![\"Google\"](\"https:\/\/imagenes.elpais.com\/resizer\/9SnK-973DclStBcj28VWEgxMe5Q=\/414x0\/filters:focal(200x198:210x208)\/cloudfront-eu-central-1.images.arcpublishing.com\/prisa\/F23YMYLECJG2NL7Y3CTWDHPOLM.jpg\")
<\/span>Hace a\u00f1os que la inteligencia artificial va descabalgando a sus creadores, los humanos, de sucesivos tronos. Le tocaba el turno a la meteorolog\u00eda, una de las mayores creaciones humanas desde que los augures romanos y antes le abr\u00edan las tripas a alg\u00fan animal para saber si era el momento id\u00f3neo para sembrar o si la ma\u00f1ana siguiente ser\u00eda propicia para la guerra. Las predicciones meteorol\u00f3gicas actuales se hacen con modelos muy complejos basados \u200b\u200ben las leyes que gobiernan la din\u00e1mica de la atm\u00f3sfera y los oc\u00e9anos y corri\u00e9ndolos sobre algunos de los superordenadores m\u00e1s potentes del mundo. Ahora, Alphabet (la matriz de Google), con una \u00fanica m\u00e1quina del tama\u00f1o de un ordenador personal y la inteligencia artificial de DeepMind, predice en un minuto el tiempo que har\u00e1 en todo el planeta dentro de 10 d\u00edas. Y lo hace superando en casi todo al m\u00e1s moderno de los sistemas de predicci\u00f3n meteorol\u00f3gica. Sin embargo, esta vez parece que la inteligencia artificial viene a complementar a la humana m\u00e1s que a reemplazarla.<\/p>\n
el Centro Europeo de Previsiones Meteorol\u00f3gicas a Medio Plazo<\/a> (ECMWF por sus siglas en ingl\u00e9s) tiene ese sistema tan avanzado. El a\u00f1o pasado renov\u00f3 su m\u00fasculo predictor. En sus instalaciones de Bolonia (Italia) trabaja una supercomputadora con alrededor de un mill\u00f3n de procesadores (frente a los dos o cuatro de un ordenador personal) y una potencia de c\u00e1lculo de 30 petaflops, algo as\u00ed como 30.000 billones de c\u00e1lculos por segundo. Y necesita tantos fracasos para que una de sus herramientas, el Pron\u00f3stico de Alta Resoluci\u00f3n (HRES, en ingl\u00e9s) prediga, como hace y con gran precisi\u00f3n, el tiempo en todo el planeta a medio plazo, generalmente a 10 d\u00edas, y hacerlo con una resoluci\u00f3n espacial de nueve kil\u00f3metros. De ah\u00ed 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<\/a> para la predicci\u00f3n meteorol\u00f3gica.<\/p>\n Los resultados de la comparaci\u00f3n, publicados hoy martes en la revista Ciencia<\/i><\/a>, muestran que GraphCast predice igual o mejor que HRES centenarios de variables meteorol\u00f3gicas. Seg\u00fan muestran, en el 90,3% de 1.380 m\u00e9tricas consideradas, la m\u00e1quina de Google supera al maquin\u00f3n<\/i> del ECMWF. Si se descartan los datos referidos a la estratosfera, unos 6-8 kil\u00f3metros cielo arriba, y el an\u00e1lisis se limita a los de la troposfera, la capa atmosf\u00e9rica donde suceden los eventos meteorol\u00f3gicos m\u00e1s cercanos, la inteligencia artificial (IA) supera a la supercomputaci\u00f3n. supervisada por humanos en el 99,7% de las variables analizadas. Y lo ha logrado con una m\u00e1quina muy parecida a un ordenador personal llamada unidad de procesamiento tensorial, o TPU.<\/p>\n Una vez entrenada, cada predicci\u00f3n se puede hacer en menos de un minuto utilizando una sola TPU, (m\u00e1quina) mucho m\u00e1s eficiente que una PC normal, pero con un tama\u00f1o parecido\u201d<\/p>\n \u00c1lvaro S\u00e1nchez Gonz\u00e1lez, investigador de DeepMind y cocreador de GraphCast<\/cite><\/p><\/blockquote>\n \u201cLas TPUs son hardware especializado para entrenar y ejecutar software de inteligencia artificial de forma mucho m\u00e1s eficiente que un PC normal, pero con un tama\u00f1o parecido\u201d, explica el investigador de Google DeepMind, \u00c1lvaro S\u00e1nchez Gonz\u00e1lez. \u201cDe la misma forma que la tarjeta gr\u00e1fica del ordenador (tambi\u00e9n conocida como GPU) est\u00e1 especializada en renderizar<\/i> im\u00e1genes, las TPUs est\u00e1n especializadas en realizar productos de matrices. Para entrenar GraphCast utilizamos 32 de estos TPU durante varias semanas. Sin embargo, una vez entrenado, cada predicci\u00f3n se puede hacer en menos de un minuto utilizando una sola TPU\u201d, detalla S\u00e1nchez Gonz\u00e1lez, uno de los creadores del ingenio.<\/p>\n 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 meteorol\u00f3gicos que guarda el archivo del ECMWF desde 1979. Eso incluye tanto las lluvias ca\u00eddas en Santiago desde entonces hasta los ciclones que han arribado a Acapulco en 40 a\u00f1os. Les llev\u00f3 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 predicci\u00f3n, para saber en un segundo el tiempo que har\u00e1 dentro de otras seis horas. Y cada nueva predicci\u00f3n se retroalimenta con la anterior.<\/p>\n Ferran Alet, tambi\u00e9n de DeepMind y cocreador de la m\u00e1quina, detalla c\u00f3mo funciona: \u201cNuestra 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 opci\u00f3n habr\u00eda sido distintos modelos de entrenamiento, uno para 6 horas, otro para 24 horas. Pero sabemos que la f\u00edsica dentro de 6 horas ser\u00e1 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 deber\u00eda predecir el clima de aqu\u00ed a 12 horas y podemos repetir el proceso cada seis horas\u201d. Esto les da \u201cmuchos m\u00e1s datos para un solo modelo, haciendo que entrene m\u00e1s eficientemente\u201d, termina Alet.<\/p>\n Hasta ahora, los pron\u00f3sticos se han basado en la llamada predicci\u00f3n meteorol\u00f3gica num\u00e9rica, que usa ecuaciones f\u00edsicas aportadas por la ciencia a lo largo de su historia para responder los distintos procesos que componen un sistema tan complejo como es la din\u00e1mica de la atm\u00f3sfera. Con sus resultados se definen una serie de algoritmos matem\u00e1ticos que son los que tienen que ejecutar las supercomputadoras para, en minutos, tener la predicci\u00f3n para las pr\u00f3ximas horas, d\u00edas o semanas (aunque tambi\u00e9n las hay a un plazo mayor, la confiabilidad desciende dram\u00e1ticamente a a partir de los 15 d\u00edas). Para hacer todo eso, la supercomputadora debe ser muy s\u00faper<\/i>, algo que significa un enorme costo y mucho trabajo de ingenier\u00eda. Lo llamativo quiz\u00e1s es que estos sistemas no aprovechan el tiempo que hizo ayer o el a\u00f1o pasado en el mismo sitio ya la misma hora. GraphCast lo hace de otra manera, casi al rev\u00e9s, Su aprendizaje profundo aprovecha d\u00e9cadas de datos meteorol\u00f3gicos hist\u00f3ricos para aprender un modelo de las relaciones de causa y efecto que gobiernan la evoluci\u00f3n del tiempo meteorol\u00f3gico de la Tierra.<\/p>\n Jos\u00e9 Luis Casado, portavoz de la Agencia Espa\u00f1ola de Meteorolog\u00eda (AEMET) explica por qu\u00e9 se prescinde de los datos hist\u00f3ricos: \u201cEl modelo atmosf\u00e9rico utiliza las observaciones disponibles y la predicci\u00f3n inmediatamente anterior del propio modelo: si se conoce bien el estado actual de la atm\u00f3sfera , se puede predecir su evoluci\u00f3n futura. No usa predicciones o datos hist\u00f3ricos, al contrario que los m\u00e9todos de aprendizaje autom\u00e1tico<\/i>.<\/p>\n \u201cLa importancia del trabajo de DeepMind est\u00e1 en que demuestra que se puede incluso mejorar la predicci\u00f3n predictiva de los modelos tradicionales mediante inteligencia artificial\u201d<\/p>\n Ignacio L\u00f3pez G\u00f3mez, cient\u00edfico clim\u00e1tico de Google Research<\/cite><\/p><\/blockquote>\n Desde la sede de Google Research, en California (Estados Unidos) el investigador Ignacio L\u00f3pez G\u00f3mez idea sistemas de predicci\u00f3n meteorol\u00f3gica apoyados en datos masivos. A comienzos de a\u00f1o publicaba su \u00faltimo trabajo en el que usa Inteligencia artificial para predecir las olas de calor.<\/a>. Aunque conoce a varios de los creadores de GraphCast, no ha participado en su dise\u00f1o y sus c\u00e1lculos. \u201cLa importancia del trabajo de DeepMind y de otros similares (como el reciente sistema Pangu-Weather<\/a> L\u00f3pez reconoce que los modelos de IA son costosos de entrenar, pero pueden realizar predicciones meteorol\u00f3gicas mucho m\u00e1s eficientemente una vez entrenados. . \u201cEn vez de requerir superordenadores, las predicciones basadas en inteligencia artificial se pueden realizar incluso en ordenadores personales en un tiempo razonable\u201d.<\/p>\n El ECMWF ha tomado nota y ya est\u00e1 desarrollando su propio sistema de predicci\u00f3n basado en la IA. En octubre anunciaron que ya ten\u00eda su primera versi\u00f3n alfa<\/a> de su AIFS (o Inteligencia Artificial\/Sistema Integrado de Previsi\u00f3n). \u201cSe basa en el mismo m\u00e9todo que el de Google\u201d, dice Casado, de la AEMET. \u201cAunque el AIFS no es un sistema completamente operativo, supone un gran paso adelante\u201d, a\u00f1ade. Como concluyeron los creadores de GraphCast en su art\u00edculo cient\u00edfico, la IA no viene a sustituir al ingenio humano y menos a \u201cunos m\u00e9todos tradicionales de predicci\u00f3n meteorol\u00f3gica desarrollados durante d\u00e9cadas, rigurosamente testados en muchos contextos del mundo real\u201d. De hecho, el ECMWF colabor\u00f3 \u200b\u200bactivamente con Google, facilitando el acceso a los datos y apoy\u00e1ndolos para este proyecto. Como termina Casado, \u201clos modelos tradicionales basados \u200b\u200ben ecuaciones f\u00edsicas y los nuevos modelos de aprendizaje autom\u00e1tico<\/i> basados \u200b\u200ben datos podr\u00edan ser complementarios\u201d.<\/p>\n Puedes seguir a <\/i>MATERIA<\/b><\/i> es<\/i> Facebook<\/i><\/a>, <\/i>X<\/i><\/a> mi<\/i> Instagram<\/i><\/a>o apuntarte aqu\u00ed para recibir <\/i>nuestro bolet\u00edn semanal<\/i><\/a>.<\/i><\/p>\n<\/div>\n\n
\n