La nueva IA supera a los modelos meteorológicos convencionales
Google DeepMind está causando revuelo con su nueva IA meteorológica GraphCast, y no solo entre los meteorólogos. En algunos casos, supera a los modelos meteorológicos más potentes, y lo hace con una eficacia impresionante. ¿Sustituirá pronto la IA a la predicción meteorológica tradicional?
Investigadores de Google DeepMind presentaron recientemente una nueva IA meteorológica llamada GraphCast en un estudio publicado en la revista Science. Según ellos, puede calcular previsiones a 10 días de muy alta calidad con una eficacia notable. Incluso según los expertos del Centro Europeo de Predicción Meteorológica a Medio Plazo (ECMWF), GraphCast puede pronosticar variables como la temperatura y las precipitaciones mejor que el mejor modelo meteorológico del ECMWF (IFS HRES) hasta en un 90% de los casos. También suele ser posible predecir las trayectorias de los ciclones tropicales con varios días más de antelación que con los modelos meteorológicos convencionales.
GraphCast también consigue varios órdenes de magnitud más de eficiencia, ya que la IA de Google requiere mucha menos potencia de cálculo y, según Google, incluso funciona con un solo procesador. Y, sin embargo, ofrece los resultados mil veces más rápido: una mejora notable. Los investigadores lo describen como un punto de inflexión para la predicción meteorológica.
Los métodos anteriores consumían mucho tiempo
Los modelos numéricos meteorológicos tradicionales suelen ejecutarse en enormes centros de datos, en superordenadores caros y que consumen mucha energía, y a menudo tardan varias horas por cálculo debido a su gran complejidad. Por eso, una mejora de este tipo con ayuda de la IA, como GraphCast, puede suponer un enorme ahorro de costes.
La mejora de los propios modelos numéricos también consume enormes recursos y ocupa muchos campos diferentes de la investigación en meteorología y otras ciencias naturales. Es muy poco probable que la propia investigación básica pierda importancia como consecuencia de ello, ya que también es crucial para la interpretación y comprensión de los modelos y las previsiones. Sin embargo, el uso de modelos de IA también puede conducir probablemente a un mejor uso de los recursos disponibles con respecto al complejo y costoso proceso de optimización de los modelos meteorológicos clásicos.
¿Cómo funciona realmente la IA?
La inteligencia artificial suele referirse a algoritmos que utilizan las llamadas redes neuronales. Éstas constan de muchos nodos, que forman una red muy ramificada similar a las células nerviosas del cerebro humano. Las conexiones entre estos nodos tienen inicialmente el mismo valor, pero se modifican o ponderan mediante el entrenamiento con conjuntos de datos de muestra. De este modo, una red neuronal se entrena para reconocer patrones en grandes conjuntos de datos y luego, por ejemplo, clasificar datos de entrada o derivar predicciones de ellos. Una vez entrenada, la IA puede utilizarse con otros datos y, en función del objetivo, obtener de ellos la información deseada. En principio, esto también es posible con los datos meteorológicos.
Por otra parte, las previsiones meteorológicas convencionales se basan en modelos matemático-físicos perfeccionados durante décadas, que calculan una previsión a partir de un conjunto inicial de datos mediante fórmulas de cálculo muy complejas. Sin embargo, por razones físicas, muchas de estas fórmulas sólo pueden determinarse y aplicarse de manera aproximada. Cuanto más preciso y de mayor resolución (espacial y temporal) debe ser un modelo o una previsión, mayores son los recursos necesarios en los respectivos centros de datos. Gracias a su enfoque completamente diferente, la IA es capaz de sortear parcialmente este problema.
Puntos débiles del enfoque de la IA
Sin embargo, el enfoque completamente diferente de la tecnología de IA también conlleva problemas. Y la IA no es superior a los modelos meteorológicos anteriores en todos los casos. Por ejemplo, en el caso del reciente huracán "Otis", que se produjo de forma muy repentina e inesperada frente a las costas de México, que experimentó una intensificación extrema antes de golpear la costa mexicana cerca de Acapulco con una fuerza destructiva imprevista. En este caso, GraphCast no pudo demostrar ninguna superioridad sobre los modelos meteorológicos convencionales, como ocurrió con algunas tormentas recientes en Europa Central.
Esto podría estar relacionado con el hecho de que, naturalmente, la IA sólo puede entrenarse con datos meteorológicos históricos. En tiempos de aceleración del cambio climático y de cambios fundamentales inminentes o ya iniciados en el sistema climático, esto podría ser una debilidad decisiva. La IA podría subestimar o juzgar de forma completamente errónea los nuevos desarrollos debidos al cambio climático.
¿Puede la IA sustituir a la predicción meteorológica convencional?
En un estudio publicado, los investigadores del Centro de Supercomputación de Jülich consideran teóricamente concebible que la previsión meteorológica tradicional mediante modelos numéricos del tiempo pueda llegar a ser sustituida por completo por enfoques de IA ya en 2021. Sin embargo, esto requeriría grandes avances tecnológicos, en particular la integración de las leyes físicas decisivas en los algoritmos de IA. De este modo, los puntos fuertes de la previsión meteorológica tradicional podrían combinarse con los de la IA y se eliminarían sus anteriores puntos débiles.
Hasta ahora, la IA sólo ha podido complementar los modelos numéricos clásicos o sustituir partes del flujo de trabajo clásico. Hasta que la IA pueda tomar por completo el timón de la previsión meteorológica, la inteligencia humana tendrá que lograr primero algunas proezas en este campo. Los propios investigadores de Google también ven su trabajo hasta ahora sólo como un complemento de los modelos existentes. Por tanto, la IA aún no es la panacea para los problemas existentes en la previsión meteorológica, pero la velocidad de desarrollo es notable.
Fuente: www.ntv.de
