详细内容或原文请订阅后点击阅览
自然灾害建模中的人工智能：强风暴、飓风、洪水和野火
GAO 的发现GAO 发现，机器学习是一种使用算法来识别信息模式的人工智能 (AI)，它正在应用于严重风暴、飓风、洪水和野火等自然灾害的预测模型，可能导致自然灾害。一些机器学习模型在日常预报中得到实际应用，例如可以缩短严重风暴预警时间的模型。机器学习的一些用途被认为接近可操作，而另一些则需要多年的开发和测试。GAO 确定了将机器学习应用于该领域的潜在好处，包括：从而增加建模成本。通过更充分地利用可用数据、使用传统模型无法使用的其他数据以及创建合成数据来填补空白，提高模型的准确性。通过改进集成建模（从众多模型生成组合预测的过程）以及更好地利用历史数据来减少模型输出的不确定性。使用机器学习预测自然灾害 GAO 还发现了使用机器学习的挑战。例如：数据限制阻碍了机器学习模型的训练，并可能降低某些地区的准确性，例如天气观测稀疏的农村地区。对算法缺乏信任和理解以及对偏差的担忧可能会让预测者和其他用户对使用机器学习模型犹豫不决。有限的协调和协作给充分开发一些机器学习模型带来了挑战。例如，一些预测者告诉我们，他们缺乏与研究人员互动并传达他们的需求的机会。劳动力和资源差距也带来了挑战。例如，根据学术研究人员的说法，开发和运行机器学习模型的前期成本很高，而且一些研究这些模型的公司并不完全理解他们正在建模的数据和现象。GAO 确定了五种可以帮助解决这些问题的政策选项挑战。这些选项旨在向政策制定者（包括国会、联邦和州机构、学术和研究机构以及行业）通报潜在的政策实施情况。现状选项说明了这样一种情况，即政府政策制定者除了当前正在进行的努力之外不采取任何其他行动。帮助解决在自然灾害建模中使用机器学习的挑战的政策选项政策选项机会考虑因素促进改进数据收集、共享和使用（报告第 37 页）。政府政策制定者可以扩大对现有观测数据和基础设施的使用，以缩小差距，扩大对某些数据的访问，并（与其他政策制定者一起）制定使数据人工智能就绪的指导方针。解决数据集差距的努力可以提高机器学习模型的性能。
来源:美国政府问责局__信息技术信息美国政府问责署的发现
美国政府问责署发现，机器学习是一种使用算法识别信息模式的人工智能 (AI)，它正被应用于预测自然灾害的模型，例如严重风暴、飓风、洪水和野火等可能导致自然灾害的自然灾害。一些机器学习模型在日常预测中得到实际应用，例如可以缩短严重风暴预警时间的模型。机器学习的一些用途被认为接近实际应用，而其他一些则需要多年的开发和测试。
GAO 确定了将机器学习应用于该领域的潜在好处，包括：
- 通过替换模型中速度慢且增加建模成本的组件来减少进行预测所需的时间。通过更充分地利用可用数据、使用传统模型无法使用的其他数据以及创建合成数据来填补空白，提高模型准确性。通过改进集成建模（从众多模型生成组合预测的过程）并更好地利用历史数据来降低模型输出的不确定性。
使用机器学习预测自然灾害
使用机器学习预测自然灾害GAO 还指出了使用机器学习的挑战。例如：