La IA revoluciona la investigación climática con modelos predictivos avanzados y precisos

La aplicación de la inteligencia artificial (IA) está proporcionando un impulso decisivo a diversos proyectos de investigación climática, especialmente en un contexto marcado por el aumento de fenómenos meteorológicos extremos y la reducción de fondos destinados a la ciencia, tanto en Estados Unidos (EEUU) como en otros países.

A pesar de las críticas que enfrenta la IA generativa por el elevado consumo energético que implica el entrenamiento y funcionamiento de modelos avanzados, esta tecnología ofrece un potencial significativo para acelerar el progreso científico.

“Es un gigantesco paso adelante”, señala Ángel Borja, biólogo del centro de investigación marina AZTI, ubicado en el norte de España.

“Nos permitirá procesar datos y obtener resultados mucho más rápido, de modo que las personas que toman decisiones también podrán actuar con mayor rapidez”, añade.

Actualmente, los investigadores están optimizando modelos de IA ya existentes y desarrollando nuevos algoritmos capaces de ejecutar tareas rutinarias que, tradicionalmente, requerirían semanas o incluso meses de trabajo humano.

Debido a estos avances, los datos obtenidos en expediciones científicas, desde las profundidades oceánicas hasta las regiones más remotas de la Antártida, pueden ser clasificados en cuestión de horas.

No obstante, expertos advierten sobre los riesgos asociados al uso de IA generativa. Jonathan Foley, director ejecutivo del Proyecto Drawdown, subraya que las técnicas de aprendizaje automático deben considerarse herramientas complementarias, sin reemplazar el pensamiento crítico, la redacción ni el análisis humano.

Científicos trabajan para entender el clima pasado y futuro

La organización, que utiliza datos científicos para ofrecer orientación sobre soluciones climáticas, ha limitado el uso de asistentes de IA a tareas sencillas como la comprobación de la gramática, el formateo de documentos y el raspado de información de fuentes dispersas.

“Por definición, la IA generativa se basa en el plagio (aunque sea en un sentido estadístico) y a menudo fabrica información, citas, datos y contenido creativo”, afirmó Foley.

Pero eso no ha impedido que otros investigadores sigan adelante. He aquí tres ejemplos.

“Llegar a conclusiones más rápidamente"

Borja recuerda cómo recopilaba datos manualmente y llenaba bases de datos con cientos de mediciones cuando empezó a realizar trabajos científicos hace 45 años. El auge de los ordenadores e Internet ayudó a acelerar parte de ese trabajo. Pero el crecimiento de la IA en los últimos tres o cuatro años se ha sentido como algo completamente diferente y más transformador, dijo.

“A mis colegas más jóvenes les preocupa que la IA les robe el trabajo, que nos haga innecesarios”, dijo. “Es al revés: Estamos avanzando tanto porque la IA está haciendo un trabajo rutinario que nos lleva muchas horas, y podremos centrarnos en interpretar esos datos.”

La IA está llamada a turboalimentar lo que el centro puede ofrecer a los responsables políticos, dijo Borja, permitiéndoles tomar decisiones más informadas.

Los científicos del AZTI colaboran estrechamente con los responsables políticos para, entre otras cosas, establecer cuotas de pesca y crear zonas marinas protegidas.

Los investigadores del ATZI han empezado a alimentar un modelo de inteligencia artificial con millones de puntos de datos recopilados a lo largo de tres décadas. Los datos incluyen desde la calidad del agua hasta la presencia de distintos tipos de peces y plancton.

A continuación, el modelo produce notas de investigación que indican a los científicos qué información hay en la base de datos y cómo está estructurada, lo que permite a los investigadores decidir más fácilmente qué conjuntos de datos utilizar para sus investigaciones.

El centro también está utilizando vídeos y fotografías de expediciones de investigación para entrenar a otro modelo en el reconocimiento de distintos tipos de peces y vida marina. Esta tarea requiere actualmente que los científicos vean cientos de horas de vídeos submarinos y registren manualmente qué especies aparecen, dónde, con qué frecuencia y cuán abundantes son.

“Nos permitirá llegar a conclusiones más rápidas sobre el estado del medio marino en determinados lugares”, afirmó Borja. “Espero que en los próximos cinco años veamos una explosión de aplicaciones de la IA en campos científicos y de formas que ahora mismo ni siquiera puedo imaginar”.

La previsión meteorológica 

Algunos modelos impulsados por la IA ya están superando a los sistemas de previsión convencionales. Aurora, de Microsoft Inc (MSFT), se ha entrenado con más de un millón de horas de datos geofísicos diversos.

En el 91% de los objetivos establecidos por sus creadores, es más preciso que el modelo tradicional del Centro Europeo de Previsiones Meteorológicas a Plazo Medio y que el modelo de IA GraphCast de Google DeepMind.

Es capaz de predecir, entre otras cosas, la calidad del aire, las olas y las trayectorias de los ciclones tropicales, según un artículo de investigación escrito por empleados de Microsoft Research en la edición de mayo de Nature. Aurora puede realizar estas tareas a una fracción del coste computacional en comparación con los modelos tradicionales, afirmaron.

“Los modelos de IA como Aurora pueden permitir a los científicos del clima explorar cientos de veces más escenarios de los que pueden hoy en día, ayudando a desvelar nuevos conocimientos a escala”, afirmó un portavoz de Microsoft Research.

Los modelos de IA son algo así como una caja negra en comparación con sus homólogos meteorológicos tradicionales, lo que preocupa a algunos meteorólogos. Pero la información meteorológica de alta calidad es el primer paso para establecer sistemas de alerta que den tiempo a la gente para encontrar refugio cuando se produzcan fenómenos extremos.

Reciben ayuda de la IA

La combinación de humanos e IA puede proporcionar los mejores resultados para la investigación científica, según un artículo publicado el año pasado en Citizen Science: Theory and Practice.

El autor principal, Nirwan Sharma, informático de la Open University del Reino Unido, empezó a utilizar la generación de lenguaje natural -un nombre temprano para lo que ahora se conoce como IA generativa- en 2010 para un proyecto de ciencia ciudadana.

“Portero sintético”: la IA que anticipa penaltis mejor que los profesionales

Se animó a la gente a enviar a Sharma y a sus co-investigadores fotografías de abejorros mientras paseaban por el bosque o trabajaban en sus jardines. La IA identificaría entonces cuál de las 22 especies de abejas del Reino Unido habían avistado, y los investigadores verificarían el trabajo de la IA.

Por último, los científicos ciudadanos recibirían un correo electrónico automatizado agradeciéndoles su contribución y revelándoles el tipo de abeja que habían fotografiado.

El modelo, una asociación entre la Universidad de Aberdeen y el Bumblebee Conservation Trust, identificó correctamente las especies aproximadamente la mitad de las veces, una tasa a la par de los usuarios humanos sin formación. Inicialmente, se necesitaron unas 10 personas para identificar correctamente el tipo de abeja. A medida que el modelo aprendía más, ayudó a reducir el número de personas necesarias a tan sólo tres.

Utilizando la gran cantidad de fotografías recopiladas a lo largo de los años, los investigadores entrenaron al modelo para identificar las plantas en las que se fotografiaba a las abejas, lo que le permitió ofrecer recomendaciones de plantación en función de los tipos de abejas que los científicos ciudadanos querían atraer.

“Gran parte de los conocimientos sobre cómo identificar especies están embotellados en revistas científicas o en lugares de muy difícil acceso para la gente”, dijo Sharma. “La IA es otra pieza para mejorar nuestro aprendizaje: es un medio para dialogar con ese conocimiento”.

Con información de Bloomberg