Peter Dominik Dueben

这篇由Peter Dueben、Peter Bauer、Oliver Fuhrer、Nikolay Koldunov和Jørn Kristiansen撰写的文章指出，在机器学习已能产出与复杂传统系统预报技巧相当的天气预报之后，应把注意力从预报输出转向支撑预报系统的工作实践，并论证机器学习与近期数字技术将重塑预报价值链的各个环节——模型如何编码与开发、观测与地球系统数据如何被利用、数据与算力如何管理、系统如何被检验，以及信息如何被创造、评估并转化为服务；文章讨论了六个非穷尽的方向，其中智能体软件工程、开放与压缩数据、共享检验工作流、交互式计算和生成式方法可能使建模、评估与服务创建更快、更具交互性且更易获得

这篇由Peter Dueben、Peter Bauer、Oliver Fuhrer、Nikolay Koldunov和Jørn Kristiansen撰写的文章指出，在机器学习已能产出与复杂传统系统预报技巧相当的天气预报之后，应把注意力从预报输出转向支撑预报系统的工作实践，并论证机器学习与近期数字技术将重塑预报价值链的各个环节——模型如何编码与开发、观测与地球系统数据如何被利用、数据与算力如何管理、系统如何被检验，以及信息如何被创造、评估并转化为服务；文章讨论了六个非穷尽的方向，其中智能体软件工程、开放与压缩数据、共享检验工作流、交互式计算和生成式方法可能使建模、评估与服务创建更快、更具交互性且更易获得