MIT laat AI stormen bedenken die nog nooit vielen
Onderzoekers van MIT hebben een algoritme gebouwd dat extreem weer in kaart brengt zonder dat het zo’n gebeurtenis ooit in de trainingsdata is tegengekomen. Het werk van Kai Chang en hoogleraar Themis Sapsis verscheen op 20 augustus in Nature Communications en kreeg via MIT News en Artificial Intelligence News deze week bredere aandacht.
Leren van gewoon weer, rekenen aan uitschieters
Chang, promovendus werktuigbouwkunde bij het Center for Computational Science and Engineering, en Sapsis noemen hun methode Extreme Event Aware, afgekort tot η-learning. De aanpak combineert twee soorten informatie. Puntstatistiek beschrijft hoe vaak een bepaalde intensiteit in een dataset voorkomt. Ruimtelijke kaarten laten zien hoe zo’n gebeurtenis over een regio uitpakt. Het model gebruikt die statistiek om onrealistische scenario’s weg te strepen en genereert vervolgens plausibele uitschieters bij een gekozen frequentie, bijvoorbeeld eens per honderd jaar.
Dat is een ander uitgangspunt dan gebruikelijk. De meeste modellen leren van rampen uit het verleden, en juist van de zwaarste categorie zijn er per definitie weinig voorbeelden.
300 millimeter regen boven New York
Voor de test gebruikten de onderzoekers 25 jaar aan uurlijkse neerslagkaarten van de aaneengesloten Verenigde Staten, teruggebracht tot dagkaarten. Het model trainden ze op alleen de eerste zes maanden daarvan, een periode met nauwelijks zware buien. Het algoritme produceerde daarna kaarten van een bui die eens per eeuw voorkomt en meer dan 300 millimeter neerslag brengt. Het historische record voor New York City ligt op 200 millimeter. Elke kaart bevat de locatie, de omvang, het getroffen oppervlak en de intensiteit.
Sapsis vat de onderliggende vraag praktisch samen: wat wordt de Katrina die eens per honderd jaar langskomt, en hoe zwaar wordt die?
Waar planners iets aan hebben
De gegenereerde scenario’s zijn bedoeld als stresstest voor infrastructuur. Een zeewering doorrekenen op een stormvloed die nog nooit gemeten is, een elektriciteitsnet testen op een hittegolf die langer duurt dan alles in de metingen, of nagaan of de brandweercapaciteit toereikend blijft bij een natuurbrand van een grotere orde. Vergelijkbaar rekenwerk zag je eerder bij Siemens, dat simulaties tot duizend keer wil versnellen met AI.
De beperkingen staan er eerlijk bij. De methode is tot nu toe alleen met neerslag aangetoond. Voor elk ander gevaar zijn passende puntstatistiek en ruimtelijke data nodig, en die zijn er lang niet altijd. Toepassing op overstromingen en natuurbranden noemen de onderzoekers zelf nog theoretisch. Chang ziet ruimte buiten het weerdomein, bijvoorbeeld bij de vraag welke interacties tot een beurscrash leiden.
“Modellen die zeldzame scenario’s kunnen bedenken zijn precies wat risicomanagers missen. Je bereidt je nu voor op wat je hebt meegemaakt, niet op wat je nog nooit hebt gezien.”
Leon Tindemans, AI-expert en Copilot- & ChatGPT-trainer. Hij verzorgt onder meer ChatGPT-training voor organisaties.
Wat betekent dit
Weer-AI werd de afgelopen jaren vooral beter in de korte termijn, zoals bij het cyclonenmodel dat DeepMind met WeatherNext vrijgaf. Het MIT-werk kijkt de andere kant op: niet wat er volgende week gebeurt, maar wat er in theorie kan gebeuren en nog nooit gebeurd is. Voor waterschappen, netbeheerders en verzekeraars zit de waarde in dat tweede type vraag.
Belangrijk om vast te houden: een gegenereerde kaart blijft een scenario. Het model zegt niets over wanneer zo’n bui valt, alleen hoe die er redelijkerwijs uit zou zien. Dat maakt het nuttig voor ontwerpkeuzes en dimensionering, niet voor de weersverwachting. Dat AI-onderzoek van dit type aandacht en geld trekt, past in het beeld dat AI inmiddels 86 procent van het Amerikaanse durfkapitaal opslokt, al komt dit resultaat uit een universiteitslab en niet uit een startup. Ook de energiehonger van AI-datacenters laat zien hoe verweven de technologie met klimaatvraagstukken raakt.
