?Por qu¨¦ la IA es incapaz de predecir inundaciones como las causadas por la dana en Valencia con antelaci¨®n suficiente?

La inteligencia artificial (IA) es capaz de identificar tumores a partir de miles de im¨¢genes, intervenir de forma precisa en una operaci¨®n quir¨²rgica, descubrir antibi¨®ticos y prote¨ªnas, evaluar comportamientos de mercados u optimizar un proceso industrial, entre otras decenas de usos. Sin embargo, esta habilidad tecnol¨®gica es muy limitada ante fen¨®menos adversos como las riadas, las cat¨¢strofes m¨¢s da?inas tras los terremotos (incluidos tsunamis). Las inundaciones han afectado en dos d¨¦cadas a 2.500 millones de personas, matado a un cuarto de mill¨®n de ellas y causado da?os evaluados en 936.000 millones, seg¨²n la base de datos mundial sobre desastres naturales (EM-DAT) de la Universidad Cat¨®lica de Lovaina (Bruselas). Sin embargo, los desarrollos para predecir y evitar sus efectos a¨²n no son efectivos, a pesar de ser uno de los objetivos de gigantes tecnol¨®gicos e instituciones de todo el mundo. ?Por qu¨¦?

¡°Los modelos clim¨¢ticos existentes no son muy buenos para ciertos fen¨®menos meteorol¨®gicos extremos, que est¨¢n aumentando mucho m¨¢s r¨¢pido en el mundo real en comparaci¨®n con lo que los modelos nos dicen que deber¨ªa suceder. Es importante pronosticar los extremos para que podamos tener alertas tempranas¡±, explica Dim Coumou, experto en climatolog¨ªa de la Universidad de ?msterdam (Pa¨ªses Bajos).

Uno de los obst¨¢culos para pron¨®sticos precisos es la informaci¨®n disponible para entrenar la inteligencia artificial. Aunque existe informaci¨®n de d¨¦cadas, esta puede no ser relevante para entender los fen¨®menos m¨¢s adversos. ¡°Los eventos extremos son, por definici¨®n, raros. As¨ª que no siempre tienes muchas observaciones. Ese es un gran obst¨¢culo si se quieren utilizar m¨¦todos de inteligencia artificial¡±, detalla Coumou en Horizon.

La IA aporta resultados en funci¨®n de patrones observados mediante el an¨¢lisis de una enorme cantidad de datos. Puede identificar un tumor a partir de una imagen si tiene miles m¨¢s para comparar y estas son de calidad y ya avaladas por diagn¨®sticos ciertos. ¡°La IA necesita grandes cantidades de datos de alta calidad para ser ¨²til para la ciencia y las bases de datos que contienen ese tipo de datos son escasas¡±, advierte David Baker, reciente Nobel de Qu¨ªmica por desarrollar sistemas de inteligencia artificial abiertos que crean nuevas prote¨ªnas.

A la falta de datos sobre fen¨®menos raros se suma la dificultad de predecir con exactitud un evento meteorol¨®gico tan din¨¢mico y complejo como una dana (depresi¨®n aislada en niveles altos), que ocasiona fuertes lluvias y tormentas que pueden ser muy localizadas y variables en intensidad. Su comportamiento es err¨¢tico en funci¨®n de m¨²ltiples factores, como las temperaturas del entorno, humedad, presi¨®n, vientos, orograf¨ªa y las interacciones con otros elementos geogr¨¢ficos y atmosf¨¦ricos.

Ni siquiera los datos anticipados con mucho margen de tiempo garantizan un patr¨®n preciso para saber cu¨¢ndo y d¨®nde golpear¨¢ con exactitud. E incluso, aunque estos datos mostraran un modelo fiable de precipitaciones, son insuficientes para despejar las incertidumbres. ¡°Las tormentas muy intensas no provocan da?os autom¨¢ticamente. Hay muchos otros factores en juego¡±, advierte Kevin Collins, profesor de Medio Ambiente y Sistemas de Open University de Reino Unido a Science Media Center.

Coinciden los profesores de la Universidad de Lleida V¨ªctor Resco de Dios y Domingo Molina. ¡°No basta con saber cu¨¢nto y d¨®nde va a llover, sino que tambi¨¦n necesitamos establecer c¨®mo esa lluvia se transformar¨¢ en riadas y cu¨¢les ser¨¢n las zonas potencialmente afectadas¡±, escriben en The Conversation

La fugaz variabilidad de todos los factores implicados, la dispersi¨®n y escasez de datos espec¨ªficos sobre fen¨®menos extraordinarios y la heterog¨¦nea calidad de estos limitan a la inteligencia artificial para identificar un patr¨®n y generar un mecanismo de prevenci¨®n y alerta. Desarrollar un sistema que tuviera una capacidad de antelaci¨®n de tan solo 24 horas, seg¨²n la Comisi¨®n Mundial de Adaptaci¨®n, ¡°reducir¨ªa en un 30% los da?os¡±. Estos, seg¨²n un estudio en Nature communications, se elevan a 143.000 millones de d¨®lares anuales (unos 133.000 millones de euros), m¨¢s que la media registrada por EM-DAT al incluir una evaluaci¨®n de las p¨¦rdidas humanas.

Desarrollar un sistema que tuviera una capacidad de antelaci¨®n de tan solo 24 horas, seg¨²n la Comisi¨®n Mundial de Adaptaci¨®n, reducir¨ªa en un 30% los da?os

De esta forma, la clave no es solo la fiabilidad de la predicci¨®n sino el tiempo de anticipaci¨®n. ¡°Un pron¨®stico, aunque sea preciso, no tiene ning¨²n valor como informaci¨®n si no llega lo suficientemente pronto para reducir significativamente las v¨ªctimas y los da?os a la propiedad causados por las inundaciones repentinas¡±, explica Geon-Wook Hwang, investigador del Instituto Coreano de Ingenier¨ªa Civil y Tecnolog¨ªa de la Construcci¨®n (KICT) que trabaja en un sistema para pronosticar inundaciones.

Pese a las dificultades, gigantes tecnol¨®gicos como Google o IBM, en colaboraci¨®n con la NASA, y otras instituciones europeas y de otros continentes, en el marco del plan quinquenal de las Naciones Unidas, trabajan para desarrollar herramientas de inteligencia artificial que faciliten una predicci¨®n fiable a medio y largo plazo y mejoren los sistemas de alerta temprana.

Google DeepMind, la compa?¨ªa de inteligencia artificial del gigante tecnol¨®gico norteamericano, mostr¨® en Science un modelo de pron¨®stico del tiempo basado en aprendizaje autom¨¢tico para aportar predicciones a 10 d¨ªas ¡°mejores, m¨¢s r¨¢pidas y m¨¢s accesibles que los enfoques existentes¡±, seg¨²n el estudio. El modelo, denominado GraphCast, super¨® a los sistemas tradicionales en el 90% de los casos probados.

El sistema que sirvi¨® de referencia a Google fue el Centro Europeo de Previsiones Meteorol¨®gicas a Medio Plazo (ECMWF por sus siglas en ingl¨¦s), que cuenta en Bolonia (Italia) con una supercomputadora con alrededor de un mill¨®n de procesadores y una potencia de 30 petaflops (30.000 billones de c¨¢lculos por segundo). Este centro, que utiliza la inteligencia artificial en su Sistema Integrado de Previsi¨®n (AIFS) y ofrece pron¨®sticos a largo plazo de eventos clim¨¢ticos, anticip¨® las lluvias torrenciales de septiembre en el centro de Europa.

GraphCast no precisa de estas capacidades y recurre al aprendizaje autom¨¢tico entrenado a partir de datos hist¨®ricos para arrojar un pron¨®stico preciso de 10 d¨ªas en menos de un minuto. ¡°Creemos que esto marca un punto de inflexi¨®n en la predicci¨®n meteorol¨®gica¡±, afirman los autores, dirigidos por Remi Lam, cient¨ªfico de DeepMind.

En esta carrera tambi¨¦n est¨¢ IBM, en colaboraci¨®n con la NASA, con una propuesta, tambi¨¦n de aprendizaje autom¨¢tico. ¡°Los modelos fundacionales de inteligencia artificial que utilizan datos geoespaciales [meteorol¨®gicos, de sensores y de sat¨¦lite] pueden cambiar las reglas del juego porque nos permiten comprender mejor, preparar y abordar los numerosos fen¨®menos relacionados con el clima que afectan a la salud de nuestro planeta de una manera y a una velocidad nunca vistas¡±, explica Alessandro Curioni, vicepresidente de Accelerated Discovery en IBM.

Para Kate Royse, directora del centro brit¨¢nico de supercomputaci¨®n Hartree, estos modelos ¡°permitir¨ªan tomar decisiones m¨¢s inteligentes fundamentadas en la predicci¨®n y gesti¨®n precisas del riesgo de inundaciones, que es fundamental para la planificaci¨®n futura de las ciudades¡±.

¡°Un buen uso de los pron¨®sticos meteorol¨®gicos basados en IA ser¨ªa complementar y mejorar nuestra caja de herramientas de predicci¨®n, tal vez permiti¨¦ndonos producir modelos para una evaluaci¨®n e interpretaci¨®n precisas de la probabilidad de eventos extremos¡±, afirma a Reuters Andrew Charlton-P¨¦rez, profesor de meteorolog¨ªa en la Universidad de Reading en el Reino Unido.

Una propuesta de sistema complementario es el investigan dos centros del consorcio cient¨ªfico alem¨¢n Helmholtz y publicado en Nature Communications. Este modelo combina las previsiones de precipitaci¨®n del servicio meteorol¨®gico con datos sobre la humedad del suelo, uno de los factores cr¨ªticos para el desarrollo de inundaciones, y caudales para pronosticar zonas y profundidades de inundaci¨®n, as¨ª como afectaci¨®n en edificios, calles, tramos ferroviarios, hospitales u otros elementos cr¨ªticos de la infraestructura. ¡°Las autoridades responsables y la poblaci¨®n no solo tienen informaci¨®n sobre un posible nivel de agua 30 kil¨®metros r¨ªo arriba, sino tambi¨¦n un mapa de inundaci¨®n de alta resoluci¨®n que muestra los impactos de la riada. Por ejemplo, podr¨ªan saber d¨®nde podr¨ªan estar en peligro las personas o qui¨¦n tiene que ser evacuado¡±, dice el hidr¨®logo Sergiy Vorogushyn, del Centro Alem¨¢n de Investigaci¨®n en Geociencias y coautor del estudio.