Inteligencia artificial y Acción Anticipatoria: una conversación - parte 1

En un reciente taller organizado por la Red de Acción para el Conocimiento del Riesgo, la Unidad ELLIS de Jena, la Cruz Roja Alemana y la Sociedad de la Cruz Roja Malgache, miembros de la comunidad de acción anticipatoria se reunieron con investigadores de inteligencia artificial (IA) y clima para debatir el uso de la IA en la mitigación del riesgo climático y la acción anticipatoria. Dos de los facilitadores del taller, Karen Dall y Vitus Benson, continuaron la conversación posteriormente. Este blog recoge la primera parte de su debate, que se centró en qué es la IA y cómo podría ser relevante para estos sectores.

Karen: Hola lectores del blog y hola Vitus. Me llamo Karen y trabajo para la Cruz Roja Alemana como responsable técnica de Acción Anticipatoria. En la Acción Anticipatoria utilizamos la previsión y el análisis de riesgos para iniciar y prestar asistencia a las comunidades antes de que se produzcan fenómenos extremos. Esto permite a las personas proteger mejor a sus familias y sus medios de subsistencia de los impactos de estos fenómenos e, idealmente, mitigarlos.

Parte de mi trabajo consiste en ayudar a las Sociedades Nacionales de la Cruz Roja y de la Media Luna Roja, como la Sociedad de la Cruz Roja Malgache en Madagascar, a desarrollar planes preestablecidos de Acción Anticipatoria. En ellos se indica quién hace qué y cuándo, una vez alcanzado un umbral crítico de previsión. Por ejemplo, cuando se pronostica una inundación en una región específica, los planes preacordados -llamados protocolos de acción temprana- esbozan lo que hará la Cruz Roja Malgache para proteger la vida y los medios de subsistencia de las personas más vulnerables.

Vitus: Hola a todos, soy Vitus, estudiante de doctorado en el Instituto Max Planck de Biogeoquímica de Jena (Alemania) y en ETH Zürich (Suiza). Trabajo principalmente con IA, más concretamente con grandes redes neuronales que entreno con datos sobre el sistema terrestre, como imágenes de satélite que pueden mostrar las repercusiones de las catástrofes naturales.

En el Instituto Max Planck pensamos que esta investigación también podría ser útil para la Acción Anticipatoria. Usted también trabaja mucho con datos, ¿verdad? Pero no es realmente un experto en IA, ¡si me atrevo a decir eso! Entonces, ¿qué entiende por IA y en qué cree que puede ser útil para su trabajo?

El bombo de la IA

Karen: Tiene razón, desde luego no soy una experta en IA y, sin embargo, sigue formando parte de mi vida cotidiana, además del bombo y platillo que se le da y de la atención que recibe en los medios de comunicación. Cuando pienso en IA, pienso en ChatGPT, en mi detector de spam por correo electrónico, en filtros de Snapchat o Instagram y, en general, en modelos y algoritmos que aprenden por sí mismos.

Probablemente sea también aquí donde la IA es, y será, más útil en mi trabajo. Como ya se ha dicho, la acción anticipatoria necesita información fiable sobre las previsiones para saber cuándo y dónde se producirá un peligro y así poder poner en práctica las acciones anticipatorias. Si la IA puede hacer que las previsiones sean más exactas y aumentar el tiempo que transcurre entre una previsión y la aparición de un peligro, esto sería muy valioso para mi trabajo.

Durante nuestro taller en Kigali (Ruanda) [celebrado en el marco de la Conferencia Científica Abierta del Programa Mundial de Investigaciones Climáticas en octubre de 2023] no sólo nos centramos en el potencial de la IA en la previsión, sino también en la cuestión más amplia de cómo la IA puede mejorar la mitigación de los riesgos climáticos y la acción anticipatoria. Reunimos a un grupo de investigadores de IA, científicos de datos y creadores de modelos con profesionales humanitarios para debatir los retos y oportunidades de la IA para la evaluación y previsión del impacto de la sequía, y la cartografía y previsión del riesgo de inundaciones y ciclones.

¿Cómo funciona la IA?

Karen: Antes de sumergirnos en estos temas, ¿podría explicarnos la IA en palabras sencillas? ¿Puedes desmitificar el término para nosotros, los no expertos?

Vitus: Por supuesto. La IA, como usted ha dicho, es un tema de gran actualidad. Yo diría que el principal éxito de lo que hoy llamamos IA es el aprendizaje automático supervisado, que se lleva haciendo desde hace más de 30 años.

¿Qué es el aprendizaje automático supervisado? Supongamos que queremos un modelo de IA que pueda traducir un texto de un idioma a otro, por ejemplo del alemán al inglés. Lo que habríamos hecho hace 10 años es recopilar etiquetas: tomaríamos una frase en alemán y buscaríamos la traducción correspondiente en inglés. Esto se repetiría muchas veces hasta obtener un gran número de muestras. Así, la IA recibe una frase en alemán como entrada y se supone que predice la traducción al inglés como salida.

Por supuesto, el modelo de IA no puede hacerlo inmediatamente; hay que entrenarlo. En primer lugar, se le deja hacer una predicción inicial aleatoria y luego se compara esta predicción con la traducción al inglés real. Esta primera predicción aleatoria del modelo de IA era probablemente errónea, por lo que se le pedía que cambiara su resultado la próxima vez, para que se acercara más a la verdad. Eso es lo que se hace muchas, muchas veces y a lo largo de muchas iteraciones y, al final, se obtiene un modelo que puede traducir del alemán al inglés.

Pero no es así como funcionan ChatGPT y la actual oleada de modelos de IA. La idea hoy en día es que recopilar todas esas etiquetas, todos esos pares de entrada-salida, es una tarea muy tediosa, porque se necesitan muchos datos, lo que se traduce en mucho trabajo. En lugar de eso, lo que hacemos hoy es simplemente tomar todos los datos que ya tenemos; por ejemplo, todo Internet, o todas las imágenes de Instagram. O, para ser específicos, todos los datos de satélite que se han recopilado. Y luego entrenamos un modelo de IA descartando aleatoriamente algunos de los datos y prediciéndolos. Básicamente, entrenamos un modelo para rellenar lagunas en los datos.

Volviendo a nuestro ejemplo de traducción, hoy le daríamos al modelo de IA una frase en alemán y omitiríamos la última palabra, y luego diríamos: Modelo de IA, predice la última palabra. Si el modelo predice la palabra equivocada, lo penalizamos y actualizamos el algoritmo para que la próxima vez produzca una palabra diferente que se acerque más a la verdad. Esto es lo que está impulsando ahora el éxito de la IA, y el aspecto clave es el llamado aprendizaje autosupervisado, que significa que se pueden utilizar conjuntos de datos mucho mayores.

Este es uno de los requisitos de la IA: necesitas datos. Y cuanto más complejo sea el problema, más datos se necesitarán para resolverlo. Esto es bastante lógico, pero por supuesto plantea limitaciones. Por ejemplo, si tenemos un conjunto de datos con muchos sesgos, lo más probable es que esos sesgos acaben en nuestro modelo de IA. Como investigadores en IA, nos esforzamos por mitigar todos estos problemas.

Inteligencia artificial para predecir catástrofes climáticas

Karen: ¿Puede darnos un ejemplo de uso actual de la IA en la acción humanitaria, o más ampliamente en la reducción y mitigación del riesgo de catástrofes?

Vitus: Un ejemplo especialmente exitoso, que se destacó durante el taller, es la previsión. Por ejemplo, ahora se pueden hacer previsiones meteorológicas con IA. El método consiste en entrenar el modelo de IA con todos los datos meteorológicos históricos. Ahora, el modelo conoce los patrones del tiempo, entiende la circulación, las ecuaciones físicas que hay detrás, así que puedes usarlo para predecir el tiempo futuro, iterativamente y un paso por delante.

Actualmente, los mejores modelos son GraphCast de Google Deepmind, o PanguWeather de Huawei. Son al menos tan buenos, y a veces mejores, que los principales sistemas de predicción meteorológica del mundo, como el Centro Europeo de Predicción Meteorológica a Medio Plazo, y sólo utilizan una fracción de la potencia de supercomputación. En particular, son buenos prediciendo las trayectorias de los ciclones tropicales, lo que es importante para la acción anticipatoria de los ciclones.

También quiero poner un ejemplo de nuestro trabajo en la iniciativa EarthNet, en la que utilizamos datos de satélite e IA para predecir variables más centradas en el impacto. En las imágenes de satélite, a menudo se puede ver el impacto de una sequía en la vegetación y los ecosistemas. Así que la idea es predecir directamente las futuras imágenes de satélite, para ver los impactos de una sequía que se producirá en el futuro.