La inteligencia artificial de Google predice el tiempo que har¨¢ en el planeta en solo un minuto

Hace a?os que la inteligencia artificial va descabalgando a sus creadores, los humanos, de sucesivos tronos. Le tocaba el turno a la meteorolog¨ªa, una de las mayores creaciones humanas desde que los augures romanos y antes le abr¨ªan las tripas a alg¨²n animal para saber si era el momento id¨®neo para sembrar o si la ma?ana siguiente ser¨ªa propicia para la guerra. Las predicciones meteorol¨®gicas actuales se hacen con modelos muy complejos basados en las leyes que gobiernan la din¨¢mica de la atm¨®sfera y los oc¨¦anos y corri¨¦ndolos sobre algunos de los superordenadores m¨¢s potentes del mundo. Ahora,...

Hace a?os que la inteligencia artificial va descabalgando a sus creadores, los humanos, de sucesivos tronos. Le tocaba el turno a la meteorolog¨ªa, una de las mayores creaciones humanas desde que los augures romanos y antes le abr¨ªan las tripas a alg¨²n animal para saber si era el momento id¨®neo para sembrar o si la ma?ana siguiente ser¨ªa propicia para la guerra. Las predicciones meteorol¨®gicas actuales se hacen con modelos muy complejos basados en las leyes que gobiernan la din¨¢mica de la atm¨®sfera y los oc¨¦anos y corri¨¦ndolos sobre algunos de los superordenadores m¨¢s potentes del mundo. Ahora, Alphabet (la matriz de Google), con una ¨²nica m¨¢quina del tama?o de un ordenador personal y la inteligencia artificial de DeepMind, predice en un minuto el tiempo que har¨¢ en todo el planeta dentro de 10 d¨ªas. Y lo hace superando en casi todo al m¨¢s moderno de los sistemas de predicci¨®n meteorol¨®gica. Sin embargo, esta vez parece que la inteligencia artificial viene a complementar a la humana m¨¢s que a reemplazarla.

El Centro Europeo de Previsiones Meteorol¨®gicas a Medio Plazo (ECMWF por sus siglas en ingl¨¦s) tiene ese sistema tan avanzado. El a?o pasado renov¨® su m¨²sculo predictor. En sus instalaciones de Bolonia (Italia) trabaja una supercomputadora con alrededor de un mill¨®n de procesadores (frente a los dos o cuatro de un ordenador personal) y una potencia de c¨¢lculo de 30 petaflops, algo as¨ª como 30.000 billones de c¨¢lculos por segundo. Y necesita tantas flops para que una de sus herramientas, el Pron¨®stico de Alta Resoluci¨®n (HRES, en ingl¨¦s) prediga, como hace y con gran precisi¨®n, el tiempo en todo el planeta a medio plazo, generalmente a 10 d¨ªas, y hacerlo con una resoluci¨®n espacial de nueve kil¨®metros. De ah¨ª salen las predicciones que cuentan los hombres y mujeres del tiempo de medio planeta. A ese Goliat se ha medido GraphCast, la inteligencia artificial de Google DeepMind para la predicci¨®n meteorol¨®gica.

Los resultados de la comparaci¨®n, publicados hoy martes en la revista Science, muestran que GraphCast predice igual o mejor que HRES centenares de variables meteorol¨®gicas. Seg¨²n muestran, en el 90,3% de 1.380 m¨¦tricas consideradas, la m¨¢quina de Google supera al maquin¨®n del ECMWF. Si se descartan los datos referidos a la estratosfera, unos 6-8 kil¨®metros cielo arriba, y el an¨¢lisis se limita a los de la troposfera, la capa atmosf¨¦rica donde suceden los eventos meteorol¨®gicos m¨¢s cercanos, la inteligencia artificial (IA) supera a la supercomputaci¨®n supervisada por humanos en el 99,7% de las variables analizadas. Y lo ha logrado con una m¨¢quina muy parecida a un ordenador personal llamada unidad de procesamiento tensorial, o TPU.

Una vez entrenado, cada predicci¨®n se puede hacer en menos de un minuto utilizando una sola TPU, [m¨¢quina] mucho m¨¢s eficiente que un PC normal, pero con un tama?o parecido¡±

?lvaro S¨¢nchez Gonz¨¢lez, investigador de DeepMind y cocreador de GraphCast

¡°Las TPUs son hardware especializado para entrenar y ejecutar software de inteligencia artificial de forma mucho m¨¢s eficiente que un PC normal, pero con un tama?o parecido¡±, explica el investigador de Google DeepMind, ?lvaro S¨¢nchez Gonz¨¢lez. ¡°De la misma forma que la tarjeta gr¨¢fica del ordenador (tambi¨¦n conocida como GPU) est¨¢ especializada en renderizar im¨¢genes, las TPUs est¨¢n especializadas en realizar productos de matrices. Para entrenar GraphCast utilizamos 32 de estas TPUs durante varias semanas. Sin embargo, una vez entrenado, cada predicci¨®n se puede hacer en menos de un minuto utilizando una sola TPU¡±, detalla S¨¢nchez Gonz¨¢lez, uno de los creadores del ingenio.

Una de las grandes diferencias de GraphCast con los sistemas de predicciones actuales es que se apoya en la historia del tiempo. Sus creadores la entrenaron con todos los datos meteorol¨®gicos que guarda el archivo del ECMWF desde 1979. Eso incluye tanto las lluvias ca¨ªdas en Santiago desde entonces hasta los ciclones que han arribado a Acapulco en 40 a?os. Les llev¨® su tiempo entrenarla, pero ya hecho, GraphCast solo necesita saber el tiempo que hizo hace seis horas y el que hace justo antes de emitir su nueva predicci¨®n, para saber en un segundo el tiempo que har¨¢ dentro de otras seis horas. Y cada nueva predicci¨®n se retroalimenta con la anterior.

Ferran Alet, tambi¨¦n de DeepMind y cocreador de la m¨¢quina, detalla c¨®mo funciona: ¡°Nuestra red neuronal predice el clima seis horas en el futuro. Si queremos predecir el clima en 24 horas, simplemente evaluamos el modelo 4 veces. Otra opci¨®n habr¨ªa sido entrenar distintos modelos, uno para 6 horas, otro para 24 horas. Pero sabemos que la f¨ªsica dentro de 6 horas ser¨¢ la misma que ahora. Por lo tanto, sabemos que si encontramos el modelo de 6 horas correcto y le damos sus propias predicciones como entrada, nos deber¨ªa predecir el clima de aqu¨ª a 12 horas y podemos repetir el proceso cada seis horas¡±. Esto les da ¡°muchos m¨¢s datos para un solo modelo, haciendo que entrene m¨¢s eficientemente¡±, termina Alet.

Hasta ahora, los pron¨®sticos se han basado en la llamada predicci¨®n meteorol¨®gica num¨¦rica, que usa ecuaciones f¨ªsicas aportadas por la ciencia a lo largo de su historia para responder los distintos procesos que componen un sistema tan complejo como es la din¨¢mica de la atm¨®sfera. Con sus resultados se definen una serie de algoritmos matem¨¢ticos que son los que tienen que ejecutar las supercomputadoras para, en minutos, tener la predicci¨®n para las pr¨®ximas horas, d¨ªas o semanas (aunque tambi¨¦n las hay a un plazo mayor, la fiabilidad desciende dram¨¢ticamente a partir de los 15 d¨ªas). Para hacer todo eso, la supercomputadora debe ser muy s¨²per, algo que significa un enorme coste y mucho trabajo de ingenier¨ªa. Lo llamativo quiz¨¢ es que estos sistemas no aprovechan el tiempo que hizo ayer o el a?o pasado en el mismo sitio y a la misma hora. GraphCast lo hace de otra manera, casi al rev¨¦s, Su aprendizaje profundo aprovecha d¨¦cadas de datos meteorol¨®gicos hist¨®ricos para aprender un modelo de las relaciones de causa y efecto que gobiernan la evoluci¨®n del tiempo meteorol¨®gico de la Tierra.

Jos¨¦ Luis Casado, portavoz de Agencia Espa?ola de Meteorolog¨ªa (AEMET) explica por qu¨¦ se prescinde de los datos hist¨®ricos: ¡°El modelo atmosf¨¦rico utiliza las observaciones disponibles y la predicci¨®n inmediatamente anterior del propio modelo: si se conoce bien el estado actual de la atm¨®sfera, se puede predecir su evoluci¨®n futura. No usa predicciones o datos hist¨®ricos, al contrario que los m¨¦todos de machine learning.

¡°La importancia del trabajo de DeepMind est¨¢ en que demuestra que se puede incluso mejorar la precisi¨®n predictiva de los modelos tradicionales mediante inteligencia artificial¡±

Ignacio L¨®pez G¨®mez, cient¨ªfico clim¨¢tico de Google Research

Desde la sede de Google Research, en California (Estados Unidos) el investigador Ignacio L¨®pez G¨®mez idea sistemas de predicci¨®n meteorol¨®gica apoyados en datos masivos. A comienzos de a?o publicaba su ¨²ltimo trabajo en el que usa inteligencia artificial para predecir las olas de calor. Aunque conoce a varios de los creadores de GraphCast, no ha participado en su dise?o y sus c¨¢lculos. ¡°La importancia del trabajo de DeepMind y de otros similares (como el reciente sistema Pangu-Weather dise?ado por cient¨ªficos chinos) est¨¢ en que demuestran que se puede alcanzar o incluso mejorar la precisi¨®n predictiva de los modelos tradicionales mediante inteligencia artificial¡± L¨®pez reconoce que los modelos de IA son costosos de entrenar, pero pueden realizar predicciones meteorol¨®gicas mucho m¨¢s eficientemente una vez entrenados. ¡°En vez de requerir superordenadores, las predicciones basadas en inteligencia artificial se pueden realizar incluso en ordenadores personales en un tiempo razonable¡±.

El ECMWF ha tomado nota y ya est¨¢ desarrollando su propio sistema de predicci¨®n basado en la IA. En octubre anunciaron que ya ten¨ªa su primera versi¨®n alfa de su AIFS (o Artificial Intelligence/Integrated Forecasting System). ¡°Se basa en el mismo m¨¦todo que el de Google¡±, dice Casado, de la AEMET. ¡°Aunque el AIFS no es un sistema completamente operativo, supone un gran paso adelante¡±, a?ade. Como conclu¨ªan los creadores de GraphCast en su art¨ªculo cient¨ªfico, la IA no viene a sustituir al ingenio humano y menos a ¡°unos m¨¦todos tradicionales de predicci¨®n meteorol¨®gica desarrollados durante d¨¦cadas, rigurosamente testados en muchos contextos del mundo real¡±. De hecho, el ECMWF colabor¨® activamente con Google, facilit¨¢ndole el acceso a los datos y apoy¨¢ndolos para este proyecto. Como termina Casado, ¡°los modelos tradicionales basados en ecuaciones f¨ªsicas y los nuevos modelos de machine learning basados en datos podr¨ªan ser complementarios¡±.

Puedes seguir a MATERIA en Facebook, X e Instagram, o apuntarte aqu¨ª para recibir nuestra newsletter semanal.