Los algoritmos de aprendizaje automático que digirieron décadas de datos meteorológicos fueron capaces de pronosticar el 90% de las medidas atmosféricas con más precisión que el principal centro de meteorología de Europa

En septiembre, los investigadores de la unidad de inteligencia artificial (IA) DeepMind de Google en Londres (Reino Unido) prestaban una atención inusual al clima al otro lado del océano. Faltaban al menos 10 días para que el huracán Lee tocara tierra, eones en términos de predicción, y los pronósticos oficiales seguían dudando entre que la tormenta llegara a las principales ciudades del noreste o que no lo hiciera en absoluto. El propio software experimental de DeepMind había hecho una previsión muy concreta de que arribaría mucho más al norte. “Estábamos pegados a nuestros asientos”, comenta el investigador científico Rémi Lam.

Una semana y media después, el 16 de septiembre, Lee tocó tierra justo donde el software de DeepMind, llamado GraphCast, había predicho días antes: Long Island, Nueva Escocia, lejos de los grandes centros de la población. Se sumó a un período de grandes avances para una nueva generación de modelos meteorológicos impulsados por IA, incluidos otros construidos por Nvidia y Huawei, cuyo notable rendimiento tomó por sorpresa al sector. Los meteorólogos veteranos declararon a WIRED a principios de esta temporada de huracanes que las preocupantes dudas de los especialistas sobre la IA fueron sustituidas por la expectativa de que se avecinan enormes transformaciones en este campo.

Hoy, Google comparte nuevas pruebas, revisadas por expertos, de esa promesa. En un artículo publicado en Science, los investigadores de DeepMind informan que su modelo supera los pronósticos del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF, por sus siglas en inglés), un gigante mundial de la predicción del clima, en el 90% de más de 1,300 variables atmosféricas como la humedad y la temperatura. Y lo que es mejor, el modelo de DeepMind se ejecuta en una laptop y arroja un pronóstico en menos de un minuto, mientras que los modelos convencionales requieren una enorme supercomputadora.

Cómo se obtiene el pronóstico meteorológico de GraphCast mediante IA

Las simulaciones meteorológicas estándar hacen sus predicciones intentando reproducir la física de la atmósfera. Han mejorado a lo largo de los años, gracias al perfeccionamiento de las matemáticas y a la incorporación de observaciones del clima cada vez más precisas procedentes de ejércitos cada vez más numerosos de sensores y satélites. También son engorrosos. Los pronósticos de los principales centros, como el ECMWF o la Asociación Nacional Oceánica y Atmosférica de EE UU, requieren horas de cálculo en potentes servidores.

Cuando, hace unos años, Peter Battaglia, director de investigación de DeepMind, empezó a estudiar la predicción meteorológica, parecía el problema perfecto para su particular estilo de aprendizaje automático. La unidad de IA de Google ya se había ocupado de los pronósticos de precipitaciones locales con un sistema entrenado con datos de radar, llamado NowCasting. Ahora su equipo quería intentar prever el clima a escala global.

Battaglia ya dirigía un equipo dedicado a aplicar sistemas de IA llamados redes neuronales gráficas o GNN (por sus siglas en inglés), para elaborar modelos del comportamiento de los fluidos, un reto clásico de la física que sirve para describir el movimiento de los líquidos y de los gases. Dado que la predicción meteorológica consiste básicamente en modelar el flujo de las moléculas, recurrir a las GNN parecía una opción lógica. Aunque el entrenamiento de estos sistemas es un trabajo pesado, que requiere cientos de unidades de procesamiento gráfico especializadas o GPU (por sus siglas en inglés), para procesar tremendas cantidades de datos, el sistema final es, en definitiva, ligero, lo que hace posible que los pronósticos se generen rápidamente con una potencia informática mínima.

Las GNN representan la información como “gráficos” matemáticos, es decir, redes de nodos interconectados que influyen unos en otros. En el caso de las previsiones meteorológicas de DeepMind, cada nodo representa un conjunto de condiciones atmosféricas en un lugar concreto, como la temperatura, la humedad y la presión. Estos puntos están distribuidos por todo el planeta y a distintas altitudes: una nube literal de datos. El objetivo es predecir cómo interactuarán todos los datos de todos esos puntos con sus vecinos, captando la manera en que cambiarán las condiciones con el tiempo.

Entrenar el software para hacer buenas predicciones requiere los datos adecuados. DeepMind entrenó sus redes para pronosticar con precisión cómo evolucionará cualquier conjunto de condiciones meteorológicas utilizando 39 años de observaciones recopiladas y procesadas por el ECMWF. El procedimiento tiene por objeto enseñar al programa de qué forma un conjunto inicial de patrones atmosféricos cambiaría en incrementos de seis horas. Después, cada previsión se incorpora a la siguiente, con lo que finalmente se obtiene una visión a largo plazo que llega a abarcar más de una semana.

IA falla todavía en pronosticar condiciones meteorológicas extremas

Lam y Battaglia consideran que el destacado rendimiento de su modelo de predicción es un punto de partida. Dado que es capaz de estimar cualquier tipo de pronóstico con tanta facilidad, creen que sería posible ajustar las versiones para que funcionen aún mejor en determinados tipos de condiciones meteorológicas, como lluvias, calor extremo o trayectorias de huracanes, o para que proporcionen información más detallada para regiones concretas. Google también asegura que está explorando cómo añadir GraphCast a sus productos. La empresa incorporó recientemente un modelo de IA diferente, diseñado para predicciones a más corto plazo, a sus pronósticos meteorológicos mostrados en los dispositivos móviles.

Matthew Chantry, quien trabaja en pronósticos mediante aprendizaje automático en el ECMWF, indica que GraphCast de Google DeepMind se perfila como el más fuerte de los contendientes de la IA. “Con el tiempo irá mejorando cada vez más. Es muy emocionante”, afirma. La otra ventaja, añade, es que el software es el único predictor meteorológico con esta tecnología que ofrece previsiones de precipitaciones, una tarea particularmente complicada para los modelos de IA, porque la física que produce la lluvia tiende a desarrollarse en un nivel de definición mucho más sutil que la que admiten los datos utilizados para entrenarlos.

A pesar de los buenos resultados de Google, la predicción meteorológica dista mucho de estar resuelta. Su modelo de IA no está diseñado para proporcionar pronósticos de conjunto, que detallan múltiples resultados potenciales de una tormenta u otro evento meteorológico, junto con una serie de probabilidades que resultan especialmente útiles para fenómenos de gran magnitud, como los huracanes.

Los modelos de inteligencia artificial también tienden a infravalorar la fuerza de algunos de los fenómenos más relevantes, como las tormentas de categoría cinco. Esto se debe posiblemente a que sus algoritmos favorecen las previsiones más cercanas a las condiciones meteorológicas promedio, por lo que son cautelosos a la hora de predecir escenarios extremos. Los investigadores de GraphCast también descubrieron que su modelo no superaba los pronósticos del ECMWF sobre las condiciones de la estratosfera, la parte superior de la atmósfera, aunque aún no saben por qué.

El clima del planeta ha cambiado

Confiar en los datos históricos para el entrenamiento de la IA implica una debilidad potencialmente grave: ¿Y si el clima del futuro no se parece en nada al del pasado? Dado que los modelos meteorológicos tradicionales se basan en leyes de la física, se consideran poco adaptables ante las transformaciones del tiempo atmosférico del planeta. El clima cambia, pero las reglas que lo rigen no.

Battaglia sostiene que la capacidad del sistema de DeepMind para predecir una amplia variedad de eventos meteorológicos, incluidos los huracanes, a pesar de haber visto relativamente pocos de cada tipo en sus datos de entrenamiento, sugiere que ha interiorizado la física de la atmósfera. Aun así, es una razón para entrenar el modelo con información lo más actual posible, destaca.

El mes pasado, cuando el huracán Otis azotó Acapulco (México), su intensificación y trayectoria sobre millones de personas esquivó las previsiones de todos los modelos meteorológicos, incluidos los que funcionan con inteligencia artificial. Estas tormentas son “atípicas entre las atípicas”, explica Brian McNoldy, meteorólogo de la Universidad de Miami. Los expertos en previsión meteorológica aún están averiguando por qué sucedió eso, entre otros aspectos analizando las lagunas en la comprensión del modo en que las condiciones inusuales del océano o los procesos profundos de una tormenta la llevan a fortalecerse rápidamente. Los nuevos conocimientos e información que se obtengan se incorporarán a los modelos convencionales de física meteorológica, así como a los conjuntos de datos que alimentan los nuevos basados en IA, como GraphCast de Google.

El ECMWF está creando su propio modelo de predicción del clima con IA, inspirado en GraphCast, apostando a que los conocimientos de la agencia sobre la física de la atmósfera contribuyan a diseñar una herramienta que funcione aún mejor. Su objetivo es presentar predicciones basadas en dicha tecnología en uno o dos años. Chantry espera que la comunidad del aprendizaje automático siga destinando a sus investigadores, el dinero de la industria y las GPU a mejorar también los pronósticos meteorológicos.

Fuente: es.wired.com