Inteligencia artificial predice el clima más rápido y barato

Durante décadas realizar pronósticos fue una tarea central de miles de científicos en todo el mundo. Una ciencia entera al servicio de responder una gran incógnita: qué traerán los vientos en los próximos días. Y no se trata sólo de saber qué abrigo ponerse o si mandar —o no— esa invitación para un asado por un grupo de WhatsApp. Menos aún en tiempos donde el cambio climático genera cada vez más eventos climáticos extremos.

Predecir el clima altera factores económicos y puede salvar vidas. Saber por dónde pasará un tornado puede determinar a qué poblaciones objetivo evacuar o si dar luz verde al aterrizaje de un avión. Conocer cuándo vendrá una helada o si la lluvia llegará repentinamente permite modificar cosechas, aumentar exportaciones o evitar la suba de precios de alimentos.

Eso explica por qué hay tantos laboratorios en el mundo que se preguntan cómo hacer diagnósticos más precisos y, a su vez, más anticipatorios. Cómo hacer para ver antes la lluvia que pasará aquella ciudad, y hacerlo de la manera más precisa posible. Y dentro de esos grupos que pugnan por tomar un rol clave en la carrera meteorológica está Google, que busca cambiar la lógica mediante el uso de inteligencia artificial, idea que varios científicos de diversos países también toman como propia.

La iniciativa es liderada por Ferran Alet, investigador de Google DeepMind. El científico ha desarrollado WeatherNext, un proyecto que busca combinar décadas de datos atmosféricos históricos con IA avanzada en una forma predecir el clima con una lógica apoyada en el machine learning y ya no en la lectura de las ecuaciones físicas que rigen la atmósfera y el suelo.

Alet explicó en qué consiste su desarrollo y cómo puede afectar a las poblaciones de diversos países. Y, en primer lugar, sostuvo que lo que buscan es “predecir el tiempo”, pero hacerlo con otros modelos que no se basan “en las leyes de la física”, sino aprovechar la capacidad actual de cómputo y hacerlo directamente con los datos actuales del tiempo y, desde ahí, simular escenarios.

“Utilizamos inteligencia artificial para entrenar al modelo a predecir el tiempo que hará mañana dado el tiempo que hace hoy. Le damos muchos ejemplos de los últimos 50 años y el modelo aprende”, contó. Según datos del propio equipo de Google, su desarrollo permitió llegar un día y medio antes a fenómenos como huracanes. Y ahora pueden hacerlo porque la IA volvió posible el análisis rápido de millones de parámetros al mismo tiempo.

“En el fondo es una manera distinta de hacer ciencia”, dijo. Antes lo hacían mediante ecuaciones y ahora las incorporaron a las computadoras. “No sabemos las ecuaciones de esta física aproximada, con ruido y con información parcial. Lo que vamos a hacer es darle ejemplos al ordenador para que él aprenda a base de ejemplos y encuentre patrones en los datos”, explicó.

Pero, ¿con qué datos se alimenta esta computadora?

Además de las bases de datos climáticos históricos, que son de libre acceso, el sistema recibe las variables del tiempo —presión, temperatura, viento en tres dimensiones y humedad— a través de datos satelitales.

De esta manera, el proceso toma de manera más constante y más rápida los datos crudos de la atmósfera vía satélite, los analiza, en base a las experiencias pasadas corre cientos de simulaciones y, finalmente, da una respuesta sobre las posibilidades de que el clima se mueve en tal o en cual dirección.

Alguien podría objetar que los modelos predictivos son muy útiles para determinar patrones conocidos, pero ¿cómo determinar eventos extremos como los que aparecen cada vez más seguido con el cambio climático? Se conoce como la paradoja del Pavo de Russell. Un breve paréntesis para explicar esto:

La paradoja del filósofo británico Bertrand Russell ilustra este límite en la predicción y el razonamiento inductivo: un pavo recibe alimento todos los días a las 9 de la mañana y, a partir de ese patrón, predice que seguirá ocurriendo. Hasta que llega la víspera de Navidad y su predicción le cuesta ni más ni menos que el pellejo.

Frente a la consulta sobre si su sistema puede correr el mismo riesgo que el pobre pavo, Alet explicó: “El Niño puede cambiar los patrones. Una cosa buena que estamos mejorando mucho es que, como ella ya es más rápida que los modelos físicos, en vez de hacer una sola simulación podemos predecir 50 futuros. Incluso para huracanes simulamos 1.000 futuros”.

Y añadió: “Eso quiere decir que podemos capturar eventos extremos dentro de nuestra ejecución. Entonces no decimos ‘creemos que pasa esto’, sino ‘quizá no es lo más probable, pero creemos que hay una probabilidad de un 5 o un 10 % de inundación’. Y esto es muy útil ya para gobiernos, para que puedan usar estas probabilidades”. Información que, en casos de urgencias, Google brinda gratuitamente.

La pregunta sobre cómo llegar a estas conclusiones se vuelven un poco más tumultuosas: “Es curioso porque, claro, ahora tenemos una black box, una máquina que nos hace las mejores predicciones del mundo, pero no sabemos cómo funciona. Entonces es un desafío interesante extraer el porqué, qué ha descubierto la máquina para hacer estas predicciones. No lo sabemos”.

Consultado sobre este modelo, el investigador independiente del CONICET y licenciado en Ciencias de la Atmósfera y los Océanos, Juan Ruiz, explicó: “Una de las grandes ventajas es que tienen un costo computacional muchísimo menor. Pueden generar una predicción con una calidad similar, o incluso ligeramente mejor a la que generaban los modelos numéricos tradicionales basados en la física, pero con un costo computacional que puede ser hasta mil veces menor”.

Luego, en tono crítico, añadió: “Uno de los riesgos iniciales, que en los últimos años fue mejorando bastante, era la representación de eventos extremos. Pero los modelos basados en machine learning esencialmente aprenden de las cosas que fueron pasando en el pasado”. Y dijo: “Eso hace que, como los eventos extremos generalmente son menos frecuentes estén menos representados en esos conjuntos de datos. Algo que puede hacer que no sean tan efectivos a la hora de predecirlos”.

Consultado sobre la imposibilidad de explicar cómo llega la máquina a estas conclusiones, dijo: “No diría que, simplemente por el hecho de no terminar de entender bien por qué funciona bien, tendríamos que cerrarnos a eso”. Sostuvo que, si este camino permite “evitar que ocurran desastres o, si ocurren, minimizar lo más posible el impacto”, vale la pena explorarlo, mientras se avanza en comprender qué aprende el sistema para mejorar todavía más esas predicciones.

“Creo que es un avance muy importante y que hay que reforzar. Nosotros lo estamos haciendo a nivel local también, a través de las investigaciones que estamos desarrollando. Estamos justamente trabajando en el desarrollo de herramientas de predicción, no a nivel global como lo hace Google, sino a nivel más local, más regional, y utilizando datos locales”, contó Ruiz a este medio.

Como ejemplo, señaló que “los datos de la red de radares que actualmente tiene Argentina” no fueron utilizados por Google para entrenar sus modelos. Explicó que la idea es combinar sistemas de predicción globales con otros locales que utilicen esos datos para mejorar la predicción meteorológica en la región, “basados en principios similares a los que se discuten en este trabajo de Google”.