Google wyczytało powodzie z gazet: Gemini zasila nowy system wczesnego ostrzegania

Nagłe powodzie (tzw. flash floods) to jedne z najbardziej nieprzewidywalnych i niszczycielskich zjawisk pogodowych. Co roku odbierają życie ponad pięciu tysiącom osób, uderzając błyskawicznie i lokalnie. Ich natura sprawia, że klasyczne modele meteorologiczne, opierające się na stałych stacjach pomiarowych i przepływach rzek, często okazują się bezradne. Google postanowiło wypełnić tę lukę informacyjną w niestandardowy sposób: wykorzystując sztuczną inteligencję do analizy milionów archiwalnych tekstów informacyjnych.

Przekuć słowa w dane geograficzne

Głównym problemem w modelowaniu nagłych powodzi jest brak wysokiej jakości danych historycznych. O ile temperatura czy ciśnienie są monitorowane systematycznie, o tyle gwałtowne wezbrania wody w małych miastach często umykają oficjalnym statystykom. Naukowcy z Google Research sięgnęli więc po model Gemini, który przeanalizował 5 milionów artykułów prasowych z całego świata. Efektem tej pracy jest zbiór „Groundsource” – cyfrowy zapis 2,6 miliona zdarzeń powodziowych, opatrzonych geolokalizacją i konkretną datą.

To pionierskie podejście pozwoliło na stworzenie szeregów czasowych tam, gdzie wcześniej istniała informacyjna pustka. Jak podkreśla Gila Loike, menedżerka produktu w Google Research, to pierwszy przypadek, gdy modele LLM zostały wykorzystane do stworzenia tak specyficznego zbioru danych fizycznych na potrzeby uczenia maszynowego.

Sztuczna inteligencja w służbie ratunkowej

Dane z projektu Groundsource posłużyły jako fundament do wytrenowania sieci neuronowej typu LSTM (Long Short-Term Memory). Model ten analizuje globalne prognozy pogody i na ich podstawie szacuje prawdopodobieństwo wystąpienia powodzi w konkretnym punkcie. System działa już w 150 krajach, a jego wyniki są publikowane na platformie Flood Hub. Z technologii korzystają już agencje ratunkowe, m.in. w Afryce Południowej, co pozwala na szybszą reakcję i ewakuację zagrożonych obszarów.

Warto jednak zachować pewną dozę krytycyzmu. Obecna wersja modelu operuje na stosunkowo niskiej rozdzielczości, identyfikując ryzyko dla obszarów o powierzchni 20 kilometrów kwadratowych. Google przyznaje, że system nie jest tak precyzyjny jak chociażby rozwiązania amerykańskiego National Weather Service. Wynika to z faktu, że algorytm giganta z Mountain View nie uwzględnia lokalnych danych radarowych, które pozwalają śledzić opady w czasie rzeczywistym.

Nowy standard dla regionów wykluczonych

Mimo tych ograniczeń inicjatywa ma ogromne znaczenie dla krajów globalnego Południa. W miejscach, gdzie rządy nie mogą pozwolić sobie na budowę kosztownej infrastruktury meteorologicznej, model oparty na „cyfrowym czytaniu gazet” staje się jedyną realną alternatywą. To demokratyzacja dostępu do bezpieczeństwa pogodowego, która niweluje białe plamy na mapach hydrologicznych świata.

Sukces Groundsource otwiera drzwi do analizy innych ekstremalnych zjawisk. Zespół Google Resilience już teraz planuje wykorzystanie podobnych metod do tworzenia zbiorów danych dotyczących fal upałów oraz osuwisk ziemi. Wykorzystanie jakościowych opisów tekstowych do budowy ilościowych modeli matematycznych może okazać się brakującym ogniwem w nowoczesnej geofizyce, gdzie – jak zauważają eksperci – paradoksalnie mamy do czynienia z nadmiarem danych o Ziemi, przy jednoczesnym braku precyzyjnych informacji o jej przeszłych anomaliach.