Hace años que la inteligencia artificial va descabalgando a sus creadores, los humanos, de sucesivos tronos. Le tocaba el turno a la meteorología, una de las mayores creaciones humanas desde que los augures romanos y antes le abrían las tripas a algún animal para saber si era el momento idóneo para sembrar o si la mañana siguiente sería propicia para la guerra. Las predicciones meteorológicas actuales se hacen con modelos muy complejos basados en las leyes que gobiernan la dinámica de la atmósfera y los océanos y corriéndolos sobre algunos de los superordenadores más potentes del mundo. Ahora, Alphabet (la matriz de Google), con una única máquina del tamaño de un ordenador personal y la inteligencia artificial de DeepMind, predice en un minuto el tiempo que hará en todo el planeta dentro de 10 días. Y lo hace superando en casi todo al más moderno de los sistemas de predicción meteorológica. Sin embargo, esta vez parece que la inteligencia artificial viene a complementar a la humana más que a reemplazarla.
El Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF por sus siglas en inglés) tiene ese sistema tan avanzado. El año pasado renovó su músculo predictor. En sus instalaciones de Bolonia (Italia) trabaja una supercomputadora con alrededor de un millón de procesadores (frente a los dos o cuatro de un ordenador personal) y una potencia de cálculo de 30 petaflops, algo así como 30.000 billones de cálculos por segundo. Y necesita tantas flops para que una de sus herramientas, el Pronóstico de Alta Resolución (HRES, en inglés) prediga, como hace y con gran precisión, el tiempo en todo el planeta a medio plazo, generalmente a 10 días, y hacerlo con una resolución espacial de nueve kilómetros. De ahí salen las predicciones que cuentan los hombres y mujeres del tiempo de medio planeta. A ese Goliat se ha medido GraphCast, la inteligencia artificial de Google DeepMind para la predicción meteorológica.
Los resultados de la comparación, publicados hoy martes en la revista Science, muestran que GraphCast predice igual o mejor que HRES centenares de variables meteorológicas. Según muestran, en el 90,3% de 1.380 métricas consideradas, la máquina de Google supera al maquinón del ECMWF. Si se descartan los datos referidos a la estratosfera, unos 6-8 kilómetros cielo arriba, y el análisis se limita a los de la troposfera, la capa atmosférica donde suceden los eventos meteorológicos más cercanos, la inteligencia artificial (IA) supera a la supercomputación supervisada por humanos en el 99,7% de las variables analizadas. Y lo ha logrado con una máquina muy parecida a un ordenador personal llamada unidad de procesamiento tensorial, o TPU.
Una vez entrenado, cada predicción se puede hacer en menos de un minuto utilizando una sola TPU, [máquina] mucho más eficiente que un PC normal, pero con un tamaño parecido”Álvaro Sánchez González, investigador de DeepMind y cocreador de GraphCast
“Las TPUs son hardware especializado para entrenar y ejecutar software de inteligencia artificial de forma mucho más eficiente que un PC normal, pero con un tamaño parecido”, explica el investigador de Google DeepMind, Álvaro Sánchez González. “De la misma forma que la tarjeta gráfica del ordenador (también conocida como GPU) está especializada en renderizar imágenes, las TPUs están especializadas en realizar productos de matrices. Para entrenar GraphCast utilizamos 32 de estas TPUs durante varias semanas. Sin embargo, una vez entrenado, cada predicción se puede hacer en menos de un minuto utilizando una sola TPU”, detalla Sánchez González, uno de los creadores del ingenio.
Una de las grandes diferencias de GraphCast con los sistemas de predicciones actuales es que se apoya en la historia del tiempo. Sus creadores la entrenaron con todos los datos meteorológicos que guarda el archivo del ECMWF desde 1979. Eso incluye tanto las lluvias caídas en Santiago desde entonces hasta los ciclones que han arribado a Acapulco en 40 años. Les llevó su tiempo entrenarla, pero ya hecho, GraphCast solo necesita saber el tiempo que hizo hace seis horas y el que hace justo antes de emitir su nueva predicción, para saber en un segundo el tiempo que hará dentro de otras seis horas. Y cada nueva predicción se retroalimenta con la anterior.
Ferran Alet, también de DeepMind y cocreador de la máquina, detalla cómo funciona: “Nuestra red neuronal predice el clima seis horas en el futuro. Si queremos predecir el clima en 24 horas, simplemente evaluamos el modelo 4 veces. Otra opción habría sido entrenar distintos modelos, uno para 6 horas, otro para 24 horas. Pero sabemos que la física dentro de 6 horas será la misma que ahora. Por lo tanto, sabemos que si encontramos el modelo de 6 horas correcto y le damos sus propias predicciones como entrada, nos debería predecir el clima de aquí a 12 horas y podemos repetir el proceso cada seis horas”. Esto les da “muchos más datos para un solo modelo, haciendo que entrene más eficientemente”, termina Alet.
Hasta ahora, los pronósticos se han basado en la llamada predicción meteorológica numérica, que usa ecuaciones físicas aportadas por la ciencia a lo largo de su historia para responder los distintos procesos que componen un sistema tan complejo como es la dinámica de la atmósfera. Con sus resultados se definen una serie de algoritmos matemáticos que son los que tienen que ejecutar las supercomputadoras para, en minutos, tener la predicción para las próximas horas, días o semanas (aunque también las hay a un plazo mayor, la fiabilidad desciende dramáticamente a partir de los 15 días). Para hacer todo eso, la supercomputadora debe ser muy súper, algo que significa un enorme coste y mucho trabajo de ingeniería. Lo llamativo quizá es que estos sistemas no aprovechan el tiempo que hizo ayer o el año pasado en el mismo sitio y a la misma hora. GraphCast lo hace de otra manera, casi al revés, Su aprendizaje profundo aprovecha décadas de datos meteorológicos históricos para aprender un modelo de las relaciones de causa y efecto que gobiernan la evolución del tiempo meteorológico de la Tierra.
José Luis Casado, portavoz de Agencia Española de Meteorología (AEMET) explica por qué se prescinde de los datos históricos: “El modelo atmosférico utiliza las observaciones disponibles y la predicción inmediatamente anterior del propio modelo: si se conoce bien el estado actual de la atmósfera, se puede predecir su evolución futura. No usa predicciones o datos históricos, al contrario que los métodos de machine learning.
“La importancia del trabajo de DeepMind está en que demuestra que se puede incluso mejorar la precisión predictiva de los modelos tradicionales mediante inteligencia artificial”Ignacio López Gómez, científico climático de Google Research
Desde la sede de Google Research, en California (Estados Unidos) el investigador Ignacio López Gómez idea sistemas de predicción meteorológica apoyados en datos masivos. A comienzos de año publicaba su último trabajo en el que usa inteligencia artificial para predecir las olas de calor. Aunque conoce a varios de los creadores de GraphCast, no ha participado en su diseño y sus cálculos. “La importancia del trabajo de DeepMind y de otros similares (como el reciente sistema Pangu-Weather diseñado por científicos chinos) está en que demuestran que se puede alcanzar o incluso mejorar la precisión predictiva de los modelos tradicionales mediante inteligencia artificial” López reconoce que los modelos de IA son costosos de entrenar, pero pueden realizar predicciones meteorológicas mucho más eficientemente una vez entrenados. “En vez de requerir superordenadores, las predicciones basadas en inteligencia artificial se pueden realizar incluso en ordenadores personales en un tiempo razonable”.
El ECMWF ha tomado nota y ya está desarrollando su propio sistema de predicción basado en la IA. En octubre anunciaron que ya tenía su primera versión alfa de su AIFS (o Artificial Intelligence/Integrated Forecasting System). “Se basa en el mismo método que el de Google”, dice Casado, de la AEMET. “Aunque el AIFS no es un sistema completamente operativo, supone un gran paso adelante”, añade. Como concluían los creadores de GraphCast en su artículo científico, la IA no viene a sustituir al ingenio humano y menos a “unos métodos tradicionales de predicción meteorológica desarrollados durante décadas, rigurosamente testados en muchos contextos del mundo real”. De hecho, el ECMWF colaboró activamente con Google, facilitándole el acceso a los datos y apoyándolos para este proyecto. Como termina Casado, “los modelos tradicionales basados en ecuaciones físicas y los nuevos modelos de machine learning basados en datos podrían ser complementarios”.
