Primero el plegado de proteínas, ahora la predicción del tiempo: la empresa londinense de inteligencia artificial (IA) DeepMind sigue aplicando el aprendizaje profundo a problemas científicos difíciles. En colaboración con el servicio meteorológico nacional del Reino Unido, el Met Office, DeepMind ha desarrollado una herramienta de aprendizaje profundo llamada DGMR (deep generative model of rainfall o modelo generativo profundo de precipitaciones) que puede predecir con precisión la probabilidad de lluvia en los próximos 90 minutos, uno de los retos más difíciles de la predicción meteorológica.
En una comparación a ciegas con las herramientas existentes, varias decenas de expertos determinaron que las previsiones de DGMR eran las mejores en una serie de factores (incluyendo sus predicciones de la ubicación, extensión, movimiento e intensidad de la lluvia) el 89% de las veces. Los resultados se han publicado en un artículo de Nature.
La nueva herramienta de DeepMind no es AlphaFold, que resolvió un problema clave en biología con el que los científicos llevaban décadas luchando. Pero incluso una pequeña mejora en la previsión es importante.
Predecir la lluvia, especialmente la más intensa, es crucial para muchos sectores, desde los eventos al aire libre hasta la aviación y los servicios de emergencia. Pero hacerlo bien es difícil. Saber cuánta agua hay en el cielo, y cuándo y dónde va a caer, depende de una serie de procesos meteorológicos, como los cambios de temperatura, la formación de nubes y el viento. Todos estos factores son suficientemente complejos por sí mismos, pero lo son aún más cuando se combinan.
Las mejores técnicas de previsión existentes utilizan simulaciones informáticas masivas de la física atmosférica. Funcionan bien para las previsiones a largo plazo, pero no son tan buenas para predecir lo que va a ocurrir en la próxima hora, lo que se conoce como previsión inmediata. Se han desarrollado técnicas previas de aprendizaje profundo, pero suelen ser buenas en una cosa, como la predicción de la ubicación, a costa de otras, como la predicción de la intensidad.
Comparación del DGMR con los datos reales del radar y con dos técnicas de previsión rivales para las lluvias intensas en el este de Estados Unidos en abril de 2019. Foto: DeepMind
"El pronóstico inmediato de las precipitaciones sigue siendo un reto sustancial para los meteorólogos", afirma Greg Carbin, jefe de operaciones de previsión del Centro de Predicción Meteorológica de la Oficina Nacional de Administración Oceánica y Atmosférica (NOAA) en EE.UU., que no participó en el trabajo.
El equipo de DeepMind entrenó su IA con datos de radar. Muchos países publican a lo largo del día instantáneas de mediciones de radar que rastrean la formación y el movimiento de las nubes. En Reino Unido, por ejemplo, se publica una nueva lectura cada cinco minutos. Si se juntan estas instantáneas, se obtiene un vídeo en stop-motion actualizado que muestra cómo se mueven los patrones de lluvia a lo largo de un país, de forma similar a las imágenes de previsión que se ven en la televisión.
Los investigadores alimentaron estos datos con una red generativa profunda, similar a una GAN, un tipo de IA que se entrena para generar nuevas muestras de datos muy similares a los datos reales con los que se entrenó. Las GAN se han utilizado para generar rostros falsos, incluso falsos Rembrandts. En este caso, el DGMR aprendió a generar instantáneas falsas de radar que continuaban la secuencia de mediciones reales. Es la misma idea que ver unos cuantos fotogramas de una película y adivinar lo que va a venir después, dice Shakir Mohamed, que dirigió la investigación en DeepMind.
Para poner a prueba el método, el equipo pidió a 56 meteorólogos de la Met Office (que no participaron en el trabajo) que valoraran el DGMR en una comparación a ciegas con las previsiones realizadas por una simulación física de última generación y una herramienta de aprendizaje profundo rival; el 89% dijo que prefería los resultados dados por el DGMR.
"Los algoritmos de aprendizaje automático suelen intentar optimizar una medida simple de cuán buena es su predicción", afirma Niall Robinson, jefe de asociaciones e innovación de productos de la Met Office, coautor del estudio. "Sin embargo, las previsiones meteorológicas pueden ser buenas o malas de muchas maneras diferentes. Puede que una previsión obtenga precipitaciones en el lugar correcto, pero con la intensidad equivocada, o que otra obtenga la mezcla correcta de intensidades pero en los lugares equivocados, etc. Nos hemos esforzado mucho en esta investigación para evaluar nuestro algoritmo en función de un amplio conjunto de parámetros".
La colaboración de DeepMind con el Met Office es un buen ejemplo de desarrollo de IA realizado en colaboración con el usuario final, algo que parece una idea obviamente buena pero que a menudo no ocurre. El equipo trabajó en el proyecto durante varios años, y las aportaciones de los expertos de la Met Office dieron forma al proyecto. El científico investigador de DeepMind Suman Ravuri dice: "Impulsó el desarrollo de nuestro modelo de una manera diferente a la que habríamos seguido por nuestra cuenta. De lo contrario, podríamos haber hecho un modelo que al final no fuera especialmente útil".
DeepMind también está deseando demostrar que su IA tiene aplicaciones prácticas. Para Shakir, DGMR forma parte de la misma historia que AlphaFold: la empresa está sacando provecho de sus años de resolución de problemas difíciles en los juegos. Quizá lo más importante es que DeepMind está empezando a tachar una lista de problemas científicos del mundo real.