تعد الفيضانات المفاجئة واحدة من أخطر الكوارث الجوية في العالم، حيث تقتل أكثر من 5000 شخص كل عام. ومع ذلك، فقد كان من الصعب التنبؤ بها بدقة منذ فترة طويلة بسبب ظهورها السريع ونطاقها الصغير وقصر مدتها. في مواجهة هذه المشكلة، تتمثل إجابة جوجل الجديدة في "السماح للذكاء الاصطناعي بقراءة التقارير الإخبارية".
جمعت مراقبة الأرصاد الجوية التقليدية كمية كبيرة من البيانات مثل درجة الحرارة وهطول الأمطار وتدفق الأنهار. ومع ذلك، بالنسبة لأحداث الفيضانات المفاجئة والقوية للغاية، لا يمتلك البشر سجلات مراقبة كاملة ومستمرة مثل عناصر الأرصاد الجوية الأخرى. وقد أدى ذلك إلى حقيقة أنه على الرغم من أن التعلم العميق أصبح أكثر قوة في مجال التنبؤ بالطقس، إلا أنه لم يتمكن من الأداء على نفس المستوى في التنبؤ بالفيضانات المفاجئة بسبب نقص بيانات "القيمة الحقيقية" الكافية لتدريب النموذج.
ولسد هذه الفجوة في البيانات، استخدم فريق بحث جوجل نموذجه اللغوي الكبير Gemini لفحص حوالي 5 ملايين تقرير إخباري من جميع أنحاء العالم، وتحديد واستخراج حوالي 2.6 مليون حدث فيضانات مختلف تلقائيًا، ثم تحويل هذه التقارير النصية إلى مجموعة بيانات تسلسلية "Groundsource" مع علامات زمنية وجغرافية. وقالت جيلا لويكي، مديرة المنتجات البحثية في Google، إن هذه هي المرة الأولى التي تستخدم فيها الشركة نموذجًا لغويًا كبيرًا لإكمال هذا النوع من أعمال بناء البيانات الكمية. تم نشر نتائج الأبحاث ومجموعات البيانات ذات الصلة علنًا في وقت مبكر من صباح الخميس.
بعد الحصول على "خط الأساس الواقعي" هذا، قام الباحثون بتدريب نموذج جديد للتنبؤ بالفيضانات الخاطفة استنادًا إلى شبكة عصبية ذات ذاكرة طويلة قصيرة المدى (LSTM)، مما يسمح لها بإدخال بيانات توقعات الطقس العالمية وإخراج احتمالية حدوث فيضانات مفاجئة في منطقة معينة. حاليًا، قدم نموذج التنبؤ بالفيضانات المفاجئة من Google نصائح حول المخاطر للمناطق الحضرية في 150 دولة على منصة Flood Hub الخاصة به، وفتح البيانات للعديد من وكالات إدارة الطوارئ حول العالم. وقال أنطونيو خوسيه بيليزا، مسؤول الاستجابة للطوارئ في مجموعة تنمية الجنوب الأفريقي (SADC)، في تجربة مع جوجل، إن النموذج ساعد فريقه على الاستجابة للفيضانات بشكل أسرع.
ومع ذلك، لا يزال هذا النظام لديه قيود واضحة. فمن ناحية، فإن استبانتها المكانية منخفضة نسبيًا ولا يمكنها حاليًا تقديم تقييم للمخاطر إلا على نطاق حوالي 20 كيلومترًا مربعًا؛ من ناحية أخرى، نظرًا لأنه لا يتضمن بيانات مراقبة هطول الأمطار في الوقت الفعلي مثل الرادار المحلي، فإن دقته ليست دقيقة مثل نظام التحذير من الفيضانات الحالي التابع لهيئة الأرصاد الجوية الوطنية في الولايات المتحدة.
وأكدت جوجل أن أحد الأهداف الأصلية لهذا المشروع هو لعب دور في تطوير المناطق التي تفتقر إلى بنية تحتية باهظة الثمن لمراقبة الطقس وليس لديها سجلات طقس طويلة المدى. من خلال تجميع ملايين التقارير الإخبارية من جميع أنحاء العالم، تعمل مجموعة بيانات Groundsource على "إعادة توازن الخريطة" إلى درجة تسمح للنماذج باستقراء التنبؤات للمناطق التي تكون فيها البيانات شحيحة. وقالت جولييت روتنبرغ، مديرة البرنامج في فريق المرونة في جوجل، إن هذا النهج سمح للفريق بتغطية المناطق التي كانت المعلومات فيها ناقصة بشدة في السابق.
وقال روتنبرغ أيضًا إن فكرة استخدام نماذج لغوية كبيرة لتحويل السرد النصي إلى بيانات كمية منظمة لا تقتصر على الفيضانات المفاجئة. وفي المستقبل، من المتوقع استخدام تكنولوجيات مماثلة لبناء مجموعات بيانات عن ظواهر طبيعية قصيرة العمر ولكنها بالغة الأهمية، مثل موجات الحرارة والانهيارات الطينية، مما يوفر الأساس للتنبؤ بالمزيد من الكوارث المناخية والجيولوجية المتطرفة.
وفقًا لمصادر مطلعة على الصناعة، تعد محاولة جوجل خطوة مهمة في تعزيز تطوير التعلم العميق للتنبؤ بالطقس من خلال جمع البيانات الإبداعية. وأشار مارشال موتينوت، الرئيس التنفيذي لشركة Upstream Tech، وهي الشركة التي تستخدم أيضًا التعلم العميق للتنبؤ بتدفق الأنهار لعملاء مثل شركات الطاقة الكهرومائية، إلى أن المجال الحالي لعلوم الأرض يواجه مشكلة "ندرة البيانات" المستمرة: فمن ناحية، بيانات مراقبة الأرض معقدة للغاية، ومن ناحية أخرى، هناك "قيم الحقيقة" عالية الجودة محدودة للغاية والتي يمكن استخدامها لمعايرة النماذج والتحقق من صحتها. موتينوت هو أيضًا أحد مؤسسي موقعdynamical.org، وهي منظمة مخصصة لتنظيم مجموعات بيانات الطقس للباحثين والشركات الناشئة والتي يمكن استخدامها مباشرة في التعلم الآلي. ويعتقد أن عمل جوجل هو مثال نموذجي للحصول على بيانات قيمة من خلال "أساليب مبتكرة للغاية".