Los expertos lo confirman: “La IA todavía tropieza al predecir la intensidad real de los huracanes"
La inteligencia artificial transformó la predicción meteorológica. Sus modelos globales generan pronósticos que igualan en precisión a los mejores sistemas tradicionales basados en la física.
- Te puede interesar | 5 enfermedades mortales que pueden surgir tras el impacto de un huracán
El progreso en la predicción meteorológica aplicando IA se debe a 3 factores: disposición de enormes cantidades de datos meteorológicos, importantes avances en los modelos de IA y una capacidad de cálculo sin precedentes. El debate se centra en mejorar la IA para la predicción meteorológica mediante nuevos modelos o hardware, pero para estos modelos los datos son cruciales.
La inteligencia artificial se ha beneficiado a escala global de décadas de registros meteorológicos que abarcan todo el planeta. Son conjuntos de datos que contienen millones de ejemplos de cómo evolucionan las condiciones con el tiempo y en las diferentes situaciones atmosféricas, lo que permite a los modelos de IA aprender patrones de una manera que hace tan sólo una década habría sido imposible.
La escala regional de las predicciones meteorológicas
El mundo ha experimentado una rápida intensificación de un gran número de huracanes, que han pasado en cuestión de horas de ser tormentas relativamente débiles a huracanes destructivos. Un ejemplo es el huracán Polo, que se intensificó rápidamente de tormenta tropical a huracán de categoría 5 en 24 h frente a la costa del Pacífico mexicano el pasado 21 de septiembre, con vientos de 290 km/h.
Las predicciones meteorológicas a escala global no son uniformes, sin embargo, los pronósticos de intensidad de huracanes se suelen considerar un problema de predicción regional, relacionada con eventos extremos: lluvias torrenciales, tormentas severas o turbonadas.
Estos eventos extremos suelen desarrollarse de una forma muy rápida o se desplazan con rapidez en cortos periodos de tiempo. El problema es la captura de este comportamiento con los modelos de IA, porque la detección de estos patrones de comportamiento requiere de datos con mucho mayor detalle del que suelen proporcionar los conjuntos de datos globales actuales.
Dos fuentes de datos
Las predicciones con IA están basadas fundamentalmente en dos fuentes de información:
- Observaciones: directas y detalladas, pero suelen limitarse a regiones costeras y su distribución es irregular, mientras que muchas de las etapas más importantes del desarrollo de los huracanes ocurren en mar abierto, donde estas observaciones son escasas. Los satélites modernos pueden ayudar a cubrir algunas de estas mediciones, pero no pueden escanear simultáneamente la estructura tridimensional completa de todos los huracanes del planeta.
- Simulaciones de modelos meteorológicos: combinan condiciones atmosféricas y conocimiento de la física para proporcionar la imagen tridimensional más completa de la atmósfera en alta resolución. Estos datos simulados tampoco son perfectos, porque todos los modelos informáticos contienen aproximaciones e incertidumbres derivadas del conocimiento incompleto de la atmósfera terrestre, y existen procesos a pequeña escala que las simulaciones de los modelos no capturan.
En consecuencia, no se dispone actualmente de un conjunto de datos tridimensional completo y de buena calidad para entrenar un modelo de IA para la predicción de la intensidad de los huracanes.
Un problema añadido: el caos
Si los científicos en un futuro pudieran medir la totalidad de una tormenta cada segundo, para miles de tormentas en todo el mundo, es posible que la IA no pudiera predecir la intensidad de un huracán con total precisión. El motivo sería el caos, o pequeñas diferencias en el estado inicial de un huracán que pueden crecer rápidamente con el tiempo.
La intensidad de un huracán puede aumentar por el agua cálida del océano, o puede ralentizar su desarrollo por la cizalladura del viento. Si la temperatura del océano aumenta, la intensidad potencial del huracán también y cualquier pequeña perturbación provocará fluctuaciones en la intensidad del huracán. Así, cuanto más cálida esté la superficie del océano, mayores serán las fluctuaciones.
Estas fluctuaciones no son sólo aleatorias, ocurren dentro de lo que se conoce como un atractor caótico: un conjunto de posibles estados de tormenta dentro de los cuales, el huracán puede evolucionar de forma impredecible, planteando un dilema fundamental para el entrenamiento de modelos de IA.
Objetivos de los modelos de IA
Los científicos buscan que los modelos de IA realicen predicciones lo más precisas posible, así que el objetivo durante el entrenamiento es minimizar la diferencia entre el pronóstico y lo que realmente sucede hasta que el modelo de IA alcance el menor error posible.
También se busca que el modelo de IA capture el caos intrínseco del huracán. Sin embargo, si un modelo de IA puede capturar este caos, su error no podrá reducirse indefinidamente.
Además, dado que los datos siempre tienen cierta incertidumbre, las reglas que aprende un modelo de IA son solo aproximadas. Por tanto, la precisión de los pronósticos sobre la intensidad de los huracanes empeorará en tan solo unos días.
¿Cómo se pueden mejorar las predicciones de huracanes?
El desafío para los modelos de IA no se limita a obtener más datos, desarrollar mejores redes neuronales o implementar computadoras más rápidas, sino en comprender el comportamiento de los huracanes y cómo surge la variabilidad en su intensidad.
Ambos factores determinan si los modelos de IA pueden aprender qué es predecible y qué es impredecible. Esta distinción está limitando la precisión de nuestras predicciones actuales de intensidad de huracanes, y definirá la próxima generación de sistemas de predicción y evaluación meteorológica, que deberían centrarse en un rango de posibles intensidades de huracanes y probabilidades de ocurrencia, en lugar de un único valor numérico.