كيف تعثر في المحيط على «مقبض» للتنبؤ بالأمطار ✛
تخيل أنك تضبط مستقبل راديو وتدير المقبض ببطء لالتقاط المحطة المطلوبة. وكيل بتعلم معزز يفعل الشيء نفسه، لكن بدل المقبض لديه مستطيلان في المحيط يمكن تحريكهما وتمديدهما. هدفه إيجاد زوج من المناطق يكون فيه فرق درجات الحرارة بينهما أفضل مؤشر للتنبؤ بأمطار تايلاند.
في البداية، اختيرت المناطق بناءً على بيانات قديمة، وكان الارتباط بالأمطار ضعيفًا. جرّب الوكيل آلاف الخيارات، فزاد الارتباط عدة مرات. انتقلت المناطق المختارة مئات الكيلومترات عن المناطق الأصلية. وعند إضافة هذه الإشارة الجديدة إلى شبكة عصبية ذات ذاكرة، انخفض خطأ التنبؤ لعام كامل مقدمًا في جميع مجموعات محطات الأرصاد تقريبًا. فقط في منطقة واحدة لم يحدث تحسن.
الآن يمكن للمتنبئين استخدام هذا المؤشر لتخطيط أدق للمياه في الزراعة والخزانات. سابقًا كان من غير الواضح أي أجزاء المحيط يجب الاستماع إليها، لكن الوكيل وجد التردد المناسب، وأصبحت الإشارة أوضح.
استكشف وكيل التعلم المعزز آلاف التركيبات من المستطيلات في المحيط للعثور على زوج من المناطق يكون فرق حرارتهما أفضل مؤشر للأمطار. اتضح أن المناطق المثلى انزاحت مئات الكيلومترات عن تلك المقترحة في دراسات سابقة.