Dengan meledaknya data cuaca dan iklim yang tidak dapat ditangani oleh alat generasi terakhir, apakah AI adalah masa depan peramalan?
Penelitian tentu saja menunjukkan demikian, dan perusahaan rintisan yang baru didanai bernama Brightband berupaya mengubah model perkiraan pembelajaran mesin menjadi standar bisnis dan sumber terbuka.
Teknik prediksi cuaca dan pemantauan iklim saat ini berakar pada model statistik dan numerik yang sudah ada sejak puluhan tahun lalu. Itu tidak berarti model-model itu buruk atau salah — hanya saja tidak terlalu efisien. Model-model berbasis fisika ini adalah sesuatu yang bisa Anda lakukan dengan komputer super selama beberapa minggu.
Namun, AI punya bakat untuk menarik pola dari kumpulan data yang besar, dan penelitian telah menunjukkan bahwa, ketika AI dilatih berdasarkan pola cuaca dan pengamatan selama bertahun-tahun di seluruh dunia, AI dapat memprediksi kejadian mendatang dengan akurasi yang mengejutkan.
Jadi mengapa tidak digunakan di mana-mana?
“Alasan adanya kesenjangan ini adalah karena pemerintah merasa sulit untuk menarik bakat-bakat terbaik, seperti halnya perusahaan cuaca, sementara bagi perusahaan-perusahaan teknologi ini, cuaca bukanlah industri inti mereka. Mereka tidak mendalami domain tersebut dan bekerja sama dengan para pelaku untuk memberi mereka alat yang mereka butuhkan,” jelas Julian Green, CEO dan salah satu pendiri Brightband (sebelumnya dikenal sebagai OpenEarthAI). “Kami pikir perusahaan rintisan menyatukan orang-orang hebat di bidang AI, orang-orang hebat di bidang data, dan orang-orang hebat di bidang cuaca. Ada peluang nyata untuk mengoperasionalkan AI dan membuatnya tersedia bagi semua orang.”
Perusahaan rintisan ini sedang dalam proses merancang modelnya sendiri yang dilatih berdasarkan data pengamatan cuaca selama bertahun-tahun, tetapi Daniel Rothenberg, salah satu pendiri dan kepala data dan cuaca, dengan cepat mencatat bahwa mereka “berdiri di atas bahu para raksasa.”
“Model-model besar berbasis fisika itu monster,” katanya. “Namun, AI adalah penerima manfaat dari model-model tersebut — lompatan pertama adalah memanfaatkannya, menemukan bahwa model-model tersebut benar-benar dapat mempelajari pola-pola tersebut. Kami membangun di atasnya dan memperluasnya. Kami berusaha mencapai yang tercanggih: sama bagusnya atau lebih baik dari prakiraan cuaca global yang tersedia.”
Green mencatat, kecepatannya juga akan jauh lebih cepat. “Itulah inti disrupsinya: lebih cepat dan lebih murah,” sehingga lebih cocok untuk kasus penggunaan yang bersifat khusus dan cepat.
“Orang-orang memiliki kebutuhan yang sangat spesifik di berbagai industri,” lanjut Green. “Perusahaan energi perlu mampu memprediksi pasokan energi terbarukan dari angin dan matahari, serta permintaan untuk pemanas dan pendingin; perusahaan transportasi perlu menghindari cuaca ekstrem; pertanian perlu merencanakan beberapa minggu sebelumnya untuk mempekerjakan orang untuk menanam benih, menyiram, memupuk, atau memanen.”
Menariknya, perusahaan tersebut berkomitmen untuk merilis modelnya agar dapat digunakan siapa saja.
“Tujuan kami adalah membuka sumber kemampuan peramalan dasar, bukan hanya modelnya tetapi juga data yang Anda gunakan untuk melatihnya, dan metrik yang Anda gunakan untuk mengevaluasinya, model bus adalah untuk melapisi layanan berbayar di atasnya untuk kemampuan yang lebih spesifik,” kata Green.
Salah satu caranya adalah dengan menyertakan (dan memproses, dan merilis) banyak data yang telah dilewati demi basis data yang telah diproses terlebih dahulu.
“Ada petabyte demi petabyte data historis dari balon cuaca dan satelit yang diabaikan karena sulit diolah,” kata Rothenberg; tetapi seperti kebanyakan model AI, semakin banyak data semakin baik, dan variasi yang dikurasi dengan cermat dapat meningkatkan kualitas output secara signifikan. “Kami benar-benar merasa bahwa membangun komunitas di sekitar ini akan mempercepat hal-hal yang dapat kami lakukan dalam hal memahami atmosfer dan melakukannya dalam skala besar.”
Saya berpendapat bahwa ini tampak seperti mereka melakukan apa yang akan dilakukan oleh Badan Cuaca Nasional (yang menyediakan banyak sekali data observasi dan prakiraan gratis sebagai layanan publik) dan lembaga lainnya jika mereka bisa.
Green menolak, dengan mengatakan bahwa mereka bekerja sama erat dengan lembaga-lembaga tersebut dan bahwa mereka memang penjaga harta karun data penting — hanya saja data tersebut belum tentu merupakan jenis data yang cepat dan mudah dibawa yang dibutuhkan oleh perusahaan yang sangat responsif dan berhadapan dengan konsumen. Ia mengatakan bahwa mereka melihat hal ini sebagai kelanjutan dari kolaborasi internasional mengenai data cuaca.
Mengenai di mana mereka sebenarnya berada dalam membangun produk: “Ini masih relatif awal,” Green mengakui. “Kami telah mengerjakan ini selama beberapa bulan, belum ada yang aktif hari ini, tetapi kami berharap untuk memiliki model pada akhir tahun 2025 yang memperhitungkan pengamatan [i.e. satellite or local radar imagery] dan menghasilkan perkiraan untuk mereka.”
Brightband terstruktur sebagai perusahaan yang memberikan manfaat publik, tetapi itu “terutama memberi sinyal,” kata Green. “Kami mencoba menjabarkan misi kami secara transparan, menjunjung tinggi tujuan kami dan mengatakan 'inilah yang ingin kami lakukan.' Saya pikir 10 juta yang kami kumpulkan adalah bukti fakta bahwa kami mampu menarik modal.”
PBC dalam kasus ini pada dasarnya berarti dewan harus menyeimbangkan kepentingan pemegang saham dengan misi yang ditetapkan dalam keadaan tertentu, tetapi tidak membatasi keuntungan atau hal semacam itu.
Harapkan produk terkait cuaca sebelum produk terkait iklim — tetapi keduanya tidak memiliki garis waktu yang pasti kecuali untuk acara peragaan di akhir tahun.
Putaran seri A Brightband senilai $10 juta dipimpin oleh Prelude Venture, dengan partisipasi dari Starshot Capital, Garage Capital, Future Back Ventures, Preston-Werner Ventures, CLAI Ventures, Adrien Treuille, dan Cal Henderson.