Vandaag, grote middelen worden gebruikt om schepen in de poolzeeën te waarschuwen voor de verspreiding van zee-ijs. Kunstmatige intelligentie kan deze waarschuwingen goedkoper maken, sneller, en voor iedereen beschikbaar.

Voor schepen die de poolzeeën bevaren, controle houden over de verspreiding van zee-ijs is van cruciaal belang, wat betekent dat er veel middelen worden besteed aan het verzamelen van gegevens en het bepalen van toekomstige ontwikkelingen om betrouwbare zee-ijswaarschuwingen te geven.

"Vanaf nu, er zijn grote middelen nodig om deze ijswaarschuwingen te maken, en de meeste zijn gemaakt door het Noorse Meteorologisch Instituut en soortgelijke centra, " zegt Sindre Markus Fritzner, een doctoraatsonderzoeker aan de UiT The Arctic University of Norway.

Hij is werkzaam bij het departement Natuurkunde en Technologie en heeft onlangs een proefschrift ingediend waarin hij de mogelijkheid bekeek om kunstmatige intelligentie in te zetten om ijswaarschuwingen sneller te maken, beter, en toegankelijker dan ze nu zijn.

Supercomputers nodig

De ijswaarschuwingen die tegenwoordig worden gebruikt, zijn traditioneel gebaseerd op dynamische computermodellen die worden gevoed met satellietwaarnemingen van de ijsbedekking, en alle bijgewerkte gegevens die kunnen worden verzameld over ijsdikte en sneeuwdiepte. Dit genereert aanzienlijke hoeveelheden data, die vervolgens door krachtige supercomputers moet worden verwerkt om berekeningen te maken.

"Dynamische modellen zijn fysieke modellen en vereisen veel data om te verwerken. Als je gaat waarschuwen voor toekomstige gebeurtenissen, je moet een supercomputer gebruiken, ’ legt Fritzner uit.

Dit is een beperkte en kostbare hulpbron, wat het onmogelijk maakt om deze waarschuwingen te doen zonder toegang tot de juiste bronnen.

Kunstmatige intelligentie maakt berekeningen toegankelijk op een gewone laptop

Fritzner heeft gekeken hoe kunstmatige intelligentie kan worden gebruikt om deze zee-ijswaarschuwingen sneller, beter, en goedkoper dan ooit - op een gewone laptop.

Machine learning is een gespecialiseerd vakgebied binnen kunstmatige intelligentie, waar statistische methoden worden gebruikt om computers patronen en samenhangen in grote datasets te laten vinden. De machine leert in plaats van te worden geprogrammeerd, en het komt allemaal neer op het ontwikkelen van algoritmen waarmee computers kunnen leren van en berekeningen kunnen maken, gebaseerd op empirische gegevens.

In het werk van Fritzner bijvoorbeeld, hij heeft gegevens ingeladen om te zien hoe een bepaalde week zich zal ontvouwen, en dan gegevens over hoe het er een week later uit zal zien.

"Dus, het is de samenhang in de ontwikkeling tussen deze weken dat de machines zichzelf leren, en op deze manier kan het voorspellen hoe het evolueert, ' zegt Fritsner.

Wanneer volledig ontwikkeld, zo'n algoritme zal veel minder rekenkracht vragen dan het traditionele fysieke model.

"Als je kunstmatige intelligentie gebruikt en een volledig getraind model hebt, je kunt zo'n berekening uitvoeren op een gewone laptop, ' zegt Fritsner.

Elk vaartuig kan zelf berekeningen maken

Dit opent verschillende toepassingsgebieden, een daarvan zijn nauwkeurigere weerberichten in het hoge noorden. Fritzner wijst er ook op dat dit kan worden gebruikt door de scheepvaartindustrie die dicht bij de marginale ijszone werkt, en dat dit een vorm van verkeer is die alleen maar zal toenemen.

"Een voorbeeld is het cruiseverkeer, waar het voor de cruiseschepen erg belangrijk zal zijn om te weten waar het ijs is, en waar het de komende dagen naartoe gaat, ' zegt Fritsner.

Zoals het staat, modellen met hoge resolutie kunnen niet op het schip worden uitgevoerd. Ze moeten contact opnemen met het Noorse Meteorologisch Instituut, die het model vervolgens op een supercomputer moeten laten draaien voordat ze de gegevens terugsturen naar het schip.

"Als je op een schip in de Barentszzee bent, u bent afhankelijk van een verbinding met een netwerk om de waarschuwingen van het Noorse Meteorologisch Instituut te downloaden.

"Als uitgerust met het juiste programma en kunstmatige intelligentie, dit kan vanaf het vaartuig zelf, met bijna geen rekenkracht nodig, ' zegt Fritsner.

Meer ontwikkeling nodig

Hoewel het onderzoek er tot nu toe veelbelovend uitziet, de resultaten zijn nog steeds niet zo goed als de traditionele methoden, maar de evolutie van machine learning/kunstmatige intelligentie komt op volle kracht, en Fritzner twijfelt niet aan zijn potentieel.

"De ervaringen tot nu toe zijn goed, maar niet volmaakt. Wat ik opmerkte bij het vergelijken van machine learning en de traditionele fysieke modellen, was dat ze veel sneller waren, en zolang de veranderingen in het ijs klein waren, de machine learning functioneerde redelijk goed. Toen de veranderingen groter waren, met veel smelten, de modellen worstelden meer dan de fysieke modellen, ’ legt Fritzner uit.

Hij wijst op de uitdaging van de modellen die draaien op kunstmatige intelligentie die alleen vertrouwen op historische gegevens, terwijl de fysieke modellen constant worden aangepast aan grote geofysische veranderingen zoals toegenomen smelten en snelle veranderingen in het weer.

In zijn experimenten, Fritzner gebruikte gegevens zoals temperatuur, de concentratie van zee-ijs, en zeetemperatuur. Hij is van mening dat de nauwkeurigheid kan worden vergroot door meer gegevens aan het model toe te voegen, zodat het een grotere set gegevens heeft voor de waarschuwingen die het geeft.

"Vooral als je wind en ijsdikte toevoegt, de machine learning zal veel beter werken, " hij zegt.

Hij gelooft dat verder onderzoek en ontwikkeling het grote potentieel van deze vorm van machine learning zal vrijmaken.