KI jenseits von Chatbots KI-gestützte (Wetter-)Prognosen in Sekunden

Anbieter zum Thema

HUAWEI TECHNOLOGIES Deutschland GmbH

Vertiv GmbH

Schneider Electric GmbH

DAXTEN GmbH

Huawei-Technik zu benutzen geben nicht viele Unternehmen öffentlich gerne zu. Trotzdem ist der Konzern zu einem erheblichen Teil dafür verantwortlich, dass ihre digitale Welt funktioniert. Und die wird zusehends von KI bestimmt. Huawei hat hier zum Beispiel „Pangu 3.0“ sowie „Ascend“-AI Cloud-Dienste im Köcher.

Nach Unternehmensangaben zielen das Pangu-Model 3.0 und die Ascend AI Cloud-Dienste zielen darauf ab, Industriekunden und Partner das Potenzial der Künstlicher Intelligenz für transformatives Wachstum zu erschließen.

Pangu Model 3.0 ist ein System von vorab programmierten Modellen, die sich schnell anpassen lassen, etwa um szenariospezifische Anforderungen. Durch die Nutzung großer Datensätze und maschineller Lernalgorithmen soll Pangu 3.0 die industrielle Anwendung von KI in verschiedenen Bereichen wie Wettervorhersagen, Arzneimittelentwicklung, Fehlererkennung in Zügen und in der Bergbauindustrie revolutionieren.

Das KI-Modell von Huawei „Pangu Weather" ein präzises und genaues globales KI-Wettervorhersagesystem entwickelt hat, das auf Deep Learning basiert und 43 Jahre an Daten. Pangu Weather ist das erste KI-Vorhersagemodell, das eine höhere Präzision als herkömmliche numerische Wettervorhersagemethoden aufweist. Das Modell ermöglicht eine 10.000-fache Verbesserung der Vorhersagegeschwindigkeit, was die globale Wettervorhersagezeit auf nur wenige Sekunden reduziert.

Pangu beim ECMWF

Dabei konzentriert sich das Modell auf Schlüsselelemente und gängige Zeitbereiche, was genauere Wettervorhersagen ermöglicht. Bemerkenswert ist, dass das Modell die Zugbahnen und Ankunftszeiten von Taifunen genau vorhergesagt hat, darunter auch die eines der jüngsten Taifuns „Mawar" im Mai dieses Jahres und, noch jünger, den Verlaufs des Taifuns „Dusuri“. Jetzt ist das Pangu-Wettermodell auf der Website des European Centre for Medium-Range Weather Forecasts (ECMWF) verfügbar.

Somit können nun Wettervorhersagende, Meteorologen, Wetterbegeisterte sowie die eigentlich alle kostenlos die zehntägigen globalen Wettervorhersagen von „Pangu-Weather“ einsehen. Die Website zeigt die von dem Wettermodell erstellten Vorhersagen in sechs verschiedenen Arten von Diagrammen:

• mittlerer Meeresspiegeldruck und 850 hPa Windgeschwindigkeit,

• 500 hPa geopotentielle Höhe und 850 hPa Temperatur,

• mittlerer Meeresspiegeldruck und 200 hPa Wind,

• Temperatur und Geopotential bei verschiedenen Druckniveaus,

• 2 m Temperatur und 10 m Windgeschwindigkeit,

• Windgeschwindigkeit und Geopotentialhöhen bei verschiedenen Druckniveaus.

Solche Informationen sind entscheidend für die Vorhersage von Sturmbahnen, Luftqualität und Wettermustern sowie der Entwicklung von Wettersystemen.

Die Vorteile von Pangu

Der beim ECMWF veröffentlichte Bericht „The Rise of Data-Driven Weather Forecasting“ enthält einen Vergleich zwischen den Prognosen von Pangu-Weather und dem ECMWF IFS (einem führenden globalen NWP-System) von April bis Juli dieses Jahres. Dort heißt es: „Die Ergebnisse sind sehr vielversprechend, mit vergleichbaren Fähigkeiten sowohl für globale Metriken als auch für Extremereignisse, wenn sie sowohl anhand der Betriebsanalyse als auch der synoptischen Beobachtungen überprüft werden.“

Dem Bericht zufolge könnte die Einführung von Machine-Learning-Methoden wie Pangu-Weather den inkrementellen und eher langsamen Fortschritt traditioneller numerischer Wettervorhersagemethoden (NWP) grundlegend verändern. Laut der Weltorganisation für Meteorologie (WMO) hat sich die Vorhersagefähigkeit um etwa einen Tag pro Jahrzehnt verbessert, was auf den hohen Rechenaufwand für die Durchführung einer Vorhersage mit Standard-NWP-Systemen zurückzuführen ist. ML-Modelle sind auf dem besten Weg, die Wettervorhersage zu revolutionieren – mit Vorhersagen, die deutlich geringere Rechenkosten erfordern und hinsichtlich der Genauigkeit äußerst konkurrenzfähig sind.

Das ECMWF führt derzeit im Rahmen seiner Betriebssuite eine Reihe datengesteuerter Prognosen durch und fordert von der globalen Wettervorhersagegemeinschaft mehr Anstrengungen, KI-Modelle als zusätzliche Komponenten ihrer Prognosesysteme zu nutzen und die Stärken und Schwächen solcher Modelle weiter zu untersuchen.

Pangu im Bergbau

Seit dem 18. Juli läuft die erste kommerzielle Anwendung des „Pangu-Mining-Model“ in Jinan in der Provinz Shandong zusammen mit der Shandong Energy Group. Hierbei geht es um Bergbau.

Herkömmliche Bergbauarbeiten sind von Natur aus risikoreich, erfordern einen hohen Personaleinsatz und stellen erhebliche technische und sicherheitstechnische Herausforderungen dar. Durch den Import riesiger Datenmengen für das Vortraining des Modells ermöglicht das Pangu-Mining-Model unüberwachtes Selbstlernen und deckt mehr als 300 Kernszenarien im Kohlebergbau ab. Somit kann das Modell beziehungsweise die KI-Anwendungen in zahlreichen Kohlebergbauszenarien, von Graben und Vortrieb bis hin zu Maschinen, Transport und Kommunikation das Geschehen optimieren.

Zum Beispiel sind Ausfälle des Transportsystems in Kohlenbergwerken sind ein erhebliches Problem. Zur Bewältigung dieser Herausforderung verfügt das Pangu-Mining-Modell von Huawei über ein KI-basiertes intelligentes Überwachungssystem, das Ausnahmen im Transportsystem, wie große Kohleblöcke und Anker, mit einer Genauigkeit von bis zu 98 Prozent identifiziert.

Pangu im Güterverkehr

Die Eisenbahnindustrie könnte ebnefalls ebenfalls von den Weiterentwicklungen der KI durch Huawei profitieren. Das „Pangu-Railway-Model“ können die Sicherheit und Effizienz von Güterzügen deutlich verbessern, so Huwaei. Bisherige Fehlererkennungsprozesse innerhalb von Zugfrachterkennungssystemen seien arbeitsintensiv, ineffizient und kostspielig.

Das Modell aber kann auf der Schiene 67 Arten von Güterwagen und mehr als 430 Fehlerarten, die bei Schienen- und Güterwagen auftreten, erkennen. Auf diese Weise lassen sich Millionen von Bildern scannen, die vom Zugfrachterkennungssystem der Bahn erfasst wurden, und 95 Prozent der Bilder, die keinen Fehler aufweisen, herausfiltern.

Das wiederum erlaubt den Zuginspektoren sich auf die restlichen Bilder zu konzentrieren. Das hilft, sowohl die Effizienz als auch die Genauigkeit zu erhöhen.

(ID:49642989)