Bloomberg — Cuando en julio el huracán Beryl se precipitó sobre la cuenca atlántica, la herramienta de previsión meteorológica creada por Google Deepmind, la unidad de IA de la compañía tecnológica, detectó algo que otros modelos no vieron.
Su programa, GraphCast, predecía que la tormenta giraría de repente desde el sur de México hacia el sur de Texas, aproximadamente una semana antes de lo que pronosticaban las estimaciones convencionales, y acertó.
Esta sorprendente predicción muestra lo promisorios que pueden ser los nuevos modelos meteorológicos impulsados por la inteligencia artificial en el marco de una devastadora temporada de huracanes en la que también se registraron los huracanes Helene y Milton.
Lea más: Solicitudes de subsidio de desempleo en EE.UU. caen en medio de la volatilidad de los huracanes
Ahora que la temporada está llegando a su fin, las agencias meteorológicas y las compañías tecnológicas están examinando cómo se comportan estos nuevos modelos frente a los convencionales.
Las primeras conclusiones apuntan a que la inteligencia artificial puede realizar predicciones muy precisas, aunque todavía es necesario que los modelos mejoren su destreza con otras mediciones.
Los científicos han hecho progresos increíbles usando modelos basados en la física para predecir tormentas. En el año 1970, las predicciones de la trayectoria de los huracanes a tres días se desviaban una media de 520 millas. Hoy en día, es solo una décima parte.
Las previsiones a cuatro y cinco días no empezaron a realizarse hasta después del año 2000 y también han progresado espectacularmente en los veinte últimos años. Sin embargo, el fenomenal ritmo de mejora de los modelos basados en la física se está ralentizando, al mismo tiempo que se acelera el cambio climático.
“Cada vez resulta más complejo avanzar en este campo”, afirmó Rémi Lam, científico investigador de Google DeepMind.
La proyección de Beryl es solo un ejemplo reciente de cómo la IA está ampliando los límites de la previsión de huracanes.
Un análisis presentado esta semana en una conferencia sobre mejora de la previsión de huracanes en Miami analizó el rendimiento de GraphCast entre 2021 y 2024. Superó a los modelos convencionales en las cuencas de huracanes del Atlántico y el Pacífico durante los primeros cinco días de una tormenta, dijo Ferran Alet, científico investigador de Google DeepMind. Sus previsiones dieron acertaron 12 horas más rápido que el Sistema de Previsión Meteorológica Global de EE.UU.
Lea más: ¿Cómo contribuye el cambio climático a la peligrosa trayectoria de los huracanes?
Otro modelo impulsado por IA del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF, por sus siglas en inglés) proyectó que el huracán Francine afectaría Luisiana 10 días antes, mucho antes que la mayoría de los otros modelos.
Si bien son buenos para trazar gráficos sobre dónde se desplazarán las tormentas, los modelos son algo ciegos a otros elementos críticos, en particular la intensidad. GraphCast está entrenado para resolver predicciones conflictivas promediando las mismas, lo que tiende a subestimar la velocidad del viento.
Se desalienta a las IA a cometer errores, dijo Ryan Keisler, autor de un artículo de 2022 al que se le atribuye el impulso a los recientes avances en investigación, por lo que comúnmente pronostican estimaciones de intensidad del viento más bajas en lugar de devolver resultados más altos, más raros y potencialmente erróneos.
Pero los beneficios de la IA son cada vez más claros, más allá incluso de la precisión de sus pronósticos.
GraphCast puede generar una predicción meteorológica de 10 días en menos de un minuto en una máquina que, según Lam, es “más grande que una computadora portátil, pero que se puede sostener en las manos”.
En comparación, los modelos estándar pueden tardar aproximadamente una hora en hacer lo mismo en una supercomputadora. GraphCast también ha funcionado con una precisión un 90% mayor que el modelo estándar basado en la física elaborado por el ECMWF, considerado el estándar de oro.
El enfoque de DeepMind ha demostrado ser tan convincente que el ECMWF lo ha tomado prestado para producir su propio modelo de IA, que ya supera al modelo convencional del grupo.
La IA meteorológica del gigante de la informática avanzada NVIDIA se llama FourCastNet. Pertenece a un conjunto más amplio de herramientas disponibles en la plataforma Earth-2 de la empresa, que se presenta como un “gemelo digital climático” del tercer planeta desde el Sol. El proyecto Pangu-Weather de Huawei también supera el estándar europeo de mediano alcance en las variables probadas, y FuXi de la Universidad de Fudan lo supera en los pronósticos de 15 días.
Los modelos meteorológicos más importantes, como el del ECMWF y el de la Administración Nacional Oceánica y Atmosférica de Estados Unidos, son enormes catálogos de ecuaciones físicas que rigen la atmósfera. En comparación, los modelos de IA no conocen la física.
Lea más: ¿Qué es lo que hace que un huracán sea categoría 5?
En cambio, comienzan con una red neuronal u otra plataforma de aprendizaje y se alimentan con datos de entrenamiento, muchos de ellos para cada punto del planeta. Muchos se basan en la base de datos de simulación meteorológica histórica del ECMWF y también en observaciones.
El ECMWF espera utilizar su modelo en operaciones de previsión meteorológica general el año próximo, pero seguirá habiendo barreras basadas en la física.
“No estamos pensando en apagar el sistema físico”, dijo Matthew Chantry, coordinador de aprendizaje automático del ECMWF. “Estamos buscando ejecutar dos sistemas que, por el momento, tienen sus propias fortalezas y debilidades”.
En última instancia, los investigadores quieren que sus productos de IA ayuden a los meteorólogos a emitir pronósticos que puedan proteger mejor las vidas y las propiedades. Los asistentes a as conversaciones sobre el clima de la COP29 en Bakú, Azerbaiyán, también están debatiendo formas en que la IA puede ayudar a lidiar con el cambio climático, lo que marca un cambio con respecto a las discusiones habituales en torno a las emisiones de la IA.
Amy McGovern, experta en clima e inteligencia artificial de la Universidad de Oklahoma, forma parte de una iniciativa para garantizar que los productos puedan probarse en comparación con puntos de referencia comunes, un ejercicio clave para generar confianza.
“Extreme Weather Bench” es el nombre de un sistema que está desarrollando para hacer precisamente eso como parte de la startup Brightband , donde ella es la principal estratega en IA y meteorología y Keisler trabaja como científico jefe.
Cuando la plataforma se lance a principios del próximo año, espera que proporcione una biblioteca estandarizada y de código abierto de eventos climáticos extremos pasados, donde las personas puedan probar cómo se desempeñan los modelos de IA entre sí.
“Estamos tratando de asegurarnos realmente de que lo que generamos sea confiable”, dijo McGovern, y de descubrir “lo que significa ser confiable”.
Lea más en Bloomberg.com
