- Alan Turing Institute는 University of Cambridge의 작업을 이어받아 Aardvark를 추진하며, 기존 수치예보와 1세대 AI 예보보다 빠르고 유연하며 계산 비용이 낮은 날씨 예측을 목표로 함
- 기존 예보는 관측 데이터 통합, 대기 모델 시뮬레이션, 지역별 후처리로 이어지는 3단계 파이프라인에 의존해 슈퍼컴퓨터와 대규모 운영팀이 필요함
- Aardvark는 이 과정을 단일 AI 모델로 대체해 데스크톱 컴퓨터에서 학습·실행할 수 있고, 위성·기상 관측소·기상 풍선 데이터를 받아 최대 10일 전 세계 예보를 생성함
- 현재 사용 가능한 데이터의 약 10%만 사용하면서도 전 세계 기준으로 미국 Global Forecast System(GFS) 수준의 정확도를 보이며, 훈련 후 예보 생성 시간은 수 시간에서 수 분으로 줄어듦
- 허리케인·홍수 같은 희귀한 극한 기상과 변화하는 기후는 여전히 어려운 과제이며, 과거 데이터로 학습한 모델에는 장기간의 엄격한 평가와 개선이 필요함
Aardvark가 겨냥하는 예보 병목
- 정확한 날씨 예측은 농업, 운송, 에너지 의사결정뿐 아니라 홍수와 폭염에 직면한 지역사회 경보에도 직접 영향을 줌
- 기후 변화에 적응해야 하는 상황에서 정기 예보의 중요성은 더 커지고 있음
- AI 날씨 예측 분야에서는 Huawei의 Pangu-Weather, Google DeepMind의 GenCast 같은 시도가 주목받고 있음
- Alan Turing Institute는 Environment and Sustainability grand challenge의 핵심 축으로 AI 기반 날씨 예측을 추진하며, University of Cambridge에서 개발된 작업을 바탕으로 Aardvark 팀을 구성함
기존 수치예보가 무거운 이유
- 전 세계 기상 서비스는 오래된 방식인 수치예보를 사용하며, 예보는 보통 세 단계로 만들어짐
- 위성, 기상 관측소, 기상 풍선, 보트, 부표, 선박, 항공기 데이터를 최근 예보와 결합해 현재 대기 상태를 추정함
- 복잡한 대기 계산 모델이 현재 상태를 시간상으로 전개해 날씨 예보를 만듦
- 특정 위치에서 바로 쓸 수 있도록 편향 보정, 공간 해상도 증가, 인간 예보관 입력을 거쳐 후처리함
- 이 파이프라인은 대형 슈퍼컴퓨터, 복잡한 소프트웨어, 대규모 지원팀을 요구함
- 영국 같은 국가는 이를 운영할 수 있지만, 사하라 이남 아프리카 같은 개발 지역에서는 계산 자원 요구가 커서 수치예보 시스템이 덜 실용적일 수 있음
- 최근 2년 동안 기술 기업과 기상 서비스는 두 번째 단계인 대기 모델 시뮬레이션을 AI 모델로 대체해 속도와 정확도를 높여 왔음
- 첫 번째 단계는 아직 AI로 대체되지 않았고 이 단계도 두 번째 단계만큼 비용이 커서, 1세대 AI 예보 모델도 여전히 슈퍼컴퓨터와 대규모 팀의 지원이 필요함
단일 모델로 바꾸는 Aardvark
- Aardvark는 날씨 예측 파이프라인의 모든 단계를 단일 AI 모델로 대체하는 첫 시스템임
- 모델은 데스크톱 컴퓨터에서 학습하고 실행할 수 있음
- 기존 전통적 예보 시스템과 AI 기반 예보 시스템보다 수천 배 빠른 예보 생성을 목표로 함
- 입력은 위성, 기상 관측소, 기상 풍선에서 오는 다중 모달 데이터임
- 출력은 최대 10일 전 세계 예보임
- 관측 데이터는 특정 지역과 서로 다른 시점에서 생성되고 결측 패턴도 복잡해, 이를 처리하기 위한 새로운 딥러닝 아키텍처가 필요함
- 이 아키텍처는 대규모 과거 데이터셋으로 최대 10일 뒤 날씨를 예측하도록 학습됨
속도·정확도·접근성의 변화
- Aardvark는 훈련 후 데스크톱 컴퓨터에서 수 분 내 예보를 만들 수 있음
- 전통적 예보는 슈퍼컴퓨터에서도 생성에 수 시간이 걸릴 수 있음
- 전 세계 기준으로 Aardvark는 이미 미국 Global Forecast System(GFS) 만큼 정확함
- 현재는 사용 가능한 데이터의 약 10% 만 예보에 활용하므로, 더 많은 데이터와 엔드투엔드 최적화를 통해 정확도를 추가로 높일 여지가 있음
- 개발도상국에서는 Aardvark가 전통적 수치예보 방식을 대체할 새 패러다임이 될 수 있음
- 더 적은 계산 자원 요구는 개발 지역이나 데이터가 적은 국가가 고급 예보 도구에 접근하고, 맞춤형 예보 시스템을 구축하는 데 도움이 됨
- 날씨 예측의 상당한 탄소 발자국을 줄일 가능성도 있음
아직 남은 한계와 검증 과제
- 머신러닝 기반 날씨 도구는 빠르게 발전하고 있지만, Aardvark는 아직 실험적 기술이라 장기간의 엄격한 평가가 필요함
- 날씨 예측 도구는 모든 유형의 날씨를 정확히 예측해야 함
- 허리케인과 홍수 같은 극한 기상은 특히 중요함
- 이런 희귀 사건은 훈련 데이터에 적게 나타나기 때문에 AI 시스템이 더 어려움을 겪을 수 있음
- 변화하는 기후도 변수로 남아 있으며, 과거 데이터로 학습한 모델은 정확도가 낮아질 수 있음
- 초기 신호는 이런 도전에 대응할 가능성을 보여줌
다음 개발 방향
- Aardvark의 아이디어는 Turing의 고정밀 환경 예측 작업을 날씨, 해양, 해빙 분야로 확장하는 데 쓰일 예정임
- 구체적 목표 중 하나는 Global South와 Arctic 지역사회 같은 개발도상국의 생계를 지원하는 것임
- 연구진은 추가 데이터를 통합하고 정확도를 높이면서 Aardvark 기능을 계속 개선할 예정임
- 특히 허리케인, 홍수 같은 사건 예측과 계절·장기 예보 같은 특수 작업을 개선하려 함
- 계절·장기 예보는 정부와 기업의 더 장기적인 계획을 돕는 데 쓰일 수 있음
- Aardvark에 대한 자세한 내용은 프로젝트의 새 Nature 논문에서 확인할 수 있음