Det viktigaste först: Detta är inte en väderprognos.
Grafen visar inte vad temperaturen kommer att bli i framtiden. Istället är den ett betyg på hur duktig vår AI har varit historiskt. Du tittar på AI:ns
"provresultat" varje gång den har tränat.
Hur lär sig vår AI?
Vi behandlar AI:n som en student som ska lära sig att förutsäga vädret. Processen har två steg:
-
Plugga (Träning): Vi ger AI:n 80% av all historisk väderdata vi har samlat in. Den analyserar denna data för att hitta mönster, precis som en
student pluggar på gamla prov.
-
Prov (Test): För att se om den faktiskt har lärt sig något, testar vi den på de återstående 20% av datan – data som den aldrig har sett förut.
AI:n får "frågorna" (vädret vid en viss tidpunkt) och måste gissa temperaturen en viss tid framåt (t.ex. 24 timmar).
Vad betyder R²-värdet? (AI:ns betyg)
Vi mäter träffsäkerheten med ett mått som kallas R² (R-kvadrat). Det är ett betyg på en skala där högre är bättre:
- 🏆 R² nära 1.0: Perfekt resultat! AI:ns gissningar var nästan exakt som det verkliga utfallet.
- 🤔 R² runt 0.5: Medelbra. AI:n har hittat vissa mönster, men det finns mycket utrymme för förbättring.
- 👎 R² nära 0.0: Värdelöst. AI:n är inte bättre än att bara gissa på medeltemperaturen.
Linjerna i grafen visar alltså detta R²-betyg över tid, för varje gång AI:n har tränats om.
Varför tränar vi den hela tiden?
Väder är dynamiskt, och en AI som inte lär sig nya saker blir snabbt föråldrad. Kontinuerlig träning är avgörande av tre anledningar:
Fas 1: Grundkursen (här är vi nu!)
Eftersom vi började samla in data den 14 juni 2025, håller AI:n just nu på att lära sig sin allra första sommar och höst. Den har ännu inte sett en vinter eller
vår! Varje ny dag ger den kritisk information om säsongsvariationer, vilket gör att dess prestanda förbättras snabbt.
Fas 2: Förfining
När AI:n har data från ett helt år kommer den att ha en stabil grund. Då handlar träningen om att lära sig av undantag – en ovanligt varm sommar, en plötslig
storm – för att bli ännu mer robust.
Fas 3: Långsiktigt underhåll
På lång sikt förändras världen. Klimatförändringar och lokala förändringar (t.ex. nya byggnader) gör att gamla vädermönster inte längre stämmer. Kontinuerlig
träning säkerställer att AI:n anpassar sig och förblir relevant över tid.
Sammanfattningsvis: Du tittar på AI:ns inlärningsresa i realtid. Ett högt och stabilt R²-värde ger oss förtroendet att använda modellen för att
göra faktiska prognoser för framtiden.