به گزارش سی‌بوم به نقل از TechCrunch، استارتاپ WindBorne Systems از نسخه ششم مدل پیش‌بینی آب‌وهوای خود با نام WeatherMesh 6 رونمایی کرده؛ مدلی که به گفته این شرکت، در چند متغیر کلیدی عملکردی دقیق‌تر از سامانه‌های سنتی و هوش مصنوعی «مرکز اروپایی پیش‌بینی‌های میان‌مدت جوی» یا ECMWF دارد.
WindBorne که در سال ۲۰۱۹ توسط گروهی از دانشجویان استنفورد تأسیس شد، کار خود را با ساخت بالن‌های هواشناسی پیشرفته آغاز کرد و در ابتدا قصد داشت داده‌های جوی را بفروشد. اما با رشد مدل‌های یادگیری عمیق در حوزه پیش‌بینی هوا در سال ۲۰۲۲، تیم این شرکت تصمیم گرفت به‌جای فروش صرف داده، مدل پیش‌بینی اختصاصی خود را نیز توسعه دهد.
به گفته این شرکت، درک ساده‌تر از عملکرد WeatherMesh 6 این است که دقت آن در برخی سناریوها به حدی رسیده که پیش‌بینی پنج‌روزه‌اش با دقت پیش‌بینی سنتی یک‌روزه برابری می‌کند؛ به‌ویژه در اندازه‌گیری دمای سطحی. اگر این ادعا در ارزیابی‌های مستقل هم تأیید شود، می‌تواند نشانه مهمی از سرعت پیشرفت مدل‌های AI در یکی از پیچیده‌ترین حوزه‌های علمی باشد.
یکی از تفاوت‌های کلیدی این مدل با سامانه‌های متعارف، تناوب بالاتر تولید پیش‌بینی است. WeatherMesh 6 هر یک ساعت یک‌بار خروجی می‌دهد، در حالی که بسیاری از مدل‌های سنتی هر شش ساعت به‌روزرسانی می‌شوند. همچنین وضوح مکانی این مدل در اروپا و خاک اصلی آمریکا به ۳ کیلومتر رسیده؛ مناطقی که به دلیل کیفیت بالاتر داده‌ها، بستر مناسب‌تری برای پیش‌بینی دقیق فراهم می‌کنند.
یکی از تفاوت‌های کلیدی این مدل با سامانه‌های متعارف، تناوب بالاتر تولید پیش‌بینی است. WeatherMesh 6 هر یک ساعت یک‌بار خروجی می‌دهد، در حالی که بسیاری از مدل‌های سنتی هر شش ساعت به‌روزرسانی می‌شوند. همچنین وضوح مکانی این مدل در اروپا و خاک اصلی آمریکا به ۳ کیلومتر رسیده؛ مناطقی که به دلیل کیفیت بالاتر داده‌ها، بستر مناسب‌تری برای پیش‌بینی دقیق فراهم می‌کنند.
پیش‌بینی سنتی آب‌وهوا معمولاً بر پایه مدل‌های پیچیده فیزیکی انجام می‌شود که به ابررایانه‌های گران‌قیمت نیاز دارند و اجرای آنها زمان‌بر است. در مقابل، مدل‌های AI که هم توسط استارتاپ‌ها و هم بازیگران بزرگی مثل Google DeepMind توسعه می‌یابند، سرعت بیشتری دارند؛ هرچند تاکنون معمولاً در وضوح، تعداد متغیرها یا دقت در بازه‌های طولانی‌تر، محدودیت‌هایی داشته‌اند.
با این حال، WindBorne می‌گوید مزیت اصلی‌اش فقط در مدل نیست، بلکه در ترکیب توسعه مدل با زیرساخت جمع‌آوری داده نهفته است. این شرکت در هر لحظه حدود ۴۰۰ بالن فعال در آسمان دارد که از ۱۵ نقطه مختلف جهان به پرواز درمی‌آیند و داده‌های حسگری جمع‌آوری می‌کنند. به گفته مدیران شرکت، بهبود نسخه جدید WeatherMesh تا حد زیادی به نحوه ورود مستقیم همین داده‌ها به مدل وابسته است.
در مدل‌های رایج هواشناسی، فرایندی به نام همگون‌سازی داده‌ها یا data assimilation نقش مهمی دارد؛ یعنی تبدیل داده‌های پراکنده حسگرها به یک تصویر جامع و ماشین‌خوان از وضعیت جو. برتری تاریخی ECMWF نیز تا حد زیادی به مهارت همین نهاد در این فرایند نسبت داده می‌شود. بسیاری از مدل‌های هوش مصنوعی هواشناسی هنوز به مجموعه‌داده‌های تولیدشده توسط ECMWF و سازمان NOAA آمریکا وابسته‌اند.
اما WindBorne و برخی دیگر از بازیگران این حوزه تلاش می‌کنند داده‌ها را مستقیم وارد مدل کنند. مدیران این شرکت می‌گویند دریافت بی‌واسطه داده از بالن‌ها و دیگر منابع، یکی از مهم‌ترین دلایل بهبود نسخه جدید WeatherMesh بوده است. به گفته آنها، بازطراحی و تنظیم دوباره مدل مبتنی بر ترنسفورمر حدود یک سال زمان برده تا بتواند بدون افت پایداری، چنین پیش‌بینی‌هایی ارائه دهد.
WindBorne سال گذشته با یک حاشیه جدی هم روبه‌رو شد؛ زمانی که یکی از هواپیماهای United Airlines با یکی از بالن‌های این شرکت برخورد کرد. هرچند آسیب وارده جزئی بود و کسی مجروح نشد، اما این اتفاق توجه‌ها را به موضوع ایمنی جلب کرد. طبق اصلاحیه‌ای که در گزارش TechCrunch آمده، شرکت اکنون برای کاهش احتمال برخورد، ترافیک هوایی را از طریق سامانه نظارتی هوانوردی ADS-B رصد می‌کند و مسیر بالن‌ها را تغییر می‌دهد، اما هنوز فرستنده ADS-B را روی خود سکوهای حسگری نصب نکرده است.
از نظر تجاری، WindBorne تاکنون ۲۵ میلیون دلار سرمایه خطرپذیر جذب کرده و ارزش‌گذاری آن در سال ۲۰۲۴ حدود ۸۵ میلیون دلار گزارش شده است. این شرکت داده‌های بالن‌های خود را به NOAA، نیروی هوایی و نیروی دریایی آمریکا می‌فروشد و همچنین پیش‌بینی‌هایش را در اختیار سرمایه‌گذاران و معامله‌گران کالا قرار می‌دهد. با این حال، مدیرعامل شرکت می‌گوید تمرکز فعلی همچنان بیشتر بر توسعه مدل و زیرساخت داده است تا ساخت محصولات تجاری مصرف‌محور.
جمع‌بندی
ادعای WindBorne فقط یک رقابت تبلیغاتی با نهادهای دولتی نیست؛ بلکه نشانه‌ای از یک تغییر مهم در صنعت هواشناسی است: جایی که مزیت رقابتی دیگر فقط به قدرت محاسباتی یا مدل‌های فیزیکی محدود نمی‌شود و دسترسی به داده اختصاصی و نحوه تغذیه آن به مدل به عامل تعیین‌کننده تبدیل شده است. اگر این روند ادامه پیدا کند، استارتاپ‌های کوچک‌تر هم می‌توانند در حوزه‌ای که سال‌ها در انحصار نهادهای بزرگ دولتی و بین‌دولتی بود، نقش جدی‌تری بگیرند.