IA acelera investigación climática, desde las previsiones meteorológicas hasta las sardinas
La inteligencia artificial está dando a algunos proyectos de investigación climática un impulso muy necesario en un momento de empeoramiento de las condiciones climáticas extremas y recortes de financiación que amenazan la ciencia en Estados Unidos y en otros lugares.
Si bien la IA generativa enfrenta críticas debido a las grandes cantidades de energía requeridas para entrenar y ejecutar modelos sofisticados, también encierra la promesa de hacer avanzar la ciencia.
“Es un avance enorme”, afirma Ángel Borja , biólogo del centro de investigación marina Azti, en el norte de España. “Nos permitirá procesar datos y obtener resultados mucho más rápido, para que quienes toman decisiones también puedan actuar con mayor rapidez”.
Los investigadores están entrenando modelos de IA existentes y creando nuevos para realizar tareas rutinarias que requerirían el trabajo de varias personas durante semanas o incluso meses. Los datos recopilados en expediciones científicas desde el fondo de los océanos hasta los rincones más remotos de la Antártida ahora pueden catalogarse en cuestión de horas.
Sin duda, el uso de la IA generativa conlleva riesgos, advierten algunos científicos. Las técnicas de aprendizaje automático son herramientas que nunca deberían reemplazar el pensamiento, la escritura y el análisis humanos, afirmó Jonathan Foley, director ejecutivo de Project Drawdown. La organización, que utiliza datos científicos para orientar sobre soluciones climáticas, ha limitado el uso de asistentes de IA a tareas sencillas como la revisión gramatical, el formato de documentos y la extracción de información de fuentes dispersas.
“Por definición, la IA generativa se basa en el plagio (aunque 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. Aquí hay tres ejemplos.
La IA ayuda a los investigadores marinos a "llegar a conclusiones más rápidas"
Borja recuerda recopilar datos manualmente y llenar bases de datos con cientos de mediciones cuando empezó a trabajar en el ámbito científico hace 45 años. El auge de las computadoras e internet ayudó a agilizar parte de ese trabajo. Pero el crecimiento de la IA en los últimos tres o cuatro años se ha percibido como algo completamente diferente y más transformador, afirmó.
“A mis colegas más jóvenes les preocupa que la IA les quite el trabajo, que nos haga innecesarios”, dijo. “Es al revés: estamos avanzando tanto porque la IA realiza tareas rutinarias que nos llevan muchas horas, y podremos centrarnos en interpretar esos datos”.
La IA está destinada a potenciar la oferta del centro a los responsables políticos, afirmó Borja, permitiéndoles tomar decisiones más informadas. Los científicos de Azti colaboran estrechamente con los responsables políticos para, entre otras cosas, establecer cuotas de pesca y establecer áreas marinas protegidas.
Los investigadores de Atzi han comenzado a incorporar millones de datos recopilados durante tres décadas a un modelo de IA. Los datos abarcan desde la calidad del agua hasta la presencia de diferentes tipos de peces y plancton. El modelo genera notas de investigación que indican a los científicos qué información contiene la base de datos y cómo está estructurada, lo que facilita la decisión sobre qué conjuntos de datos utilizar en sus investigaciones.
El centro también utiliza videos e imágenes de expediciones de investigación para entrenar a otro modelo a reconocer diferentes tipos de peces y vida marina. Esta tarea requiere que los científicos visualicen cientos de horas de videos submarinos y registren manualmente qué especies aparecen, dónde, con qué frecuencia y qué tan abundantes son.
“Nos permitirá obtener conclusiones más rápidas sobre el estado del medio marino en ciertos lugares”, afirmó Borja. “Preveo que en los próximos cinco años veremos una explosión de aplicaciones de IA en el ámbito científico, de maneras que ni siquiera puedo imaginar ahora mismo”.
Las previsiones meteorológicas se vuelven más precisas
Algunos modelos basados en IA ya superan a los sistemas de pronóstico convencionales. Aurora, de Microsoft Inc., 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 Medio Plazo y el modelo de IA GraphCast de Google DeepMind.
Es capaz de predecir, entre otras cosas, la calidad del aire, las olas y la trayectoria 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 con un coste computacional mucho menor que el de 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, lo que ayuda a descubrir nuevos conocimientos a gran escala”, dijo un portavoz de Microsoft Research.
Los modelos de IA son algo así como una caja negra en comparación con sus contrapartes meteorológicas tradicionales, lo que preocupa a algunos pronosticadores. Sin embargo, la información meteorológica de alta calidad es el primer paso para establecer sistemas de alerta que permitan a las personas buscar refugio cuando se producen fenómenos extremos.
Los científicos ciudadanos reciben asistencia de IA
La combinación de humanos e IA puede ofrecer 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, comenzó a utilizar la generación de lenguaje natural (un nombre inicial para lo que hoy se conoce como IA generativa) en 2010 para un proyecto de ciencia ciudadana .
Se animó a la gente a enviar a Sharma y a sus coinvestigadores fotos 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 su trabajo. Finalmente, los científicos ciudadanos recibirían un correo electrónico automatizado agradeciéndoles su contribución y revelando el tipo de abeja que fotografiaron.
El modelo, fruto de una colaboración entre la Universidad de Aberdeen y Bumblebee Conservation Trust, identificó correctamente las especies aproximadamente la mitad de las veces, una tasa comparable a la de usuarios humanos sin formación. Inicialmente, se necesitaban 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 solo tres.
Utilizando la gran cantidad de imágenes recopiladas a lo largo de los años, los investigadores entrenaron el modelo para identificar las plantas en las que se fotografiaron las abejas, lo que le permitió brindar recomendaciones de plantación según los tipos de abejas que los científicos ciudadanos querían atraer.
“Gran parte del conocimiento sobre cómo identificar especies está retenido en revistas científicas o en lugares de difícil acceso para las personas”, dijo Sharma. “La IA es otro elemento que mejora nuestro aprendizaje; es un medio para dialogar con ese conocimiento”.