Blogs de Festeros.es

Me ha llamado mucho la atención algo sobre lo que llevo tiempo escuchando avances, la aplicación de machine learning al modelado o previsión del tiempo, y encontrarme con un modelo publicado por DeepMind, la compañía fundada por Demis Hassabis, Shane Legg y Mustafa Suleyman en 2010 y adquirida por Alphabet por $650 millones en 2014. Es algo sobre lo que uno de los cofundadores de BigML, Tom Dietterich, lleva también tiempo trabajando, y sobre lo que he tenido también oportunidad de conversar con él en alguna ocasión.

El modelo, denominado GraphCast, es capaz de superar significativamente a los sistemas deterministas operativos más precisos creados por agencias gubernamentales europeas o estadounidenses, de mejorar en el 90% de los 1,380 objetivos de verificación, y de pronosticar de manera muy precisa eventos severos como ciclones tropicales, ríos atmosféricos, olas de calor y otras temperaturas extremas.

En un planeta cada vez más desestabilizado por culpa de la emergencia climática provocada por la acción del hombre, disponer de sistemas capaces de pronosticar con fiabilidad la evolución de los fenómenos meteorológicos es cada vez más importante. Para ello, la aproximación de DeepMind ha sido la de plantear un modelo de machine learning: partir del re-análisis de más de cuarenta años de datos históricos anotados con las evoluciones climatológicas que generaron en su momento, y utilizando la capacidad de computación necesaria para manejar un modelo con varios centenares de variables, la compañía ha obtenido un modelo capaz de predecir cientos de variables meteorológicas, durante un período de 10 días y con una resolución global de 0.25°C, en menos de un minuto.

El pasado septiembre, los modelos de inteligencia artificial desarrollados por Google, Nvidia y Huawei determinaron el pronóstico de la trayectoria del huracán Lee con una semana de anticipación: Lee se intensificó rápidamente hasta convertirse en un huracán de categoría 5 en el Océano Atlántico al este del Caribe, y luego se debilitó antes de tocar tierra en Nueva Escocia con una fuerza equivalente a una tormenta tropical. A pesar de ser un fenómeno con una evolución relativamente inusual y repetido en pocas ocasiones anteriores históricamente hablando, derivado de las temperaturas anormalmente elevadas de la superficie del mar que «realimentan» este tipo de huracanes, los modelos de machine learning son aparentemente capaces de predecirlos con gran exactitud.

Mientras los modelos meteorológicos tradicionales hacen pronósticos basados en complejos cálculos matemáticos y ecuaciones, y requieren enormes cantidades de potencia informática, los modelos como GraphCast, basados en AI llevan a cabo un enfoque diferente, mediante el reconocimiento de patrones en grandes cantidades de datos meteorológicos históricos que les permiten, posteriormente, generar pronósticos ingiriendo las condiciones actuales y aplicando lo que aprendieron de aquellos patrones históricos. El proceso requiere mucho menos procesamiento computacional y puede completarse en minutos o incluso segundos en ordenadores mucho más pequeños. Además, es capaz de mejorar la precisión del pronóstico al capturar patrones y escalas en los datos que no estaban representados en las ecuaciones explícitas manejadas anteriormente por los meteorólogos.

Una mejora así es susceptible no solo de mejorar los modelos de predicción meteorológica de los que disponemos, sino también de ser aplicado al estudio de la propia emergencia climática, añadiéndose a la ciencia de la atribución climática que ha generado ya datos fehacientes para comprobar que, en efecto, la frecuencia y la severidad de los fenómenos climatológicos se ha incrementado en gran medida en épocas recientes, y que es debida, además a un efecto puramente antropogénico.

Todo indica que, a medida que este tipo de modelos se vayan incorporando cada vez más a las predicciones de productos de cara al público – como Google ya ha hecho con un modelo anterior, MetNet, una red neuronal dedicada al cálculo de precipitación, temperatura de la superficie, velocidad y dirección del viento y punto de rocío – veremos pronósticos cada vez más certeros, y podremos, dentro de un orden, intentar prepararnos mejor para sus efectos. En un planeta cada vez más inestable, esto va a ser cada vez más importante.

Publicado con licencia Creative Commons 3.0 España