Googleは過去のニュースデータとAIを活用して、鉄砲水の発生を予測している

鉄砲水は、地球上で最も致命的な気象現象の一つに数えられ、毎年5,000人以上の命を奪っています。また、その予測は極めて困難であることで知られています。しかし、Googleはこの問題に対する斬新な解決策を見出したと考えています。それは、ニュース報道を分析するというものです。
人類は膨大な気象データを蓄積してきましたが、鉄砲水は、時間をかけて追跡される気温や河川流量の傾向とは異なり、発生期間が短く局地的なため、体系的に測定することが困難です。このデータの不足により、一般的な天気予報の精度が向上しているにもかかわらず、深層学習モデルは鉄砲水を正確に予測することができません。
このギャップを埋めるため、Googleの研究者たちは同社の大規模言語モデル「Gemini」を用いて、世界中のニュース記事500万件を精査しました。このプロセスにより、260万件の異なる洪水事象に関する報道が特定され、それらを「Groundsource」と名付けられた位置情報付きタイムラインに変換しました。Google ResearchのプロダクトマネージャーであるGila Loike氏によると、このような目的で言語モデルが使用されたのは同社として初めてのことだそうです。この研究とデータセットは木曜日の朝に公開されました。
チームは「Groundsource」を実世界のベンチマークとして活用し、長短期記憶(LSTM)ニューラルネットワークに基づくモデルを学習させた。このモデルは世界中の天気予報を処理し、特定の場所における鉄砲水の発生確率を推定する。
Googleの鉄砲水予測モデルは現在、「Flood Hub」プラットフォーム上で150カ国の都市部のリスクを特定し、このデータを世界中の緊急対応機関と共有している。同モデルの試験運用に参加した南部アフリカ開発共同体(SADC)の緊急対応担当者、アントニオ・ホセ・ベレザ氏は、このモデルによって組織の洪水への対応速度が大幅に向上したと述べた。
ただし、このモデルには現時点でいくつかの制約がある。解像度が比較的粗く、20平方キロメートルの区域単位でリスクを評価している。また、米国の国立気象局(NWS)の洪水警報のようなシステムに比べて精度が低い。これは、リアルタイムの降水状況を追跡するための現地のレーダーデータを統合していないことも一因である。
しかし、このプロジェクトの主な目的は、高価な気象観測インフラや詳細な過去の気象記録を維持するリソースを地方自治体が持たない地域向けのソリューションを構築することにあった。
「何百万件もの報告を集約することで、Groundsourceのデータセットは世界地図のバランスを是正するのに役立ちます」と、Googleのレジリエンスチームのプログラムマネージャーであるジュリエット・ローゼンバーグ氏は説明した。「これにより、入手可能な情報がはるかに少ない他の地域にも知見を拡張することが可能になります。」
ローゼンバーグ氏はさらに、定性的な文書資料からLLM(大規模言語モデル)を用いて定量的なデータセットを作成するというこの手法が、熱波や土砂崩れなど、一時的でありながら極めて重要な予測課題にも応用できることをチームが期待していると付け加えた。
水力発電会社などの顧客向けに同様の深層学習技術を用いて河川流量予測を行っている企業、アップストリーム・テック(Upstream Tech)のCEO、マーシャル・ムートノット氏は、Googleの取り組みを、AI駆動型気象モデルのためのデータを収集するという、より広範な動きの一環と捉えている。ムートノット氏はまた、研究者やスタートアップ向けに機械学習対応の気象データをキュレーションするグループ「dynamical.org」の共同設立者でもある。
「データの不足は、地球物理学における最も困難な障壁の一つであり続けています」とムートノット氏は指摘する。「逆説的ですが、地球に関するデータは過剰にある一方で、評価のための検証済みのグラウンドトゥルース(実測データ)が不足しています。これは、その不可欠なデータを取得するための極めて独創的なアプローチでした。」
関連記事
Metaは、あなたの次のガジェットがMuseを内蔵したものであることを望んでいる
Metaの旅行予約、フォーム送信、ショッピングを処理するAIアシスタント「Muse」は広く採用されているが、新しいイニシアチブは特に開発者やハードウェア愛好家を魅了する可能性がある。金曜日、MetaはMuseと統合されたカスタムハードウェアを作成できるようにするオープンソースのイニシアチブ「Muse Gadgets」を発表した。Metaは、カラー電子インクディスプレイをMuseに追加することから、HDMIスティックにソフトウェアを組み込んでテレビ接続を実現することまで、さまざまなスタータープ
Wan-Streamer v0.2は超低遅延のAIチャットを提供します
現代技術が急速に進歩するにつれ、人間とAIの相互作用はより一般的になっています。従来のビデオ通話では、ラグ、遅延、音声と映像の非同期といった問題にしばしば直面します。Tongyi Labによる最新リリースであるWan-Streamer v0.2は、これらの課題を完全に克服し、わずか550ミリ秒の応答遅延で、真に自然な「対面」コミュニケーションを可能にします。Wan-Streamer v0.2は、新しいエンドツーエンドのマルチモーダル理解および生成モデルです。単一のTransformerモデル内で
MetaはTSMCとMicronの参加を得て、旧型メモリを搭載した新規サーバーを整備する
人工知能の採用が世界中で加速する中、次世代DDR5メモリは深刻な供給不足に直面しています。AIデータセンターの展開における遅延を回避するため、MetaはTSMCやMicronといった業界のリーダーと提携し、画期的な過渡期のソリューションを開発しました。この革新により、従来DDR5専用に設計されていた高度なAIサーバーが、従来のDDR4モジュールとシームレスに動作できるようになりました。「フランケンシュタイン」構成と称されるこのシステムは、実世界のテストで顕著な安定性を示し、現在進行中のサプライチ
関連特集おすすめ
コメント (2)
0/500
So Google's basically using old news articles to predict floods? That's wild. I mean, if it works, it could save thousands of lives, but I wonder how much historical data is actually reliable when weather patterns are changing so fast. 🌊🤔

鉄砲水は、地球上で最も致命的な気象現象の一つに数えられ、毎年5,000人以上の命を奪っています。また、その予測は極めて困難であることで知られています。しかし、Googleはこの問題に対する斬新な解決策を見出したと考えています。それは、ニュース報道を分析するというものです。
人類は膨大な気象データを蓄積してきましたが、鉄砲水は、時間をかけて追跡される気温や河川流量の傾向とは異なり、発生期間が短く局地的なため、体系的に測定することが困難です。このデータの不足により、一般的な天気予報の精度が向上しているにもかかわらず、深層学習モデルは鉄砲水を正確に予測することができません。
このギャップを埋めるため、Googleの研究者たちは同社の大規模言語モデル「Gemini」を用いて、世界中のニュース記事500万件を精査しました。このプロセスにより、260万件の異なる洪水事象に関する報道が特定され、それらを「Groundsource」と名付けられた位置情報付きタイムラインに変換しました。Google ResearchのプロダクトマネージャーであるGila Loike氏によると、このような目的で言語モデルが使用されたのは同社として初めてのことだそうです。この研究とデータセットは木曜日の朝に公開されました。
チームは「Groundsource」を実世界のベンチマークとして活用し、長短期記憶(LSTM)ニューラルネットワークに基づくモデルを学習させた。このモデルは世界中の天気予報を処理し、特定の場所における鉄砲水の発生確率を推定する。
Googleの鉄砲水予測モデルは現在、「Flood Hub」プラットフォーム上で150カ国の都市部のリスクを特定し、このデータを世界中の緊急対応機関と共有している。同モデルの試験運用に参加した南部アフリカ開発共同体(SADC)の緊急対応担当者、アントニオ・ホセ・ベレザ氏は、このモデルによって組織の洪水への対応速度が大幅に向上したと述べた。
ただし、このモデルには現時点でいくつかの制約がある。解像度が比較的粗く、20平方キロメートルの区域単位でリスクを評価している。また、米国の国立気象局(NWS)の洪水警報のようなシステムに比べて精度が低い。これは、リアルタイムの降水状況を追跡するための現地のレーダーデータを統合していないことも一因である。
しかし、このプロジェクトの主な目的は、高価な気象観測インフラや詳細な過去の気象記録を維持するリソースを地方自治体が持たない地域向けのソリューションを構築することにあった。
「何百万件もの報告を集約することで、Groundsourceのデータセットは世界地図のバランスを是正するのに役立ちます」と、Googleのレジリエンスチームのプログラムマネージャーであるジュリエット・ローゼンバーグ氏は説明した。「これにより、入手可能な情報がはるかに少ない他の地域にも知見を拡張することが可能になります。」
ローゼンバーグ氏はさらに、定性的な文書資料からLLM(大規模言語モデル)を用いて定量的なデータセットを作成するというこの手法が、熱波や土砂崩れなど、一時的でありながら極めて重要な予測課題にも応用できることをチームが期待していると付け加えた。
水力発電会社などの顧客向けに同様の深層学習技術を用いて河川流量予測を行っている企業、アップストリーム・テック(Upstream Tech)のCEO、マーシャル・ムートノット氏は、Googleの取り組みを、AI駆動型気象モデルのためのデータを収集するという、より広範な動きの一環と捉えている。ムートノット氏はまた、研究者やスタートアップ向けに機械学習対応の気象データをキュレーションするグループ「dynamical.org」の共同設立者でもある。
「データの不足は、地球物理学における最も困難な障壁の一つであり続けています」とムートノット氏は指摘する。「逆説的ですが、地球に関するデータは過剰にある一方で、評価のための検証済みのグラウンドトゥルース(実測データ)が不足しています。これは、その不可欠なデータを取得するための極めて独創的なアプローチでした。」
Metaは、あなたの次のガジェットがMuseを内蔵したものであることを望んでいる
Metaの旅行予約、フォーム送信、ショッピングを処理するAIアシスタント「Muse」は広く採用されているが、新しいイニシアチブは特に開発者やハードウェア愛好家を魅了する可能性がある。金曜日、MetaはMuseと統合されたカスタムハードウェアを作成できるようにするオープンソースのイニシアチブ「Muse Gadgets」を発表した。Metaは、カラー電子インクディスプレイをMuseに追加することから、HDMIスティックにソフトウェアを組み込んでテレビ接続を実現することまで、さまざまなスタータープ
Wan-Streamer v0.2は超低遅延のAIチャットを提供します
現代技術が急速に進歩するにつれ、人間とAIの相互作用はより一般的になっています。従来のビデオ通話では、ラグ、遅延、音声と映像の非同期といった問題にしばしば直面します。Tongyi Labによる最新リリースであるWan-Streamer v0.2は、これらの課題を完全に克服し、わずか550ミリ秒の応答遅延で、真に自然な「対面」コミュニケーションを可能にします。Wan-Streamer v0.2は、新しいエンドツーエンドのマルチモーダル理解および生成モデルです。単一のTransformerモデル内で
MetaはTSMCとMicronの参加を得て、旧型メモリを搭載した新規サーバーを整備する
人工知能の採用が世界中で加速する中、次世代DDR5メモリは深刻な供給不足に直面しています。AIデータセンターの展開における遅延を回避するため、MetaはTSMCやMicronといった業界のリーダーと提携し、画期的な過渡期のソリューションを開発しました。この革新により、従来DDR5専用に設計されていた高度なAIサーバーが、従来のDDR4モジュールとシームレスに動作できるようになりました。「フランケンシュタイン」構成と称されるこのシステムは、実世界のテストで顕著な安定性を示し、現在進行中のサプライチ
So Google's basically using old news articles to predict floods? That's wild. I mean, if it works, it could save thousands of lives, but I wonder how much historical data is actually reliable when weather patterns are changing so fast. 🌊🤔





家






