Welt der Wissenschaft | Frank Techel (SLF) su persone e modelli

Oltre al modello fisico del manto nevoso SNOWPACK, che utilizza i dati meteorologici per calcolare la stratificazione del manto nevoso in un punto specifico, all'SLF vengono utilizzati tre modelli di apprendimento automatico ("AI"). Questi modelli hanno "imparato" le correlazioni statistiche tra le simulazioni del manto nevoso, i dati meteorologici e le osservazioni delle valanghe o i livelli di pericolo utilizzando set di dati di addestramento. Le correlazioni apprese vengono utilizzate per prevedere i parametri rilevanti delle valanghe (probabilità di innesco, livello di pericolo) senza l'intervento di previsori umani.

PG: Nelle sue pubblicazioni, lei scrive che la tendenza dell'avviso valanghe svizzero si sta allontanando da un approccio puramente "basato su esperti" per passare a un "approccio basato su dati e modelli". È un obiettivo fondamentale per lei?

FT: Non so se un approccio puramente basato sui dati e sui modelli sia davvero l'obiettivo, ma vedo una maggiore integrazione di modelli sempre migliori nel processo di previsione come uno sviluppo logico. Fino a circa cinque anni fa, tutto ciò che avevamo a disposizione negli avvisi valanghe erano le osservazioni di oggi, le misurazioni di oggi e le previsioni del tempo per il giorno successivo. Avevamo anche il modello del manto nevoso SNOWPACK, ma nella nostra zona veniva usato raramente. I modelli meteorologici erano quindi gli unici a svolgere un ruolo effettivo. Tutto il resto lo facevano i guardiani delle valanghe con la loro esperienza, le loro conoscenze e il loro istinto. Questo è ciò che intendo per approccio basato sull'esperienza.

Da qualche anno abbiamo a disposizione molti più dati modellistici. Da un lato SNOWPACK, che utilizziamo sempre più spesso per le previsioni, e dall'altro i modelli di apprendimento automatico che vengono aggiunti a SNOWPACK. Sono successe molte cose da quando è stato pubblicato l'ultimo articolo di PowderGuide su questo argomento. All'epoca avevamo già testato parzialmente le catene di modelli, ma ora sono molto stabili e in uso operativo. Oltre a tutto il lavoro di programmazione necessario, anche la formazione dei guardiani delle valanghe è estremamente importante. Tutti noi dobbiamo imparare cosa possono fare i modelli e, soprattutto, cosa non possono fare.

Stai notando anche nei Paesi vicini questa tendenza verso i modelli e l'abbandono delle competenze puramente umane?

Sì. Quando parlo con i colleghi in Tirolo, o in Norvegia o in Canada, è chiaro a tutti che i modelli offrono una grande opportunità. Non parlo di AI, ma di tutti i modelli. Certamente c'è ancora molto lavoro di implementazione da fare, oltre che di ricerca, ma i modelli hanno un grande potenziale per migliorare l'avviso valanghe. Sto cercando di promuovere questo trasferimento: che i modelli provengono davvero dalla ricerca per arrivare a noi nella previsione delle valanghe.

Come si presenta l'approccio "model-driven" nelle operazioni quotidiane?

Non so se lo definirei ancora un approccio model-driven. Ma i modelli offrono già una preziosa seconda opinione su come interpretare i dati esistenti. Così, quando faccio una previsione, continuo a fare esattamente le stesse considerazioni di qualche anno fa, ma ho anche un modello che mi dice qualcosa sulla probabilità di valanghe spontanee, per esempio.

Parliamo più in dettaglio dei modelli che utilizzate. Può spiegare brevemente cosa fa SNOWPACK?

SNOWPACK prende i dati meteorologici e li usa per calcolare il manto nevoso, per così dire. Ogni evento meteorologico ha un'influenza sul manto nevoso, sia che si tratti di un aumento con un nuovo strato di neve, sia che si tratti di una penetrazione di acqua di fusione o altro. SNOWPACK simula quindi questi processi per un punto specifico.

SNOWPACK non è un modello di intelligenza artificiale, ma un modello fisico che calcola ciò che accade nel manto nevoso quando piove o nevica, ad esempio, sulla base della nostra comprensione del processo.

Esattamente, sì.

Ora avete diversi modelli di intelligenza artificiale, tra cui il Modello di livello di pericolo, il Modello di instabilità e il Modello di valanga naturale. Che cosa fanno?

Come ho detto, abbiamo le simulazioni molto complesse di SNOWPACK con centinaia di punti dati e per diverse esposizioni. Nel complesso, si tratta di molti dati che devono essere resi utilizzabili e interpretabili per il sistema di allerta valanghe. Con i modelli AI, cerchiamo di filtrare le informazioni più rilevanti.

Tutti e tre i modelli AI sono stati addestrati per una domanda molto specifica. Ognuno di essi può fare una cosa specifica. Il modello del livello di pericolo, ad esempio, ha utilizzato i dati degli ultimi vent'anni per imparare quale combinazione di dati meteorologici e strati di neve SNOWPACK è approssimativamente correlata a quale livello di pericolo.

Il modello di instabilità è diverso. Prende solo il profilo dello strato simulato e analizza ogni combinazione di strati. Che aspetto ha lo strato? Potrebbe essere uno strato debole e c'è una lastra di neve sopra di esso? Il modello ha imparato le correlazioni sulla base dei test sui blocchi di scivolamento. Quindi fornisce una probabilità che si tratti di una combinazione tipica di strato debole e di "lastra" sovrastante. Sulla base dei dati passati, ci aspettiamo quindi un risultato più o meno debole del blocco di scivolamento. La combinazione strato-tavola più sfavorevole in un profilo simulato classifica quindi il profilo di neve come debole o stabile.

Il modello di valanga spontanea si basa sul modello di instabilità e considera anche la neve fresca come parametro. Ha imparato da un set di dati storici con valanghe osservate. Lo scorso inverno abbiamo utilizzato il modello per la prima volta a livello operativo e poi abbiamo analizzato la correlazione tra le previsioni del modello e le valanghe rilevate dai radar. I dati radar provengono da alcuni tracciati valanghivi in cui i sensori installati in modo permanente riconoscono quando sta per verificarsi una valanga. Tali sistemi sono utilizzati, ad esempio, per la chiusura automatica di strade esposte al traffico. Si tratta di una serie di dati interessanti per la valutazione del modello di valanga spontanea, poiché il radar registra le valanghe praticamente in tempo reale. Le osservazioni umane delle valanghe, invece, sono di solito un po' ritardate perché non sempre ci accorgiamo delle valanghe appena iniziano, oppure perché sta nevicando e semplicemente non vediamo nulla. Il confronto con le rilevazioni radar ha confermato la nostra sensazione che il modello reagisca con un leggero ritardo. Ciò è probabilmente dovuto al fatto che il modello è stato addestrato con osservazioni umane, anch'esse leggermente ritardate. Per tutti i modelli è quindi molto importante sapere come sono stati addestrati, perché questo determina anche i potenziali errori.

I modelli statistici basati sull'intelligenza artificiale sono addestrati con le vostre previsioni e osservazioni e con le simulazioni del manto nevoso di SNOWPACK. Ciò significa che dobbiamo ancora comprendere i processi fisici e non possiamo affidarci solo alla magia dell'IA, giusto? Mi piacerebbe molto avere modelli che rappresentino al meglio i processi fisici. Non mi limito mai a guardare l'output del modello di instabilità, ma torno sempre alla simulazione SNOWPACK e controllo se gli strati sembrano plausibili per alcune stazioni. È estremamente importante iniziare a capire cosa succede in queste lunghe catene di modelli. I modelli AI arrivano alla fine e si sovrappongono a tutto ciò che accade prima.

I modelli AI aiutano a estrarre le informazioni rilevanti. SNOWPACK produce moltissime informazioni e l'intelligenza artificiale le filtra per noi. Può riassumere in questo modo?

Si, si può riassumere così. In definitiva, si tratta semplicemente di modelli che finiscono sopra SNOWPACK. Ma questi "piccoli" modelli hanno portato a un grande salto nell'uso di SNOWPACK nel nostro servizio di previsione. Questo perché rendono improvvisamente digeribile il complesso output del modello SNOWPACK, estraendone informazioni rilevanti e relativamente facili da capire. Ritengo quindi che sarebbe importante poter integrare i modelli in modo ancora più semplice durante la creazione delle previsioni.

Come funziona in pratica? Io dico tre più. Tu dici quattro meno, il modello dice tre più. Poi formiamo la mediana. Come si svolge la discussione?

In questo caso, se includiamo il modello, inizieremo con 3+ come punto di partenza. Supponiamo che ora io sia molto insoddisfatto di aver dato alla situazione un 3+ per domani. Il mio compito sarebbe quello di spiegare agli altri perché non lo ritengo giusto. Il più possibile basato sui dati, anche se questo è ovviamente difficile perché alla fine è sempre coinvolta la nostra interpretazione umana. In questa discussione è probabile che si prendano decisioni in un senso o nell'altro. E questo è anche uno dei nostri punti deboli, perché noi umani non siamo sempre coerenti.

Quindi è ancora umano?

È chiaramente umano. Siamo ancora principalmente sistemi di avviso valanghe umani. Tuttavia, i modelli possono supportarci e mostrarci dove forse oggi abbiamo bisogno di dare un'occhiata più da vicino.

Sarà così anche in futuro?

Non so come saranno gli avvisi valanghe in futuro. Forse tra dieci anni le previsioni avranno un'alta risoluzione, forse i modelli faranno gran parte delle previsioni. Chi lo sa? Forse è per questo che è ancora più importante poter fornire spiegazioni e comunicare all'utente: "Attenzione, proprio lì...". In altre parole, quella voce umana che si fa sentire. Come sarà la previsione delle valanghe del futuro è ancora tutto da vedere.