNext 2 พิเศษแค่ไหน ต้องย้อนดูเส้นทางก่อน ปี 2023 GraphCast เป็นก้าวแรกที่ก้าวใหญ่มาก มันทำนายสภาพอากาศได้แม่นกว่าวิธีดั้งเดิม แต่ให้คำตอบเดียวต่อการพยากรณ์ ซึ่งไม่สะท้อนความไม่แน่นอนที่มีอยู่จริงในบรรยากาศโลก บรรยากาศเป็นระบบที่มีความวุ่นวายสูง ถ้าคำตอบเดียวนั้นผิด เราก็ไม่มีทางรู้ล่วงหน้าว่ามีความเสี่ยงอยู่เท่าไร
ปี 2024 GenCast แก้ปัญหาด้วยการพยากรณ์แบบ probabilistic แทนที่จะบอกว่า "พรุ่งนี้ฝนตก" มันบอกว่า "มีโอกาส 70% ที่ฝนจะตกบริเวณนี้" ซึ่งใกล้เคียงความเป็นจริงมากกว่า แต่มันสร้างบน diffusion model ที่ช้า การพยากรณ์ 15 วันใช้เวลาถึง 8 นาที ในบริบทที่ต้องการข้อมูลเร็วและปริมาณมาก ยังนานเกินไปสำหรับการใช้งานจริงระดับองค์กร
WeatherNext 2 แก้ทั้งสองปัญหาพร้อมกัน เร็วกว่า GenCast 8 เท่า สร้างสถานการณ์ได้หลายร้อยแบบภายในไม่ถึงหนึ่งนาทีบน chip เดียว และแม่นยำกว่าใน 99.9% ของตัวแปรสภาพอากาศทั้งหมด ความเร็วและความแม่นยำที่เพิ่มขึ้นพร้อมกันทำให้มันใช้งานได้จริงในระดับที่รุ่นก่อนทำไม่ได้
สิ่งที่โมเดลมองเห็น: ภาพถ่ายชั่วขณะของโลกทั้งใบ
สิ่งที่ WeatherNext 2 ต้องการเป็น input ไม่ได้ซับซ้อนอย่างที่คิด ทุกอย่างเริ่มจาก snapshot ของบรรยากาศโลก ณ เวลาหนึ่ง ประกอบด้วยอุณหภูมิ ความเร็วลม ความดันบรรยากาศ และความชื้นสัมพัทธ์ของทุกจุดบนโลกพร้อมกัน ลองนึกภาพว่าเราถ่าย X-ray โลกทั้งใบในเฟรมเดียว แล้วถามว่าเฟรมถัดไปจะเป็นอะไร
เมื่อ snapshot ถูกป้อนเข้าโมเดล มันไม่ได้แค่ทำนายอากาศวันพรุ่งนี้ แต่สร้างสถานการณ์หลายร้อยแบบพร้อมกัน แต่ละเส้นทางมีความน่าจะเป็นต่างกัน ทำให้เห็นทั้งกรณีที่เป็นไปได้สูงและกรณีสุดโต่งที่ต้องระวัง
กระบวนการทำงานเป็นแบบ autoregressive คือโมเดลทำนายสภาพอากาศทุก 6 ชั่วโมง แล้วนำผลลัพธ์ที่ได้กลับมาใส่เป็น input ใหม่สำหรับรอบถัดไป วนซ้ำไปจนครบ 15 วัน ในกรณีของ Milton โมเดลเริ่มจากข้อมูลวันที่ 7 ตุลาคม 2024 และประมวลผลออกมาเป็นภาพพายุที่กำลังก่อตัวและพุ่งเข้าฝั่งตรงตามเส้นทางจริงในอีก 5 วันต่อมา
รันเองได้บน Google Colab
Google เปิด notebook ไว้บน GitHub ให้ใครก็ได้ไปรันเองผ่าน Google Colab ซึ่งใช้ผ่านเบราว์เซอร์ได้ฟรีโดยไม่ต้องติดตั้งอะไรเพิ่ม ขั้นตอนหลักมีสี่ส่วน เริ่มจากโหลด weights ของโมเดลจาก Google Cloud Storage ด้วยโค้ดบรรทัดเดียว จากนั้นใส่ข้อมูลสภาพอากาศในวันที่ต้องการ ให้ storm tracker ค้นหาพายุหมุนอัตโนมัติทั่วโลกจากผลลัพธ์ที่ได้ และสุดท้ายแปลงไฟล์ JSON ออกมาเป็น dashboard interactive ที่ดูได้ว่าพายุแต่ละลูกเคลื่อนที่อย่างไรและมีโอกาสทวีกำลังแค่ไหน
สิ่งสำคัญที่ต้องระวังคือต้องตั้งค่า runtime เป็น TPU หรือ GPU ก่อนรัน ถ้าใช้ CPU เพียงอย่างเดียวโมเดลจะไม่ทำงาน สำหรับองค์กรที่ไม่อยากจัดการ infrastructure เอง Google มี managed service บน Google Cloud พร้อมชุดข้อมูลบางส่วนที่พร้อมใช้ใน BigQuery และ Google Maps
ธุรกิจใดได้ประโยชน์บ้าง
การพยากรณ์อากาศที่แม่นยำขึ้นไม่ได้เป็นเรื่องของนักวิทยาศาสตร์เท่านั้น มันซ่อนอยู่ใต้การตัดสินใจทางธุรกิจมากกว่าที่คิด ลองนึกถึงสายโซ่อุปทาน ทุกครั้งที่พายุใหญ่พัดเข้า รถบรรทุกหยุดวิ่ง ท่าเรือปิด สินค้าติดค้าง ถ้าพยากรณ์ได้ล่วงหน้า 5 วันอย่างแม่นยำ ผู้บริหาร logistics สามารถวางแผนเส้นทางและจัดสต็อกสำรองได้ทันเวลา ก่อนที่ปัญหาจะเกิดขึ้นจริง ความต่างระหว่าง "รู้ล่วงหน้า 5 วัน" กับ "รู้ล่วงหน้า 1 วัน" อาจแปลเป็นมูลค่าหลายล้านสำหรับธุรกิจขนส่งข้ามภูมิภาค
สำหรับบริษัทประกันภัย ข้อมูลที่น่าเชื่อถือขึ้นหมายความว่าประเมินความเสี่ยงได้ใกล้เคียงความเป็นจริงและเตรียมพร้อมเงินสำรองได้ดีกว่าเดิมก่อนพายุฤดูกาลเข้า ในฝั่งค้าปลีกและการตลาด สภาพอากาศกำหนดพฤติกรรมผู้บริโภคได้ชัดเจนมาก ร้านค้าที่พยากรณ์แม่นกว่าก็จัดสต็อกและโปรโมชันได้ตรงจังหวะกว่าคู่แข่ง
บทสรุป
WeatherNext 2 เปลี่ยนวิธีที่ AI มองบรรยากาศโลก จากการให้คำตอบเดียวที่อาจผิดได้ มาเป็นการวาดภาพความเป็นไปได้หลายร้อยแบบพร้อมกัน ด้วยความเร็วและความแม่นยำที่เกินกว่าวิธีเดิมทั้งหมด
สำหรับใครที่อยากทดลองด้วยตัวเอง notebook ของ Google มีอยู่พร้อมบน Colab โดยไม่ต้องมีความเชี่ยวชาญพิเศษด้าน ML จุดเริ่มต้นที่ดีคือลองใส่ข้อมูลจากวันที่มีเหตุการณ์จริงแล้วดูว่าโมเดลมองเห็นอะไรล่วงหน้าบ้าง
