Microsoft ra mắt công cụ học máy mới giúp cải thiện dự báo thời tiết

Microsoft vừa công bố một công cụ học máy mã nguồn mở có khả năng hiệu chỉnh sai lệch trong các mô hình dự báo thời tiết hiện hành, giúp dự báo chính xác hơn trong khoảng hai đến sáu tuần tới. Điểm đáng chú ý là công cụ này chỉ cần chạy trên CPU thay vì siêu máy tính hay GPU đắt đỏ, mở ra cơ hội tiếp cận cho nhiều cơ quan khí tượng tại các nước đang phát triển.

Dự báo thời tiết ứng dụng trí tuệ nhân tạo

Các mô hình dự báo thời tiết dựa trên vật lý truyền thống, cũng như các mô hình AI mới, thường trở nên kém tin cậy sau khoảng hai tuần. Microsoft tuyên bố đã giải quyết được vấn đề này bằng học máy. Các nhà nghiên cứu của công ty cho biết họ đã tìm ra một cách hiệu quả về chi phí để đưa ra dự báo chính xác hơn trong khoảng hai đến sáu tuần tới, giúp nông dân và lực lượng ứng phó khẩn cấp lập kế hoạch với độ chắc chắn cao hơn.

Kết quả nghiên cứu được công bố trên tạp chí Nature, và công cụ này hiện đã trở thành phần mềm mã nguồn mở. Microsoft tham gia cùng Google, Nvidia và nhiều công ty khác đang phát triển các công cụ AI cho dự báo thời tiết.

Cách tiếp cận khác biệt: hiệu chỉnh thay vì thay thế

Thay vì tạo ra một mô hình thời tiết độc lập mới, nghiên cứu mới nhất của Microsoft sử dụng học máy để hiệu chỉnh sai lệch trong các mô hình hiện có. Các nhà nghiên cứu kỳ vọng đây sẽ là cách tiếp cận dễ tiếp cận hơn để các cơ quan khí tượng thiếu nguồn lực cải thiện độ chính xác nhờ AI.

Trong khi mô hình dựa trên vật lý là công việc tiêu tốn nhiều tài nguyên, chạy trên siêu máy tính, và AI tạo sinh phụ thuộc vào GPU mạnh mẽ, thì theo ông Lester Mackey, nhà nghiên cứu chính cấp cao tại Microsoft Research New England, công cụ mới này có thể chạy chỉ trên CPU.

"Tôi rất kỳ vọng vào cả hiệu quả tài nguyên của dự báo thời tiết lẫn độ tin cậy được mở rộng của các dự báo, đặc biệt là với thời tiết cực đoan", Mackey chia sẻ.

Vì sao dự báo xa lại kém chính xác?

Cả mô hình vật lý lẫn mô hình AI đều gặp vấn đề tương tự khi bắt đầu dự báo thời tiết từ hai tuần trở lên. Mô hình truyền thống cố gắng mô phỏng vật lý phức tạp của khí quyển Trái Đất, trong khi mô hình AI tìm kiếm các mẫu trong dữ liệu lịch sử để đưa ra dự báo.

Cả hai cách tiếp cận đều dựa vào các phép xấp xỉ để lấp đầy khoảng trống dữ liệu — dù là từ những vùng có ít trạm khí tượng hay các hiện tượng khí quyển phức tạp mà giới khoa học vẫn đang tìm hiểu. Cách các mô hình bù đắp những khoảng trống dữ liệu này có thể trở thành một dạng sai lệch hệ thống. Những sai số này tích lũy khi dự báo xa hơn trong tương lai, khiến các dự đoán kém chính xác hơn.

Phương pháp Probabilistic Bias Correction

Microsoft gọi phương pháp của mình là Probabilistic Bias Correction (PBC). Công cụ này sử dụng học máy để xác định sai lệch hệ thống trong một mô hình và đưa ra các hiệu chỉnh.

Một ví dụ mà Mackey đưa ra là hiệu chỉnh cho những thay đổi khí hậu. Khí thải nhà kính từ nhiên liệu hóa thạch đang làm nóng hành tinh, nhưng một mô hình thời tiết có thể đưa ra dự đoán dựa trên hồ sơ lịch sử, khiến nó thiên về nhiệt độ lạnh hơn so với thực tế hiện nay.

Các nhà nghiên cứu phát hiện rằng PBC đã cải thiện độ chính xác của một mô hình thời tiết dựa trên vật lý hàng đầu của Trung tâm Dự báo Thời tiết Tầm trung Châu Âu (ECMWF) đối với 98% mục tiêu về lượng mưa và 92% mục tiêu về nhiệt độ. Khung học máy này cũng giúp tăng gấp đôi độ chính xác của hệ thống dự báo AI mới của ECMWF trong phân tích của nghiên cứu.

Đánh giá từ cộng đồng khí tượng

Trước khi bài báo được công bố, ECMWF đã trao giải thưởng cho nghiên cứu của các tác giả về PBC trong cuộc thi AI Weather Quest của mình.

Ông Matthew Chantry, trưởng chiến lược về học máy của ECMWF, nhận xét rằng bài báo mới về PBC — được thực hiện bởi các nhà nghiên cứu tại Microsoft, MIT, ECMWF và nhiều tổ chức khác — "là một ví dụ điển hình về những ý tưởng mới đang được phát triển vì lợi ích và sự quan tâm của cộng đồng".

Tuy nhiên, ông cũng lưu ý: "Như thường lệ, việc biến ý tưởng thành hiện thực trong một quy trình vận hành là bước khó khăn nhất".

Cơ hội cho các nước đang phát triển

Lượng tính toán và hạ tầng cần thiết cho dự báo thời tiết thường khiến những tiến bộ công nghệ nằm ngoài tầm với của nhiều cơ quan tại các nước đang phát triển. Tuy nhiên, các tác giả của bài báo cho rằng PBC có thể là ngoại lệ.

Bà Genevieve Flaspohler, một trong những tác giả của bài báo, chia sẻ:

"Một trong những điều khiến tôi thực sự hào hứng với các mô hình như PBC là chúng nhẹ nhàng đến mức nào, dễ huấn luyện ra sao, để các nhà khoa học không có nguồn lực khổng lồ vẫn có thể nghiên cứu cấu hình những mô hình này và giúp chúng hoạt động tốt hơn ở các địa phương cụ thể".

Flaspohler từng làm việc về PBC khi còn là thực tập sinh tại Microsoft cùng Mackey, và hiện là giám đốc điều hành của tổ chức phi lợi nhuận Rhiza Research. Tổ chức này đang hợp tác với Cơ quan Khí tượng Kenya — với nguồn tài trợ từ Quỹ Gates — để xem liệu AI có thể giúp đưa ra cảnh báo sớm chính xác hơn đến người dân hay không. PBC là một trong những phương pháp họ đang thử nghiệm trước một mùa mưa được dự báo khắc nghiệt hơn trong đợt El Niño phá kỷ lục.

Ý nghĩa đối với Việt Nam

Với Việt Nam — một quốc gia thường xuyên chịu ảnh hưởng của bão, lũ lụt và các hiện tượng thời tiết cực đoan — những công cụ mã nguồn mở như PBC có thể mang lại giá trị thực tiễn đáng kể. Việc dự báo chính xác hơn trong khoảng hai đến sáu tuần có thể giúp các tỉnh ven biển và khu vực miền Trung chủ động hơn trong công tác phòng chống thiên tai, hỗ trợ nông dân lên kế hoạch mùa vụ và giảm thiệt hại kinh tế do thời tiết bất thường gây ra.