معرفی استارتاپ بریت‌بند: آینده‌ای روشن و متن باز برای پیش‌بینی آب و هوا با هوش مصنوعی
پس از انفجار داده‌های آب و هوا و اقلیم که نسل قبلی ابزارها قادر به پردازش آن‌ها نیستند، آیا هوش مصنوعی آینده پیش‌بینی آب و هواست؟
تحقیقات به طور قطع این موضوع را تأیید می‌کنند و یک استارتاپ جدید به نام بریت‌بند (Brightband) در تلاش است تا مدل‌های پیش‌بینی مبتنی بر یادگیری ماشین را به یک استاندارد تجاری و منبع‌باز تبدیل کند.
روش‌های پیش‌بینی آب و هوا و نظارت بر اقلیم امروزی بر پایه مدل‌های آماری و عددی است که به دهه‌ها پیش برمی‌گردد. قدمت روش‌ها به این معنی نیست که این مدل‌ها بد یا نادرست هستند. بلکه اینکه این مدل‌ها از نظر هزینه‌ی پردازشی کارآمد نیستند. این مدل‌های مبتنی بر فیزیک به نوعی از شما می‌خواهند که چندین هفته را بر روی یک ابررایانه صرف کنید.
اما هوش مصنوعی در کشف الگوها از داده‌های بزرگ توانایی ویژه‌ای دارد و تحقیقات نشان داده‌اند که وقتی هوش مصنوعی با سال‌ها الگوهای آب و هوا و مشاهدات جهانی آموزش داده شود، می‌تواند رویدادهای آینده را با دقت شگفت‌آوری پیش‌بینی کند.
پس چرا هنوز به طور گسترده از آن استفاده نمی‌شود؟
جولیان گرین، مدیرعامل و یکی از بنیان‌گذاران بریت‌بند (که پیش‌تر با نام OpenEarthAI شناخته می‌شد)، توضیح داد: «دلیل این شکاف این است که دولت‌ها و شرکت‌های هواشناسی جذب استعدادهای برتر را دشوار می‌دانند، و برای این شرکت‌های فناوری، آب و هوا صنعت اصلی آن‌ها نیست.»
وی ادامه داد: «این شرکت‌ها به عمق حوزه نمی‌روند و با بازیگران این حوزه برای ارائه ابزارهای مورد نیازشان همکاری نمی‌کنند. ما معتقدیم که یک استارتاپ می‌تواند افراد برتر در حوزه‌های هوش مصنوعی، داده و آب و هوا را گرد هم بیاورد. فرصت واقعی وجود دارد تا هوش مصنوعی را عملیاتی کرده و در دسترس همه قرار دهیم.»
این استارتاپ در حال طراحی مدل خود با استفاده از سال‌ها داده‌های مشاهدات آب و هوا است، اما دانیل روتنبرگ، یکی از بنیان‌گذاران و رئیس بخش داده و آب و هوا، به سرعت اشاره کرد که آن‌ها بر دوش غول‌ها ایستاده‌اند.
او گفت: «مدل‌های بزرگ مبتنی بر فیزیک مانند هیولاهایی هستند. اما هوش مصنوعی از این مدل‌ها بهره‌مند می‌شود. اولین جهش این بود که از آن‌ها استفاده کردیم و فهمیدیم که این مدل‌ها واقعاً می‌توانند الگوها را یاد بگیرند. ما بر روی این پایه ساخته‌ایم و آن را گسترش می‌دهیم. هدف ما رسیدن به سطح پیشرفته‌ترین فناوری‌هاست. به همان خوبی یا بهتر از پیش‌بینی‌های آب و هوای جهانی موجود.»
گرین همچنین اشاره کرد که این روش به طور قابل توجهی سریع‌تر خواهد بود: «این موضوع به نوعی مرکز برنامه استارتاپ برای بازار است. سریع‌تر و ارزان‌تر است.»
او ادامه داد: «مردم نیازهای بسیار خاصی در صنایع مختلف دارند. شرکت‌های انرژی نیاز به پیش‌بینی تأمین انرژی‌های تجدیدپذیر از باد و خورشید و همچنین تقاضا برای گرمایش و سرمایش دارند. شرکت‌های حمل‌ونقل باید از آب و هوای شدید جلوگیری کنند؛ کشاورزی باید هفته‌ها جلوتر برنامه‌ریزی کند تا برای کاشت، آبیاری، کوددهی یا برداشت افراد را استخدام کند.»
جالب است که شرکت تصمیم گرفته است مدل‌های خود را به طور عمومی منتشر کند تا هر کسی بتواند از آن‌ها استفاده کند.
گرین گفت: «هدف ما این است که قابلیت پیش‌بینی پایه را به صورت منبع‌باز ارائه دهیم، نه تنها مدل بلکه داده‌هایی که برای آموزش آن استفاده می‌شود و معیارهایی که برای ارزیابی آن به کار می‌رود. مدل ما این است که خدمات پرداختی را برای قابلیت‌های خاص‌تر اضافه کنیم.»
بخشی از این کار به معنای شامل کردن (و پردازش و انتشار) حجم زیادی از داده‌هاست که به دلیل دشواری در کار با آن‌ها، نادیده گرفته شده‌اند.
روتنبرگ گفت: «داده‌های تاریخی از بالن‌های هواشناسی و ماهواره‌ها به قدری زیاد است که نادیده گرفته می‌شود چون کار با آن‌ها دشوار است.»
مانند اکثر مدل‌های هوش مصنوعی، هر چه داده‌ها بیشتر باشند بهتر است و تنوع دقیقاً انتخاب‌شده می‌تواند کیفیت خروجی آن‌ها را به طور قابل توجهی بهبود بخشد. او ادامه داد: «ما واقعاً احساس می‌کنیم که ساختن یک جامعه پیرامون این موضوع به تسریع کارهایی که می‌توانیم در زمینه درک جو و انجام آن در مقیاس بزرگ انجام دهیم، کمک خواهد کرد.»
من پیشنهاد دادم که به نظر می‌رسد آن‌ها تقریباً در حال انجام کارهایی هستند که سرویس ملی آب و هوا (که حجم زیادی از داده‌های مشاهداتی و پیش‌بینی‌ها را به صورت رایگان به عنوان خدمات عمومی ارائه می‌دهد) و دیگر سازمان‌ها اگر می‌توانستند، انجام می‌دادند.
گرین با این نظر موافقت نکرد و گفت که آن‌ها به طور نزدیک با این سازمان‌ها همکاری می‌کنند و این سازمان‌ها به واقع نگهدارندگان حجم زیادی از داده‌های مهم هستند. تنها این داده‌ها لزوماً به سرعت و قابلیت جابه‌جایی‌ای که یک شرکت مصرف‌کننده با پاسخ سریع به آن نیاز دارد، نیستند. او گفت که آن‌ها این پروژه را به عنوان ادامه‌ای از همکاری‌های بین‌المللی در زمینه داده‌های آب و هوا می‌بینند.
در مورد وضعیت فعلی ساخت محصول، گرین اعتراف کرد: «این نسبتاً در مراحل ابتدایی است. ما چند ماهی است که روی این پروژه کار می‌کنیم و هیچ چیزی به طور زنده در حال حاضر وجود ندارد، اما امیدواریم تا پایان سال ۲۰۲۵ مدلی داشته باشیم که مشاهدات (مانند تصاویر ماهواره‌ای یا رادار محلی) را دریافت کرده و پیش‌بینی‌هایی برای آن‌ها تولید کند.»
بریت‌بند به عنوان یک شرکت با هدف تامین منافع عمومی سازماندهی شده است، اما گرین گفت که این موضوع بیشتر به منظور سیگنال دادن است. او توضیح داد: «ما در تلاشیم تا مأموریت خود را به طور شفاف مشخص کنیم و هدف‌مان را به نمایش بگذاریم و بگوییم این همان چیزی است که ما به آن علاقه‌مندیم. من فکر می‌کنم ۱۰ میلیون دلاری که جمع‌آوری کردیم نشان‌دهنده این است که قادر به جذب سرمایه هستیم.»
در این مورد، PBC به این معناست که هیئت‌مدیره باید منافع سهامداران را با اهداف اعلام‌شده شرکت در برخی شرایط متعادل کند، اما این به معنای محدود کردن سود یا چیز مشابهی نیست.
انتظار می‌رود که محصول مرتبط با آب و هوا قبل از محصول مرتبط با اقلیم به بازار بیاید. اما هیچ‌کدام از این‌ها زمان‌بندی دقیقی به جز نمایش پایان سال ندارند.
دور سرمایه‌گذاری سری A بریت‌بند به مبلغ ۱۰ میلیون دلار توسط Prelude Venture هدایت شد و با مشارکت Starshot Capital، Garage Capital، Future Back Ventures، Preston-Werner Ventures، CLAI Ventures، Adrien Treuille و Cal Henderson همراه بود.
