av Marte Løyning Rongve
Jeg heter Marte og har fått gleden av å være i praksis hos metrologisk institutt gjennom realfagspraksis. Jeg går 4. året på kunstig intelligens linjen på UiT. I denne bloggen vil jeg fortelle om hvem metrologsk institutt er og hva jeg har gjort hos dem. Jeg vil også reflektere rund min bakgrunn og hvordan den hjelper med i arbeidet mitt hos MET
Om Meteorologisk Institutt
Meteorologisk Institutt (MET) er en av Norges viktigste faginstitusjoner. MET sitt arbeid handler om mer enn bare å si om du trenger paraply i morgen. De leverer varsler som brukes av redningsetater, skipsfart, luftfart, kommuner og enkeltpersoner i situasjoner der feil informasjon kan koste liv. Instituttets visjon er å være ledende innen meteorologisk forskning og varsling og de fokuserer på gi informasjon som sikrer liv og verdier.
Det som gjør praksisperioden min særlig spennende, er at MET nettopp nå er i en overgangsfase. De tester ut en ny AI-basert modell side om side med etablerte fysiske modeller. Det er akkurat i dette spenningsfeltet mellom det tradisjonelle og det nye jeg jobber.
Hva jobber jeg med?
Min hovedoppgave i praksis er verifisering av værvarsling. Det vil si at jeg analyserer og vurderer hvor godt de ulike modellene faktisk treffer virkeligheten.
MET har utviklet flere modeller som alle fungerer litt forskjellig. Jobben min er å sammenligne disse modellenes prediksjoner opp mot observasjonsdata og vurdere nøyaktigheten deres. Blant disse modellene er tre av dem klassiske fysiske modeller, og en av dem er en nyutviklet AI-modell.
Siden en av MET sine viktigste oppgaver er å varsle ekstremvær og spesielle situasjoner, er det akkurat slike situasjoner jeg sammenligner modellene i. Vi har valgt ut en storm som var i Tromsø i desember for å sammenligne hvordan modellene varslet rundt denne hendelsen.
Hvorfor faglig kompetanse er avgjørende her
Det er lett å tenke at værvarsling handler om å se på et kart og si «det blir vind». Men arbeidet på MET viser noe helt annet.
Meteorologi er en dataintensiv vitenskap. Modellene genererer enorme mengder data, og å skille signal fra støy krever et solid faglig forståelse. Uten kompetanse er det vanskelig å vite hva man skal se etter når slike modeller utvikles, verifiseres og anvendes.
Særlig nå, når AI-modeller introduseres ved siden av fysiske modeller, er faglig kompetanse enda viktigere. En AI-modell gir deg et svar, men ikke nødvendigvis en forklaring. Verifisering er derfor ikke bare kvalitetskontroll, men en måte å forstå hva modellen faktisk har lært, og mest av alt hva den ikke har lært.
Hva jeg tar med meg fra studiene
Studiene mine i kunstig intelligens har gitt meg et solid grunnlag for nettopp denne typen arbeid. Jeg har jobbet mye med verifisering og dataprosessering tidligere, og det har gjort meg trygg på å håndtere store og rotete datasett. Praksisen gir meg god erfaring i hvordan anvende det man kan fra studiene i et domene hvor jeg ikke har så mye kunnskap fra før. Selv om dataprosessering og programmering er noe jeg er kjent med er metrologi helt nytt. Læringskurven bratt når det kommer til å forstå analysen og skape verdifulle resultater
