Welt der Wissenschaft | Frank Techel (SLF) o lidech a modelech

Kromě fyzikálního modelu sněhové pokrývky SNOWPACK, který využívá údaje o počasí k výpočtu vrstvení sněhové pokrývky v určitém bodě, se v SLF používají tři modely strojového učení ("AI"). Tyto modely se "naučily" statistické korelace mezi simulacemi sněhové pokrývky, údaji o počasí a pozorováním lavin nebo stupni nebezpečí pomocí tréninkových souborů dat. Naučené korelace se používají k předpovídání příslušných lavinových parametrů (pravděpodobnost spuštění, stupeň nebezpečí) bez zásahu lidských předpovědí.

PG: Ve svých publikacích píšete, že trend ve švýcarském lavinovém varování se odklání od čistě "expertního přístupu" a směřuje k "přístupu založenému na datech a modelech". Je to pro vás zásadní cíl?

FT: Nevím, zda je čistě daty a modely řízený přístup skutečně cílem, ale jako logický vývoj vidím silnější integraci stále se zlepšujících modelů do procesu předpovědi. Ještě zhruba před pěti lety jsme v lavinových varováních měli k dispozici opravdu jen dnešní pozorování, dnešní měření a předpověď počasí na následující den. Měli jsme také model sněhové pokrývky SNOWPACK, ale ten se v naší oblasti používal jen zřídka. Meteorologické modely byly tedy jedinými modely, které skutečně hrály roli. Vše ostatní dělali lavinoví strážci na základě svých zkušeností, znalostí a instinktu. To je to, co mám na mysli pod pojmem expertní přístup.

Již několik let máme k dispozici mnohem více modelových dat. Na jedné straně SNOWPACK, který stále častěji používáme pro předpovědi, a na druhé straně modely strojového učení, které se přidávají nad SNOWPACK. Od doby, kdy byl zveřejněn poslední článek PowderGuide na toto téma, se toho hodně událo. V té době jsme již částečně testovali modelové řetězce, ale nyní jsou již velmi stabilní a v provozu. Kromě veškeré programátorské práce, která k tomu byla nutná, je nesmírně důležité také školení lavinových strážců. Všichni se musíme naučit, co modely umí a především co neumí.

Vnímáte i v sousedních zemích tento trend příklonu k modelům a odklonu od čistě lidské odbornosti?

Ano. Když mluvím s kolegy v Tyrolsku nebo v Norsku či Kanadě, je vlastně všem jasné, že modely nabízejí velké možnosti. Nemluvím o umělé inteligenci, ale o všech modelech. Určitě je třeba ještě udělat spoustu práce na implementaci a také na výzkumu, ale modely mají velký potenciál pro zlepšení lavinového varování. Snažím se prosazovat tento přenos - že modely skutečně přicházejí z výzkumu k nám do lavinové předpovědi.

Jak vypadá "přístup založený na modelech" v každodenním provozu?

Nevím, zda bych to ještě nazval přístupem založeným na modelech. Ale modely již nabízejí cenný druhý názor na to, jak lze interpretovat stávající data. Takže když dělám předpověď, nadále se řídím úplně stejnými úvahami jako před několika lety, ale mám k dispozici také model, který mi říká něco například o pravděpodobnosti samovolných lavin.

Pojďme si podrobněji promluvit o modelech, které používáte. Můžete stručně vysvětlit, co dělá SNOWPACK?

SNOWPACK bere data o počasí a používá je k výpočtu sněhové pokrývky, abych tak řekl. Každá povětrnostní událost má vliv na sněhovou pokrývku, ať už jde o nárůst s novou vrstvou sněhu, nebo když do ní pronikne tající voda, nebo cokoli jiného. SNOWPACK pak tyto procesy simuluje pro konkrétní bod.

SNOWPACK není model s umělou inteligencí, ale fyzikální model, který na základě našeho chápání procesu počítá, co se stane ve sněhové pokrývce, když na ni například zaprší nebo nasněží.

Přesně tak.

V současné době máte několik modelů AI - včetně modelu stupně nebezpečí, modelu nestability a přírodního lavinového modelu. Co dělají?

Jak jsem řekl, máme k dispozici velmi komplexní simulace ze SNOWPACKu při stovkách datových bodů a pro různé expozice. Celkově je to spousta dat, která je nejprve třeba učinit použitelnými a interpretovatelnými pro lavinový výstražný systém. Pomocí modelů s umělou inteligencí se snažíme vyfiltrovat ty nejpodstatnější informace.

Všechny tři modely umělé inteligence jsou vyškoleny pro velmi specifickou otázku. Každý z nich umí jednu konkrétní věc. Například model úrovně nebezpečí použil data z posledních dvaceti let, aby se naučil, která kombinace meteorologických dat a sněhových vrstev SNOWPACK přibližně koreluje s jakou úrovní nebezpečí.

Model nestability je jiný. Vychází pouze ze simulovaného profilu vrstev a prochází všechny kombinace vrstev. Jak vypadá vrstva? Může to být slabá vrstva a je nad ní sněhová deska? Model se naučil korelace na základě testů klouzavých bloků. Poté určí pravděpodobnost, že se jedná o typickou kombinaci slabé vrstvy a "desky" nad ní. Na základě údajů z minulosti pak očekáváme více či méně slabý výsledek klouzavého bloku. Nejnepříznivější kombinace vrstvy a desky v simulovaném profilu pak klasifikuje sněhový profil jako slabý nebo stabilní.

Samovolný lavinový model vychází z modelu nestability a jako parametr bere také čerstvý sníh. Učil se ze souboru historických dat s pozorovanými lavinami. Model jsme poprvé operativně použili minulou zimu a poté jsme analyzovali, jak předpovědi modelu korelují s lavinami zjištěnými radarem. Radarová data pocházejí z určitých lavinových drah, kde trvale instalované senzory rozpoznají, kdy se lavina chystá. Takové systémy se používají například pro automatické uzavírky silnic na exponovaných dopravních trasách. Jedná se o zajímavý soubor dat pro vyhodnocení modelu spontánních lavin, protože radar registruje laviny prakticky v reálném čase. Naproti tomu lidská pozorování lavin jsou obvykle poněkud opožděná, protože ne vždy si lavin všimneme hned, jak začnou, nebo protože sněží a my prostě nic nevidíme. Srovnání s radarovými detekcemi potvrdilo náš pocit, že model reaguje s mírným zpožděním. To je pravděpodobně způsobeno tím, že model byl vycvičen na základě lidských pozorování, která jsou také mírně opožděná. U všech modelů je proto velmi důležité, abychom věděli, jak byly modely vycvičeny, protože to také určuje možné chyby.

Statistické modely založené na umělé inteligenci jsou trénovány na základě vašich předpovědí a pozorování a simulací sněhové pokrývky ze systému SNOWPACK. To znamená, že stále musíme rozumět fyzikálním procesům a nemůžeme se spoléhat jen na kouzlo umělé inteligence, že? Velmi bych si přál, aby modely co nejlépe reprezentovaly fyzikální procesy. Nikdy se nedívám jen na výstup modelu nestability, vždy se vrátím k simulaci SNOWPACK a podívám se na některé stanice, abych zjistil, zda vrstvy vypadají věrohodně. Je nesmírně důležité, abychom alespoň začali chápat, co se v těchto dlouhých modelových řetězcích děje. Modely umělé inteligence přicházejí až na samém konci a jsou vlastně jen překryty vším, co se děje předtím.

Modely umělé inteligence pomáhají extrahovat relevantní informace. SNOWPACK vyplivne spoustu a spoustu informací a AI je pak filtruje za nás. Můžete to takto shrnout?

Ano, lze to takto shrnout. V konečném důsledku se jedná o pouhé modely, které končí nad SNOWPACKem. Ale tyto "malé" modely vedly k poměrně velkému skoku ve využití SNOWPACKu v naší předpovědní službě. Je to proto, že najednou činí složitý výstup modelu SNOWPACK stravitelným tím, že z něj extrahují relevantní informace, které jsou relativně snadno pochopitelné. Proto si myslím, že by bylo důležité, kdybychom mohli modely při vytváření předpovědi ještě snadněji integrovat.

Jak to funguje v praxi? Říkám tři plus. Vy řeknete čtyři minus, model řekne tři plus. Pak vytvoříme medián. Jak pak vypadá diskuse?

V tomto případě, pokud bychom zahrnuli model, bychom začali s 3+ jako výchozím bodem. Předpokládejme, že jsem nyní velmi nespokojen s tím, že pro zítřek dávám situaci 3+. Pak by mým úkolem bylo vysvětlit ostatním, proč si myslím, že to není správné. Pokud možno na základě dat, i když je to samozřejmě obtížné, protože do toho nakonec vždy vstupuje naše lidská interpretace. V této diskusi se pravděpodobně bude rozhodovat tak či onak. A to je také jedna z našich slabin, protože my lidé nejsme vždy důslední.

Takže je to pořád lidské?"

Je to jednoznačně lidské. Stále jsme především lidskými lavinovými varovnými systémy. Modely nás však mohou podpořit a ukázat nám, kde bychom se dnes možná měli více zaměřit.

Zůstane to tak i v budoucnu?

Nevím, jak bude vypadat lavinové varování v budoucnu. Možná za deset let bude mít předpověď vysoké rozlišení, možná budou velkou část předpovědi dělat modely. Kdo ví? Možná právě proto je o to důležitější, že stále můžeme poskytovat vysvětlení a sdělovat uživateli: "Pozor, právě tady...". Jinými slovy, ten lidský hlas, který do toho vnášíte. Jak bude vypadat lavinová předpověď budoucnosti, je pro mě zatím velmi otevřené.