Cada vez que se anuncia un avance en materia de inteligencia artificial (IA) y aprendizaje profundo (deep learning), se hace en términos de superación de las capacidades humanas. Siguiendo esta larga tradición, los ingenieros de la compañía Google DeepMind acaban de presentar un nuevo logro, esta vez en el ámbito de una materia tan compleja como la predicción meteorológica. Según anuncian, su modelo de aprendizaje automático, GraphCast, es capaz de hacer mejores pronósticos a 10 días que el Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF), considerado el más avanzado en este campo. Y los hace sin aplicar ninguna de las complejas ecuaciones que rigen la física atmosférica y que costó más de un siglo desentrañar.
“GraphCast tiene el potencial de producir predicciones del tiempo más precisas y más rápidas que el sistema líder actual para este tipo de predicciones globales a medio plazo”, explica Álvaro Sánchez González, coautor del trabajo, “esto puede suponer un punto de inflexión en el campo de las predicciones meteorológicas”. Su sistema no solo proporciona pronósticos más precisos en más del 90% de las variables atmosférica que han medido, sino que lo hace en tiempo récord. El cálculo le llevó apenas un minuto de procesamiento a una sola unidad de Google TPU v4, mientras que a los supercomputadores del ECMWF les puede llevar horas y necesita cientos de máquinas.
GraphCast consigue predecir la trayectoria de huracanes unas 9 horas antes que el mejor modelo hasta el momento
El modelo, cuyos resultados se presentaron en martes en la revista Science por el equipo de Rémi Lam, también fue sorprendentemente bueno en predicciones relacionadas con eventos extremos, para los cuales no fue entrenado directamente. Además de predecir la formación de ríos atmosféricos y olas de frío y de calor, predijo la trayectoria del huracán Lee unos nueve días antes de que tocara tierra. “Lo hizo por adelantado de forma más precisa que los sistemas tradicionales”, cuenta Sánchez González. “GraphCast consigue predecir la trayectoria de huracanes unas 9 horas antes que el mejor modelo hasta el momento”, añade Ferran Alet, investigador del MIT y coautor del artículo: “Y, dado que los huracanes pueden resultar en muchos daños e incluso muertes, tener estas horas extra puede ser crítico para prepararse y minimizar las consecuencias”.
Un atajo sin ecuaciones
Uno de los aspectos más llamativos para el ojo profano es que Google DeepMind no necesita aplicar la física para abordar el problema de la predicción. Como sucede en otros ámbitos, el aprendizaje automático toma los datos, compara los escenarios y llega a conclusiones a partir de miles de simulaciones. “El análisis, como reconocen los autores, no parte de la nada, sino de los datos que han sido generados por el propio modelo del centro europeo”, indica Ernesto Rodríguez Camino, miembro de la Sociedad Meteorológica Europea. “Es un método de fuerza bruta, no usa ecuaciones físicas para resolver cuál es el futuro de la atmósfera, sino una gran base de datos histórica”, subraya José Luis Casado, meteorólogo de AEMET: “Estos datos históricos de 50 años, que se suelen llamar reanálisis, son una mezcla de observación y modelo que ya ha preparado el centro europeo para que tengan mayor calidad”.
Es un método de fuerza bruta, no usa ecuaciones físicas para resolver cuál es el futuro de la atmósfera, sino una gran base de datos histórica
En este sentido, la estrategia que emplea Google se parece al enfoque analógico que debieron afrontar los primeros meteorólogos a finales del siglo XIX, cuando todavía no se habían elaborado las ecuaciones atmosféricas ni se había desarrollado la predicción numérica del tiempo que requería superordenadores. Aquellos pioneros tomaban los mapas con situaciones sinópticas anteriores y trataban de deducir, por comparación, qué escenario se parecía más al que tenían. La inteligencia artificial retoma aquella aproximación, pero con la potencia de las redes neuronales capaces de aprender, esta vez a partir de datos refinados por el filtro de las ecuaciones.
“Una de las grandes ventajas de la inteligencia artificial es que aprende por sí sola a partir de datos”, reconoce Sánchez González, desde Google DeepMind. “Gracias a esto, hemos podido desarrollar este modelo consultando con expertos en meteorología, pero sin que ninguno de los principales desarrolladores del modelo seamos ni mucho menos expertos en ese campo”, asegura. Aprender automáticamente de datos suena a magia, pero es ciencia, insiste. “El aprendizaje automático es una metasolución”, añade Alet, “en GraphCast, pusimos guías muy generales sobre el clima y dejamos al algoritmo que lo aprendiera”.
Más rápido, más potente
Los meteorólogos consultados por elDiario.es coinciden en señalar que los logros anunciados por Google DeepMind están un poco exagerados: no es la primera empresa que afronta este reto, el propio ECMWF ya está incorporando herramientas de “machine learning” y los autores solo comparan los resultados con variables meteorológicas más sencillas que les favorecen. En general, les parece más adecuado decir que los algoritmos han igualado la capacidad actual de los modelos, sobre todo porque hace solo tres años estaban a años luz de este logro. Sin embargo, todos coinciden en que en el medio plazo la inteligencia artificial será una herramienta que refinará las predicciones meteorológicas y las hará más precisas.
“Estos modelos son mucho más rápidos, puedes producir muchas más predicciones en el mismo tiempo”, señala José Luis Casado. Por ejemplo, el centro europeo de predicciones ejecuta 50 escenarios diferentes que pone a correr para calcular las probabilidades de que haya lluvias torrenciales. “Si en uno te sale un fenómeno extremo, sabes que hay una probabilidad de que ocurra, pero es una información útil”, indica. “Estos nuevos modelos de IA permitirían manejar 500 o 1.000 nuevos escenarios, de modo que el meteorólogo tendrá mucha más información y podrá afinar más”, dice. En un caso como el que se vivió con la DANA que atravesó el centro de la península en septiembre de este año, con polémica incluida, no se eliminará la incertidumbre, pero las probabilidades se calcularán con un margen de error mucho más pequeño.
Los propios creadores de GraphCast advierten de que su intención no es sustituir los modelos tradicionales, ni que la IA “mate” al hombre del tiempo (parafraseando la famosa canción). “Creemos que sistemas más rápidos parecidos a GraphCast permitirán en el futuro evaluar no decenas, sino centenas o incluso millares de esos escenarios, y calcular estas probabilidades de forma mucho más precisa que actualmente”, asegura Sánchez González. “Serán herramientas muy útiles a disposición de los expertos en meteorología, y lejos de reemplazar los sistemas actuales, los complementarán para producir mejores resultados”, apunta.
Creemos que estos sistemas permitirán evaluar centenas o incluso millares de escenarios y calcular estas probabilidades de forma mucho más precisa
En el horizonte se perfilan algunos posibles problemas de este sistema, como si sus predicciones a largo plazo serán peores por estar utilizando datos de antes de que se desatara la crisis climática, si introducirá artefactos imposibles por no respetar las leyes de la física (como los generadores de imágenes que dibujan manos de seis dedos), o si convertirá la física atmosférica aún más en una “caja negra” cuyo funcionamiento último se escape a nuestra comprensión.
Incluso así, las ventajas parecen mucho mayores que los inconvenientes. “Todavía se necesitan modelos físicos estándar para proporcionar las estimaciones del clima global que se utilizan inicialmente para entrenar modelos de aprendizaje automático”, reconoce en Nature el científico Mathew Chantry, que trabaja para el ECMWF: “Preveo que pasarán de dos a cinco años antes de que la gente pueda utilizar la previsión a partir de enfoques de aprendizaje automático para tomar decisiones en el mundo real”. “Los mayores centros mundiales meteorológicos incorporarán la IA como una manera de hacerlo más preciso y menos costoso, en términos de tiempo”, aventura Juan Jesús González Alemán, experto en dinámica atmosférica. “Pero la IA no va matar al hombre del tiempo, le va a ayudar a ser más eficiente y afinar más sus predicciones”, anticipa.