20 sierpnia 2025 roku w Nature Communications ukazał się opis narzędzia, które potrafi prognozować katastrofalne zdarzenia pogodowe — nawet te, które nigdy wcześniej nie wystąpiły w danym regionie. To nie jest ewolucja dotychczasowych modeli ryzyka: to fundamentalna zmiana założeń. Przez dekady planowanie infrastruktury, wycena ubezpieczeń i zarządzanie sieciami energetycznymi opierały się na prostej zasadzie — żeby przewidzieć ekstremum, musisz je najpierw zobaczyć. Zespół z Massachusetts Institute of Technology właśnie pokazał, że ta zasada nie musi być prawdą.
Czym jest metoda η-learning i skąd się wzięła?
η-learning (czytane: eta-learning), oficjalnie nazwana Extreme Event Aware, to algorytm uczenia maszynowego zaprojektowany specjalnie po to, by modelować zdarzenia ekstremalne, których nie ma w żadnym zbiorze treningowym. Twórcami metody są Kai Chang — doktorant na wydziale inżynierii mechanicznej MIT — oraz profesor Themis Sapsis, zajmujący Katedrę Williama I. Kocha w zakresie inżynierii mechanicznej i oceanicznej na MIT.
Oboje badacze są afiliowani przy MIT Center for Computational Science and Engineering, a Sapsis posiada również nominację w ramach MIT Institute for Data, Systems, and Society. Wyniki ich pracy zostały opublikowane 20 sierpnia w recenzowanym czasopiśmie Nature Communications — jednym z najbardziej prestiżowych interdyscyplinarnych periodyków naukowych na świecie.
Punkt wyjścia projektu był prowokacyjnie prosty: co jeśli model nie potrzebuje wcześniejszego przykładu katastrofy, żeby nauczyć się, jak ona wygląda? To pytanie doprowadziło do opracowania algorytmu opartego na dwóch komplementarnych typach danych zamiast jednego.
Jak działa algorytm, który nie zna historii?
Algorytm η-learning łączy dwa rodzaje informacji: statystyki punktowe oraz przestrzenne mapy zjawisk. Statystyki punktowe opisują, jak często dana intensywność — na przykład maksymalna dzienna suma opadów na całej badanej mapie — pojawia się w dostępnym zbiorze danych. Mapy przestrzenne pokazują natomiast, jak intensywność rozkłada się geograficznie podczas konkretnego zdarzenia.
Kluczowy trick polega na uczeniu się relacji statystycznej między tymi dwoma typami danych. Kiedy model zna tę relację, może ekstrapolować — tworzyć realistyczne przestrzenne wzorce dla intensywności, które nigdy nie pojawiły się w zbiorze treningowym, ale są statystycznie możliwe zgodnie z rozkładem ogona rozkładu prawdopodobieństwa (tail statistics).
Każda wygenerowana mapa zawiera trzy elementy: prognozowany zasięg przestrzenny zdarzenia, szacowany czas trwania oraz przewidywaną intensywność. To zestaw informacji, który urbaniści i operatorzy infrastruktury potrzebują do planowania scenariuszy kryzysowych — nie abstrakcyjne liczby, lecz konkretne, gotowe do użycia mapy ryzyka.
Test na 25 latach danych opadowych
Badacze przetestowali η-learning na danych opadowych dla obszaru kontynentalnych Stanów Zjednoczonych. Jako podstawę wzięli 25 lat godzinowych danych o opadach, które następnie zagregowali do map dobowych. Na ich podstawie obliczyli statystyki punktowe opisujące, jak często maksymalne dobowe opady na całej mapie osiągały kolejne progi intensywności przez te 25 lat.
Przestrzenna część modelu była uczona na parach map o niskiej i wysokiej rozdzielczości — ale wyłącznie z pierwszych sześciu miesięcy całego 25-letniego okresu. Ten sześciomiesięczny podzbiór celowo zawierał mało lub żadnych zdarzeń ekstremalnych. Mimo to model był w stanie generować wiarygodne mapy dla intensywności wielokrotnie przekraczających wszystko, co widział podczas treningu.
Redakcja IWD Partner: Przez lata w dyskusjach o AI i prognozowaniu pogody dominowało pytanie, ile danych historycznych potrzeba, żeby model był dobry. η-learning odwraca tę logikę — i przypomina to trochę moment, gdy okazało się, że modele językowe mogą generować sensowne zdania w językach, na których prawie nie były trenowane. Jeśli ta analogia się utrzyma, mamy do czynienia z czymś więcej niż lepszym narzędziem meteorologicznym — z nową filozofią modelowania rzadkich zdarzeń. Pozostaje pytanie, jak dobrze metoda skaluje się poza opady: czy sprawdzi się równie dobrze dla tornad, fal upałów albo powodzi błyskawicznych?
Dlaczego dotychczasowe modele ryzyka są niewystarczające?
Obecne narzędzia używane przez ubezpieczycieli, planistów miejskich i operatorów sieci energetycznych działają według jednego schematu: zbierają dane historyczne, identyfikują warunki poprzedzające katastrofy, które już się wydarzyły, i projektują podobne wzorce w przyszłość. Kai Chang z MIT sformułował tę pułapkę wprost: „Te metody zakładają, że w zbiorze danych są bardzo katastrofalne zdarzenia i na ich podstawie budują model — albo szacujący ryzyko tych zdarzeń, albo próbujący przewidzieć dokładnie to, co już się wydarzyło.”
Profesor Themis Sapsis zilustrował ten problem na przykładzie Huraganu Katrina, który uderzył w Nowy Orlean w 2005 roku. „Katrina to zdarzenie powtarzające się co 30 do 40 lat” — stwierdził Sapsis. „Ale czym będzie Katrina, która zdarza się raz na 100 lat? Jak bardzo będzie niszczycielska? Właśnie to próbujemy kwantyfikować, żeby pomóc planistom przygotować się na możliwe skrajne scenariusze.”
Problem jest systemowy: zdarzenia stuletnie — a więc te, przed którymi najważniej się chronić — z definicji rzadko pojawiają się w 25- czy 50-letnich zbiorach danych. Klasyczne modele są więc ślepe dokładnie tam, gdzie widzenie jest najważniejsze. Dobra prognoza dotycząca zdarzenia raz na sto lat wymaga co najmniej tysiąca lat obserwacji — których oczywiście nie ma.
Dlaczego prognozowanie ekstremalnych zdarzeń ma znaczenie?
Straty ekonomiczne spowodowane ekstremalnymi zdarzeniami pogodowymi rosną globalnie — według danych Swiss Re Institute, w 2023 roku ubezpieczone straty katastroficzne na świecie przekroczyły 108 miliardów dolarów, a całkowite straty gospodarcze były ponad dwukrotnie wyższe. Znaczną część tych kosztów generują zdarzenia, które przekroczyły zasięg dotychczasowych modeli ryzyka — dokładnie te, dla których brakowało danych historycznych.
Narzędzie MIT może zmienić sposób, w jaki projektuje się infrastrukturę krytyczną: mosty, zapory wodne, sieci energetyczne i systemy odprowadzania wody. Dziś normy budowlane często opierają się na zdarzeniach o stuleciowym okresie powrotu — czyli właśnie tych, które są najtrudniej modelować klasycznymi metodami. Według wstępnych danych z 2025 roku, jeśli wyniki testów na danych opadowych w USA potwierdzą się w kolejnych badaniach, η-learning mogłaby stać się standardowym narzędziem w ocenie ryzyka klimatycznego już w perspektywie kilku lat.
Implikacje wykraczają poza budownictwo. Operatorzy rynków energii już teraz potrzebują prognoz ekstremalnych obciążeń sieci — a fale upałów czy mrozy stulecia są trudne do uwzględnienia w modelach zbudowanych wyłącznie na danych historycznych. η-learning sugeruje, że AI może wreszcie wypełnić tę lukę bez konieczności czekania na kolejną katastrofę.
Powiązane pojęcia z AI i uczenia maszynowego
- Tail statistics (statystyki ogona rozkładu) — metody matematyczne opisujące prawdopodobieństwo zdarzeń ekstremalnych, leżących daleko od średniej wartości rozkładu, gdzie dane empiryczne są z natury rzadkie.
- Spatial generalization (generalizacja przestrzenna) — zdolność modelu uczenia maszynowego do tworzenia wiarygodnych wzorców przestrzennych dla warunków, których nie widział podczas treningu.
- Extrapolation (ekstrapolacja) — wnioskowanie o wartościach poza zakresem danych treningowych, w odróżnieniu od interpolacji, która operuje wewnątrz tego zakresu; w modelach AI zwykle obarczona wyższą niepewnością.
- Return period (okres powrotu zdarzenia) — statystyczna miara określająca, jak rzadko dane zdarzenie jest oczekiwane; zdarzenie stuletnie ma 1% szansę wystąpienia w dowolnym roku.
- Downscaling (skalowanie w dół) — technika zwiększania rozdzielczości przestrzennej map lub prognoz klimatycznych, często stosowana w połączeniu z modelami uczenia maszynowego do uzyskiwania lokalnych szczegółów z danych globalnych.
Na podstawie materiałów źródłowych.
