Havis i polarhavet. Kredit:Jørn Berger-Nyvoll, UiT
I dag, store ressourcer bruges til at give fartøjer i polarhavet advarsler om spredning af havis. Kunstig intelligens kan gøre disse advarsler billigere, hurtigere, og tilgængelig for alle.
For fartøjer, der rejser ind i polarhavet, det er vigtigt at holde styr på spredningen af havis, hvilket betyder, at der bruges store ressourcer på at indsamle data og bestemme fremtidig udvikling for at levere pålidelige havisvarsler.
"Fra nu af, store ressourcer er nødvendige for at oprette disse isadvarsler, og de fleste af dem er lavet af The Norwegian Meteorological Institute og lignende centre, "siger Sindre Markus Fritzner, en forsker ved UiT The Arctic University of Norway.
Han er ansat på Institut for Fysik og Teknologi og har for nylig indsendt en doktorafhandling, hvor han så på muligheden for at bruge kunstig intelligens til at gøre isadvarsler hurtigere, bedre, og mere tilgængelige, end de er i dag.
Har brug for supercomputere
Isvarslerne, der bruges i dag, er traditionelt baseret på dynamiske computermodeller, der fodres med satellitobservationer af isdækket, og uanset hvilke opdaterede data der kan indsamles om istykkelse og snedybde. Dette genererer betydelige mængder data, som derefter skal behandles af kraftfulde supercomputere for at levere beregninger.
"Dynamiske modeller er fysiske modeller og kræver, at mange data skal behandles. Hvis du skal advare om fremtidige begivenheder, du skal bruge en supercomputer, "Forklarer Fritzner.
Dette er en begrænset og dyr ressource, hvilket gør disse advarsler umulige at undvære adgang til de rigtige ressourcer.
Kunstig intelligens gør beregninger tilgængelige på en almindelig bærbar computer
Fritzner har set på, hvordan kunstig intelligens kan bruges til at give disse havisadvarsler hurtigere, bedre, og billigere end nogensinde - på en almindelig bærbar computer.
Machine learning er et specialiseret felt inden for kunstig intelligens, hvor statistiske metoder bruges til at lade computere finde mønstre og sammenhæng i store datasæt. Maskinen lærer i stedet for at blive programmeret, og det hele kommer til at udvikle algoritmer, der gør computere i stand til at lære af og foretage beregninger, baseret på empiriske data.
I Fritzners arbejde, for eksempel, han har indlæst data for at se, hvordan en bestemt uge vil forløbe, og derefter data om, hvordan det vil se ud en uge senere.
"Dermed, det er sammenhængen i udviklingen mellem disse uger, at maskinerne lærer sig selv, og på denne måde kan den forudsige, hvordan den udvikler sig, "Siger Fritzner.
Når den er fuldt udviklet, en sådan algoritme vil kræve langt mindre computerkraft end den traditionelle fysiske model.
"Hvis du bruger kunstig intelligens og har en fuldt uddannet model, du kan køre en sådan beregning på en almindelig bærbar computer, "Siger Fritzner.
Hvert fartøj kan foretage beregninger på egen hånd
Dette åbner op for flere anvendelsesområder, en af dem er mere præcise vejrrapporter i det høje nord. Fritzner påpeger også, at dette kan bruges af skibsindustrien, der opererer tæt på den marginale iszone, og at dette er en trafikform, der kun vil stige.
"Et eksempel er krydstogttrafik, hvor det vil være meget vigtigt for krydstogtskibene at vide, hvor isen er, og hvor den vil bevæge sig i løbet af de næste par dage, "Siger Fritzner.
Som det står, modeller i høj opløsning kan ikke køres på fartøjet. De skal kontakte Det norske meteorologiske institut, som derefter skal køre modellen på en supercomputer, før de sender dataene tilbage til fartøjet.
"Hvis du er på et fartøj i Barentshavet, du er afhængig af at være forbundet til et netværk for at downloade advarslerne fra Det norske meteorologiske institut.
"Hvis udstyret med det rigtige program og kunstig intelligens, dette kan gøres fra selve fartøjet, med næsten ingen computerkraft påkrævet overhovedet, "Siger Fritzner.
Mere udvikling er nødvendig
Selvom forskningen indtil nu ser lovende ud, resultaterne er stadig ikke så gode som de traditionelle metoder, men udviklingen inden for maskinlæring/kunstig intelligens når fuld damp, og Fritzner er ikke i tvivl om dets potentiale.
"Erfaringerne hidtil er gode, men ikke perfekt. Det, jeg observerede, når jeg sammenlignede maskinlæring og de traditionelle fysiske modeller, var, at de var meget hurtigere, og så længe ændringerne i isen var små, maskinlæringen fungerede ganske godt. Når ændringerne var større, med meget smeltning, modellerne kæmpede mere end de fysiske modeller, "Forklarer Fritzner.
Han peger på udfordringen med modellerne, der kører på kunstig intelligens, kun baseret på historiske data, mens de fysiske modeller konstant er tilpasset store geofysiske ændringer som øget smeltning og hurtige ændringer i vejret.
I sine eksperimenter, Fritzner brugte data som temperatur, koncentrationen af havis, og havtemperatur. Han mener, at præcisionen kan øges ved at tilføje flere data til modellen, så den har et større sæt data til de advarsler, den giver.
"Især hvis du tilføjer vind- og istykkelse, maskinlæringen vil fungere meget bedre, " han siger.
Han mener, at yderligere forskning og udvikling vil frigøre det store potentiale, der ligger i denne form for maskinlæring.