El pronóstico del clima basado en física de la vieja escuela y los nuevos modelos de IA suelen perder fiabilidad después de dos semanas, un problema que Microsoft afirma haber resuelto utilizando aprendizaje automático.
Los investigadores de la empresa dicen que han encontrado una nueva forma económica de hacer pronósticos meteorológicos más precisos con dos a seis semanas de anticipación, lo que permite que los agricultores y los respondedores de emergencia planifiquen con mayor certeza. Los hallazgos fueron publicados hoy en la revista Nature, y la herramienta es ahora software de código abierto.
Microsoft se une a Google, Nvidia y otras compañías que desarrollan herramientas de IA para la predicción del clima. En lugar de crear un nuevo modelo de clima independiente, la última investigación de Microsoft en este campo utiliza el aprendizaje automático para corregir los sesgos en los modelos existentes. Los investigadores esperan que esta sea una forma más accesible para las agencias meteorológicas con recursos limitados de mejorar la precisión mediante la IA.
Es una forma más accesible para las agencias meteorológicas con recursos limitados mejorar la precisión utilizando IA
Mientras que el modelado basado en física es una tarea que requiere muchos recursos y se ejecuta en supercomputadores, la inteligencia artificial generativa depende de GPU poderosas, Lester Mackey, investigador principal senior en Microsoft Research New England, dice que la nueva herramienta puede ejecutarse únicamente con CPUs. “Tengo mucha esperanza tanto en la mayor eficiencia de los recursos en la previsión meteorológica como en la mayor fiabilidad de las predicciones, especialmente para condiciones climáticas extremas”, dice Mackey a The Verge.
Los modelos basados en física y en inteligencia artificial se enfrentan a problemas similares cuando comienzan a predecir el clima dos semanas o más de antelación. Los modelos tradicionales intentan simular la compleja física de la atmósfera terrestre, mientras que los modelos de IA buscan patrones en datos históricos para hacer pronósticos. En ambos enfoques, los modelos dependen de aproximaciones para llenar las lagunas de datos, ya sea debido a regiones con estaciones meteorológicas escasas o a fenómenos atmosféricos complejos que los científicos todavía están tratando de entender. Las formas en que estos modelos compensan esas brechas en los datos pueden convertirse en una especie de sesgo sistemático. Los errores resultantes se acumulan al hacer predicciones a mayor distancia en el tiempo, lo que hace que estas predicciones se vuelvan menos precisas.
Microsoft llama a su método Probabilistic Bias Correction (PBC). La herramienta utiliza el aprendizaje automático para identificar el sesgo sistemático en un modelo y realizar correcciones. Un ejemplo que Mackey da es corregir los cambios climáticos. Las emisiones de gases de efecto invernadero provenientes de combustibles fósiles están calentando el planeta, pero un modelo meteorológico puede hacer predicciones basadas en registros históricos que pueden influir en él hacia temperaturas más frías de las que el mundo está experimentando hoy.
Los investigadores descubrieron que el PBC mejoró la precisión del modelo meteorológico basado en física líder del Centro Europeo de Predicciones Meteorológicas de Mediano Alcance (ECMWF), en el 98 por ciento de los objetivos de precipitación y en el 92 por ciento de los objetivos de temperatura. El marco de aprendizaje automático también duplicó la precisión del nuevo sistema de predicción de IA del ECMWF en el análisis del estudio. Antes de la publicación del artículo, el ECMWF ya había otorgado a los autores el premio por su investigación sobre el PBC en su competencia AI Weather Quest.
El nuevo artículo sobre PBC publicado por investigadores de Microsoft, MIT, ECMWF y otras instituciones “es un buen ejemplo de las nuevas ideas que se están desarrollando en beneficio y consideración de la comunidad”, dijo Matthew Chantry, líder estratégico de aprendizaje automático en ECMWF, en un comentario por correo electrónico para The Verge.
“Como siempre, convertir ideas en realidad [en] un proceso operativo es un paso muy desafiante”, añadió Chantry.
La cantidad de computación e infraestructura necesaria para la predicción meteorológica a menudo hace que los avances tecnológicos estén fuera del alcance de muchas agencias en países en desarrollo económico. Sin embargo, los autores del artículo creen que PBC puede ser diferente. “Una de las cosas que me resultan realmente emocionantes sobre modelos como el PBC es lo ligeros que son y lo fácil que es entrenarlos. De esta manera, científicos que no disponen de grandes recursos pueden trabajar en configurar estos modelos y hacer que funcionen mejor en ciertas áreas”, dice Genevieve Flaspohler, una de las autoras del artículo.
Flaspohler trabajó en PBC como pasante en Microsoft junto con Mackey, y ahora es la directora ejecutiva de la organización sin fines de lucro Rhiza Research, que colabora con la Autoridad del Servicio Meteorológico de Kenia — con financiamiento de la Fundación Gates — para ver si la IA puede ayudar a transmitir advertencias tempranas más precisas a las personas. PBC es uno de los métodos que están probando, en preparación para una temporada de lluvias más extrema durante un El Niño récord.
Siga los temas y autores de esta historia para ver más contenido similar en su carrusel de la página principal personalizada, y para recibir actualizaciones por correo electrónico.