La informática climática y la inteligencia artificial están en un “interesante punto de quiebre” y prometen mejorar pronósticos

Monteleoni, que es profesora asociada en la Universidad de Colorado Boulder, viajó a Uruguay para participar del Encuentro Latinoamericano de Inteligencia Artificial Khipu, evento que en 2019 se realizó por primera vez en Uruguay gracias al impulso de quienes en el país trabajan en estos temas. Desde el sector empresarial, contó con la participación de Google, Antel, Deepmind, Tryolabs, Asapp, Globant, Apple, Mercado Libre, UTE, Ulta Beauty, Quanam, Dsense, Idatha, Adme, Nubank, Hekima, y tuvo el apoyo de la Cámara Uruguaya de Tecnologías de la Información. También colaboró la Facultad de Ingeniería de la Universidad de la República, el Ministerio de Industria, el Plan Ceibal y la Agesic.

—Estamos en un interesante punto de quiebre por una variedad de razones. Nuestros encuentros entre la comunidad de la informática climática son cada vez más frecuentes, pronto se cumplirán 10 años del primer taller que fundé con colegas en 2011 y hoy somos una comunidad que, si bien no supera las 500 personas, crece. Para mi sorpresa, el cambio que hubo en nuestro gobierno (el de Estados Unidos), que amenazó con reducir los fondos para el cambio climático, de hecho derivó en la reacción de empresas y filantropías que incrementaron sus fondos. Microsoft anunció un programa de inteligencia artificial para la Tierra y donaron dinero para fundar el Taller de Informática Climática. Google empezó un grupo en inteligencia artificial para el agua. Deepmind, que ahora es parte de Google, está haciendo nowcasting (predicción del futuro más próximo) en precipitaciones. Hay más masa crítica y por eso creo que será un punto de quiebre. En cuanto a inteligencia artificial, Khipu es parte de un movimiento para expandir la participación en el mundo. No podemos tener a todos los desarrolladores en un continente o locación o para un determinado entorno cultural. Esto se refleja en que se han hecho talleres en África y estamos en América Latina. Estas iniciativas se suman a las del grupo de mujeres en machine learning, del que soy parte. Eso es realmente hacia dónde la inteligencia artificial tiene que ir. Hay muchas aplicaciones de la inteligencia artificial en salud, hay cuestiones éticas de las bases de datos, debería abrir nuevas posibilidades para nuestra sociedad y al mismo tiempo está amenazando a otras. Yo me enfoco en intentar que se expanda la participación del uso en inteligencia artificial y en atender problemas sociales como el cambio climático y las energías limpias. En mi laboratorio trabajamos en algoritmos que podrían ayudar a mejorar las predicciones de las energías solar y eólica para los parques que producen estas energías limpias o para quienes manejan las redes eléctricas.

—Usted trabaja sobre modelos climáticos y aplica machine learning e inteligencia artificial. ¿En qué consiste el trabajo?

—Los modelos climáticos basados en simulación operan bajo las leyes de la física. Están haciendo aparecer masivamente bases de datos gigantes. Tratamos con el resultado de estas simulaciones como información, como insumo para trabajar en machine learning. Los modelos crean información que nunca se había reportado por los satélites. Entonces, de hecho tenemos más datos simulados que observacionales. Son los modelos matemáticos los que dan forma a estos sistemas. Los hay para los océanos, para la atmósfera, para la Tierra y la criósfera, que es el hielo. Estos son grandes sistemas de modelos matemáticos. Cada uno tiene un proceso. Por eso puede haber uno para la evaporación del agua en una zona en calentamiento en su superficie. Podrías tener diferentes gases en la atmósfera que se están desintegrando y transformando en otros, puede haber modelos para cada proceso. Con estos modelos pueden setear las condiciones iniciales de temperatura, humedad, etcétera, y después hacer correr los modelos y simular diferentes escenarios futuros. También podrían ser usados para conocer escenarios del pasado lejano.

El Panel Intergubernamental de Cambio Climático (IPCC) —integrado por científicos de todo el mundo y que planteó escenarios futuros de cambio climático y explicó cómo está ocurriendo este proceso— ganó el Premio Nobel de la paz en 2007. Sus predicciones fueron informadas a base de modelos climáticos. Cada laboratorio que trabaja en modelos climáticos es inmenso, tiene meteorólogos, científicos climáticos, hidrólogos y programadores que ponen toda esa ciencia dentro de un simulador. Pero hay muchos modelos. Hay 30 o 40 grupos diferentes que trabajan en el tema. Los primeros fueron en Princeton en Estados Unidos entrada la década de 1960, también hay en el Instituto Max Planck en Alemania y en Japón. No necesariamente los modelos climáticos que hay coinciden en sus predicciones. Ahí es en donde entra la inteligencia artificial. Usamos información de los modelos predictivos y también la información que se genera directamente de la observación.

—En el fondo se trata de hacer un correcto análisis de toda la información disponible.

—Sí, de tratar de hacer una predicción más robusta usando predicciones y un conjunto de modelos climáticos basados en simulación. Al campo lo llamamos informática climática. Es un gran paraguas que combina machine learning, minería de datos, estadística desde una perspectiva de análisis de datos, áreas de la ciencia climática (como la química, calidad de aire, paleoclimatología, que intenta reconstruir el pasado) y quienes están encargados de hacer funcionar los modelos climáticos basados en física y simulación.

—¿Necesita usar inteligencia artificial por el caudal de información que maneja?

—La cantidad de información se convierte en enorme si consideramos los resultados de estos modelos climáticos basados en la física. Podemos usarlos para rastrear hipótesis como: ¿qué ocurre si reducimos las emisiones de gases de efecto invernadero en un cierto porcentaje? ¿Cambia la concentración de los gases de la atmósfera? ¿Si secuestráramos carbono cambiarían las cosas? Podemos simular diferentes futuros pero luego tienes cantidades masivas de simulaciones que puedes obtener, es altamente complejo. Entonces, la inteligencia artificial es buena para procesar cantidades masivas de información y extraer ideas, indicios, que son más interpretables para los humanos.

—¿Cuánto incide en este crecimiento la política, los llamados que reclaman acción para combatir el cambio climático y las negociaciones en el marco de la Naciones Unidas?

—En 2018 el Foro Económico Mundial publicó un llamado a la acción en inteligencia artificial para las ciencias de la Tierra. Para empezar, es genial que hicieran eso. Esperaría que fuera tomado en cuenta. Aunque es algo de amplio espectro, tiene una sección en informática climática. Además, en Francia, el reconocido matemático Cédric Villani trabaja con el presidente Emmanuel Macron, y a él le interesa mucho el trabajo en inteligencia artificial y el ambiente es una de las áreas que define como claves. Hay una masa crítica y estamos empezando a ver aparecer laboratorios con dinero del Estado, como en Alemania, donde al menos dos laboratorios han surgido con este apoyo y fueron llamados “de informática climática”. En Canadá, la Universidad de Toronto hace unos años abrió el área de sustentabilidad e informática climática. A veces para los países la política se lee por dónde eligen destinar la plata para investigar. De todos modos, hay mucho por hacer para cerrar el círculo, muchos de nosotros somos investigadores en inteligencia artificial y hacemos hackatones en donde científicos climáticos nos dan problemas de sus bases de datos y nosotros buscamos soluciones, mejoras en los resultados. Cerrar el círculo es definitivamente un desafío. Lo que es realmente increíble es que en ciencia climática los mismos científicos están empezando a hacer machine learning, lo vemos en publicaciones en las mejores revistas. Además, estamos siendo invitados a sus reuniones científicas y en la comunidad de machine learning estamos estableciendo una comunidad que trabaja con cambio climático.

—¿Qué temas le entusiasman más dentro del trabajo que hace en su laboratorio?

—Una de las cosas que mi laboratorio impulsa es tomar un grupo de predicciones y hacer una combinada, que sea adaptativa incluso cuando las condiciones cambian a lo largo del tiempo y lugar. Muchos de estos algoritmos pueden ser fácilmente explicables cuando piensas en el mundo financiero. Hemos hecho mejoras en pronósticos de ciclones o huracanes usando información y explotándola al máximo usando machine learning. Trabajamos en la anomalía del Niño intentando predecirla con meses de anticipación y hoy es un gran desafío. Queremos lograr un índice que surja de toda la información disponible. Es un trabajo que estamos haciendo ahora. Hemos trabajado en la predicción de el Monzón en India y generado mejoras. Uno de mis estudiantes lo ha logrado y estamos en contacto con el gobierno de India, que ha comenzado a usar inteligencia artificial en sus predicciones. Hay inteligencia artificial que está usando otro grupo para predecir tornados en Estados Unidos y están empezando a ser incorporados en productos. También se descubren cosas nuevas. Un colega encontró un nuevo dipolo. Estos dipolos son dos sitios en la Tierra que están perfectamente y negativamente correlacionados en términos de series de presión y tiempo. Fue una técnica de machine learning que lo encontró, y no ha sido interpretado todavía por los científicos climáticos, tienen que mirarlo, explicarlo, entenderlo. Lo beneficioso de usar inteligencia artificial y machine learning es que puede guiar hacia nuevos descubrimientos a veces y otras validar la calidad de los modelos climáticos de simulación basados en física y realizar mejoras en las predicciones, a veces más rápidas y más baratas. Estamos tomando los modelos que contribuyen al IPCC y tratamos de robustecer sus predicciones, aún considerando que se está bajo el cambio climático. Por eso es que hay algoritmos que, cuando los usas, tienes que tratar de rastrearlos para atrás porque esto está cambiando también en tiempo y espacio. Además, por estos días estoy entusiasmada en lo que podemos lograr con “aprendizaje no supervisado”. Cuando se necesita un humano eso insume tiempo y costos. El aprendizaje no supervisado es: ¿cuánto conocimiento podemos extraer de esta información sin necesitar a un humano que indique qué patrones mirar? Como en la clase y en la vida, ¿siempre tendrás a tu maestra atrás? Hemos hecho pruebas para detectar avalanchas. Si logramos una buena técnica no tenemos que exponernos a que humanos se metan en entornos poco seguros. Usamos imágenes satelitales basadas en la reflectancia de la nieve. Estamos preparando la publicación del trabajo, presentamos resultados preliminares que me entusiasman.