Fair prognose? Hvordan 180 meteorologer leverer 'godt nok' vejrdata

Hvad er en god nok vejrudsigt? Det er et spørgsmål, de fleste nok ikke tænker så meget over, da svaret virker indlysende - et præcist. Men så igen, de fleste er ikke CTO'er hos DTN. Lars Ewe er, og hans svar kan være anderledes end de flestes. Med 180 meteorologer i personalet, der leverer vejrudsigter over hele verden, DTN er det største vejrselskab, du sikkert aldrig har hørt om.

Eksempel: DTN er ikke inkluderet i ForecastWatchs "Global og regional vejrudsigtsnøjagtighedsoversigt 2017 - 2020." Rapporten vurderer 17 vejrudsigtsudbydere i henhold til et omfattende sæt kriterier og en grundig dataindsamling og evalueringsmetode. Så hvordan kan det være, at en virksomhed, der startede i 1980'erne, betjener et globalt publikum og altid har haft et stærkt fokus på vejret, ikke bliver evalueret?

• Se også: Vejret i USA, klimaudsigten er ved at blive meget bedre

Vejrudsigt som et problem med big data og internet of things

DTNs navn står for 'Digital Transmission Network' og er et vink til virksomhedens oprindelse som en gårdinformationstjeneste leveret over radioen. Med tiden har virksomheden adopteret teknologisk udvikling, drejet sig om at levere, hvad den kalder "operationelle efterretningstjenester" til en række industrier, og er blevet global.

Ewe har tidligere haft ledende roller på tværs af en række virksomheder, herunder AMD, BMW og Oracle. Han føler stærkt for data, datavidenskab og evnen til at give indsigt for at give bedre resultater. Ewe omtalte DTN som en global teknologi-, data- og analysevirksomhed, hvis mål er at levere praktisk indsigt i næsten realtid, så kunderne bedre kan drive deres forretning.

DTN's Weather as a Service® (WAAS®) tilgang bør ses som en vigtig del af det bredere mål, ifølge Ewe. "Vi har hundredvis af ingeniører, der ikke kun er dedikeret til vejrudsigt, men til indsigt," sagde Ewe. Han forklarede også, at DTN investerer i at producere sine egne vejrudsigter, selvom det kunne outsource dem af en række årsager.

Mange tilgængelige vejrudsigelsestjenester er enten ikke globale, eller også har de svagheder på visse områder, såsom billedopløsning, ifølge Ewe. DTN, tilføjede han, udnytter alle offentligt tilgængelige og mange proprietære datainput til at generere sine egne forudsigelser. DTN udvider også disse data med sine egne datainput, da det ejer og driver tusindvis af vejrstationer verden over. Andre datakilder omfatter satellit og radar, vejrballoner og fly samt historiske data.

Nogle eksempler på de tjenester af højere orden, som DTN's vejrudsigter giver mulighed for, er analyse af stormpåvirkninger og skibsvejledning. Stormpåvirkningsanalyse bruges af forsyningsselskaber til bedre at forudsige udfald og planlægge og bemande i overensstemmelse hermed. Forsendelsesvejledning bruges af rederier til at beregne optimale ruter for deres skibe, både ud fra et sikkerhedsperspektiv, men også ud fra et brændstofeffektivitetsperspektiv.

Det, der ligger i hjertet af tilgangen, er ideen om at tage DTNs prognoseteknologi og data, og derefter fusionere det med kundespecifikke data for at give skræddersyet indsigt. Selvom der er baseline-tjenester, som DTN også kan tilbyde, jo mere specifikke data, jo bedre service, bemærkede Ewe. Hvad kunne de data være? Alt, hvad der hjælper DTNs modeller til at yde bedre.

Det kan være skibenes position eller form eller infrastrukturnettets sundhed. Faktisk, da sådanne koncepter bruges gentagne gange på tværs af DTNs modeller, bevæger virksomheden sig i retning af en digital tvillingtilgang, sagde Ewe.

I mange henseender er vejrudsigten i dag virkelig et stort dataproblem. Til en vis grad, tilføjede Ewe, er det også et internet of things og dataintegrationsproblem, hvor du forsøger at få adgang til, integrere og gemme en række data til videre behandling.

Som en konsekvens heraf involverer produktionen af ​​vejrudsigter ikke kun domæneekspertisen fra meteorologer, men også arbejdet fra et team af dataforskere, dataingeniører og maskiner lærings-/DevOps-eksperter. Som enhver big data- og datavidenskabsopgave i stor skala er der en afvejning mellem nøjagtighed og levedygtighed.

• Bedste ekstreme vejrteknologi 2022: Strømafbrydelsesudstyr

Godt nok vejrudsigt i skala

Som de fleste CTO'er nyder Ewe at arbejde med teknologien, men skal også være opmærksom på den forretningsmæssige side af tingene. Det er en meget kompleks øvelse at opretholde en nøjagtighed, der er helt rigtig, eller "god nok", uden at skære hjørner og samtidig gøre dette økonomisk rentabelt. DTN griber dette an på en række måder.

En måde er ved at reducere redundans. Som Ewe forklarede, kom DTN over tid og via fusioner og opkøb til at være i besiddelse af mere end fem prognosemotorer. Som det normalt er tilfældet, havde hver af dem sine styrker og svagheder. DTN-teamet tog de bedste elementer af hver og konsoliderede dem i én global prognosemotor.

En anden måde er at optimere hardware og reducere de tilhørende omkostninger. DTN arbejdede med AWS at udvikle nye hardware-instanser, der passer til behovene i denne meget krævende use case. Ved at bruge de nye AWS-instanser kan DTN køre vejrudsigelsesmodeller på efterspørgsel og med hidtil uset hastighed og skala.

Tidligere var det kun muligt at køre vejrudsigtsmodeller med faste intervaller, en eller to gange om dagen, da det tog timer at køre dem. Nu kan modellerne køre efter behov og generere en global prognose på en time på cirka et minut, ifølge Ewe. Lige så vigtigt er det imidlertid, at disse instanser er mere økonomiske at bruge.

Med hensyn til den faktiske videnskab om, hvordan DTNs modeller fungerer - de indeholder både datadrevne, machine learning-modeller, såvel som modeller, der inkorporerer meteorologisk domæneekspertise. Ewe bemærkede, at DTN tager en ensemble-tilgang, kører forskellige modeller og vejer dem efter behov for at producere et endeligt resultat.

Dette resultat er dog ikke binært - regn eller ingen regn, for eksempel. Det er snarere sandsynligt, hvilket betyder, at det tildeler sandsynligheder til potentielle udfald - 80% sandsynlighed for 6 Beaufort-vinde, for eksempel. Begrundelsen bag dette har at gøre med, hvad disse forudsigelser bruges til: operationel efterretning.

Det betyder at hjælpe kunder med at træffe beslutninger: Skal dette offshore-boreanlæg evakueres eller ej? Skal dette skib eller dette fly omdirigeres eller ej? Skal denne sportsbegivenhed finde sted eller ej?

Ensemble-tilgangen er nøglen til at kunne faktorisere forudsigelser i risikoligningen, ifølge Ewe. Feedback loops og automatisering af valget af de rigtige modeller med de rigtige vægte under de rigtige omstændigheder er det, som DTN arbejder aktivt på.

Det er også her, "godt nok"-aspektet kommer ind. Den reelle værdi, som Ewe udtrykte det, ligger i downstream-forbruget af de forudsigelser, som disse modeller genererer. "Du vil være meget forsigtig med, hvordan du balancerer dine investeringsniveauer, fordi vejret kun er én inputparameter for den næste downstream-model. Nogle gange gør den ekstra halve grad af præcision måske ikke engang en forskel for den næste model. Nogle gange gør det det."

I fuld cirkel bemærkede Ewe, at DTNs opmærksomhed er fokuseret på virksomhedens daglige drift af sine kunder, og hvordan vejret påvirker disse operationer og tillader det højeste niveau af sikkerhed og økonomisk afkast for kunder. "Det har vist sig at være meget mere værdifuldt end at få en ekstern part til at måle nøjagtigheden af ​​vores prognoser. Det er vores daglige kundeinteraktion, der måler, hvor nøjagtige og værdifulde vores prognoser er."