Generatived (Beta) | Cung cấp tin tức và xu hướng mới nhất về AI sáng tạo

WindBorne đã đưa độ chính xác dự báo thời tiết lên một tầm cao mới với mô hình AI của mình, WeatherMesh-2 (WM-2), vượt trội hơn các mô hình hiện có trong việc dự đoán các chỉ số thời tiết quan trọng. Các khả năng tiên tiến của WM-2 cho phép nó đưa ra các dự báo chính xác hơn từ 8% đến 24% trong cùng khung thời gian so với các đối thủ cạnh tranh như Global Forecasting Service và GraphCast của Google DeepMind. Các khả năng của mô hình mở rộng sang các giai đoạn dự báo dài hơn, duy trì lợi thế về độ chính xác của nó.

Mô hình WM-2 của công ty được cập nhật bốn lần mỗi ngày và cung cấp dự báo thời tiết toàn cầu chi tiết bao gồm nhiều điều kiện khí quyển. Tận dụng dữ liệu từ khinh khí cầu WindBorne, mô hình cung cấp dự báo lưới toàn cầu 0,25 độ cho các khoảng thời gian dài hơn hai tuần. Kết quả hiệu suất gần đây từ tháng 3 đến tháng 5 năm 2024 làm nổi bật độ chính xác dự báo vượt trội của WM-2 về nhiệt độ, thế năng địa lý và gió so với các mô hình hàng đầu khác.

Cách tiếp cận sáng tạo của WindBorne đối với việc đồng hóa dữ liệu và học máy đóng vai trò then chốt trong việc cải thiện độ chính xác dự báo của WM-2. Bằng cách tích hợp dữ liệu khí quyển thời gian thực từ các khinh khí cầu thăm dò toàn cầu và tối ưu hóa thời gian dành cho không gian tiềm ẩn của mô hình, công ty đã cải thiện đáng kể khả năng dự báo thời tiết trong thời gian dài của mô hình. Tiến bộ công nghệ này được hỗ trợ bởi kiến ​​trúc đào tạo sử dụng hiệu quả cả bộ nhớ CPU và GPU để cho phép xử lý dữ liệu phức tạp.

Khi sự hiện diện quốc tế của WindBorne ngày càng tăng, công ty đã mở rộng cơ sở khách hàng của mình để bao gồm các quan hệ đối tác ở Châu Á và Hoa Kỳ, và đã thành lập các địa điểm phóng khinh khí cầu trên toàn thế giới. Mô hình WM-2 hiện cũng cung cấp dự báo cục bộ có độ phân giải cao và tốc độ hoạt động của nó thiết lập một chuẩn mực mới của ngành, tạo ra các dự báo toàn diện chỉ trong vài giây. Nhóm AI và học máy chuyên dụng của WindBorne tiếp tục mở rộng, tập trung vào việc cải thiện độ phân giải dự báo và kéo dài thời gian dẫn dự đoán của mô hình.