Del mar al cielo: el modelo básico de IA Aurora de Microsoft va más allá de la predicción meteorológica

Huracanes destructivos. Enormes olas oceánicas. Tormentas de arena y smog severo.

Los fenómenos meteorológicos extremos son cada vez más comunes, lo que aumenta la presión sobre las comunidades para que se preparen para una serie de desastres con el potencial no solo de cobrar vidas y dañar viviendas, sino también de alterar las redes eléctricas, destruir cultivos e interrumpir las rutas de navegación.

Si bien un número cada vez mayor de nuevos y potentes modelos de IA proporcionan nuevas herramientas para ayudar a anticipar mejor el clima, un nuevo artículo publicado en Nature explica cómo un modelo básico, conocido como Aurora, aprovecha los últimos avances en IA para predecir con mayor precisión no solo el clima, sino una amplia gama de eventos ambientales en una serie de análisis retrospectivos, desde huracanes y tifones hasta la calidad del aire y las olas del océano. Desarrollado por Microsoft Research, Aurora también pronostica esta gama de eventos atmosféricos con mayor precisión y velocidad y a un costo computacional mucho menor en comparación con la predicción numérica tradicional y los enfoques anteriores de IA.  

Un modelo base es un modelo de IA a gran escala entrenado con una amplia variedad de datos. Aurora es único en el sentido de que no se limita a la predicción meteorológica con IA, que es solo una de las cosas que hace a un nivel de vanguardia. Lo que distingue a Aurora es que, en un inicio, se entrenó como un modelo de base y luego se puede especializar a través del ajuste para ir más allá de lo que se considera pronóstico meteorológico tradicional, como la predicción de la contaminación del aire. A lo largo del desarrollo de Aurora, los investigadores han podido ajustar el modelo a una variedad de capacidades de predicción, incluida la predicción de olas oceánicas y ciclones tropicales, lo que demuestra su capacidad como modelo de base para el sistema terrestre en lugar de solo un modelo de base para la atmósfera.

Aurora primero aprende a generar pronósticos en solo segundos a través del entrenamiento sobre patrones climáticos generales a partir de más de un millón de horas de datos derivados de satélites, estaciones de radar y meteorológicas, simulaciones y pronósticos. Los investigadores de Microsoft creen que es la mayor colección de datos atmosféricos jamás reunida para entrenar un modelo de predicción de IA. A través del aprovechamiento de su arquitectura flexible única, Aurora se «afina» para realizar una variedad de tareas específicas, como la predicción de la altura de las olas o la calidad del aire, por medio de cantidades modestas de datos adicionales.

Para pronosticar el clima y otros eventos ambientales, Aurora aprovecha el poder de su tamaño y entrenamiento con grandes cantidades de datos diversos. Esto ayuda a Aurora a superar los modelos numéricos y de inteligencia artificial existentes en el 91 por ciento de los objetivos de pronóstico cuando se ajusta a los pronósticos meteorológicos a mediano plazo con una resolución de 0,25 grados, informaron los investigadores en Nature.  Los pronósticos meteorológicos a mediano plazo, en los que las personas confían en las aplicaciones meteorológicas, por lo general reflejan un pronóstico de hasta 14 días. 

La incorporación de muchas fuentes diversas de datos da como resultado «no solo una mayor precisión en general, sino que también significa que somos mejores en la predicción de eventos extremos», dice Megan Stanley, investigadora senior de Microsoft Research que formó parte del equipo central del proyecto Aurora.

Para ayudar a avanzar en el campo de la predicción atmosférica, Microsoft ha puesto  a disposición del público el código fuente de Aurora y las ponderaciones de los modelos, lo que permite a los desarrolladores descargar y ejecutar o construir sobre Aurora para impulsar una mayor innovación.  

Aurora también se presenta en Azure AI Foundry Labs, un centro para las últimas investigaciones y experimentos de IA en Microsoft, donde los desarrolladores y creadores de todos los sectores pueden descubrir nuevas posibilidades, resolver problemas complejos y compartir ideas para dar forma al futuro de la IA.

MSN Weather de Microsoft  también incorpora el modelado avanzado de IA de Aurora. El equipo de MSN Weather desarrolló una versión especializada del modelo capaz de producir pronósticos por hora y agregar más parámetros meteorológicos, incluidas la precipitación y las nubes, para proporcionar pronósticos aún más precisos y actualizados y ayudar a los usuarios a adelantarse al clima. 

Anticipar ciclones con mayor precisión

Cuando el tifón Doksuri tocó tierra en Filipinas en julio de 2023, causó una gran devastación, incluidas inundaciones generalizadas y cortes de energía.

Como se informó en Nature, en las pruebas, Aurora predijo con precisión la llegada del tifón Doksuri a Filipinas cuatro días antes del evento real. Las predicciones oficiales ubicaron de manera errónea a la tormenta frente a la costa del norte de Taiwán. 

En esta última investigación, Aurora también superó al Centro Nacional de Huracanes en el pronóstico de trayectorias de ciclones tropicales de 5 días, una primicia para un modelo de aprendizaje automático. En un logro importante, también superó a siete importantes centros de pronóstico en todos los pronósticos de trayectoria de ciclones para la temporada 2022-2023 a nivel mundial, encontraron los investigadores.

La precisión de los pronósticos de la trayectoria de los ciclones de Aurora subraya la importancia de la capacitación inicial en grandes cantidades de datos diversos.

Predicción de la calidad del aire a una fracción del costo de los métodos tradicionales

El 13 de junio de 2022, una devastadora tormenta de arena azotó Irak, una de las diez tormentas similares que azotaron el país ese año, causadas por una combinación de intensas sequías, degradación del suelo y altas temperaturas. La tormenta cubrió la capital, Bagdad, y las áreas cercanas con espesas nubes de polvo, lo que provocó que se enviaran a miles de personas al hospital con dificultades respiratorias. El aeropuerto local también se vio obligado a cerrar.

En otro estudio de caso presentado en el  artículo de Nature, Aurora predijo con precisión la tormenta de arena de Irak, con un día de anticipación, a una fracción del costo que se necesita para realizar un pronóstico tradicional de la calidad del aire.  Y lo logró a pesar de que los datos de calidad del aire eran, de manera relativa, limitados en comparación con los datos meteorológicos. Debido a que el modelo aprende primero de un conjunto grande y diverso de datos, se puede ajustar con cantidades más pequeñas de datos de calidad del aire. 

Predecir la calidad del aire a esta escala es mucho más complicado y requiere más recursos que predecir el clima, dijeron los investigadores. Esto se debe a que la predicción de la calidad del aire implica modelar reacciones químicas complejas y considerar varios niveles de emisiones globales causadas por la actividad humana.

Aurora «no aprendió nada sobre química atmosférica, o cómo el dióxido de nitrógeno, por ejemplo, interactúa con la luz solar, eso no era parte del entrenamiento original», dice Stanley. «Y, sin embargo, en el ajuste fino, Aurora pudo adaptarse a eso, porque ya había aprendido lo suficiente sobre todos los demás procesos».

Una mayor precisión conduce a mejores pronósticos de olas

Aurora ahora también sobresale en la predicción de los detalles de las olas oceánicas, incluida la altura y la dirección, al percibir patrones de olas intrincados con mayor detalle. Eso lo hace ideal para predecir la progresión de eventos oceánicos como el tifón Nanmadol, que tocó tierra en Japón en septiembre de 2022 y fue el tifón más intenso de ese año, que provocó deslizamientos de tierra e inundaciones récord causadas por cantidades extremas de lluvia. Los cortes de energía fueron generalizados y ocurrieron en lugares tan lejanos como Corea del Sur.

En otra prueba, Aurora igualó o superó los pronósticos existentes para la actividad de las olas en el 86 por ciento de las comparaciones durante todo un año de prueba en comparación con el estándar actual para predecir la actividad de las olas, al hacerlo, pudo predecir las alturas de las olas generadas por tifones como Nanmadol con una precisión que supera los mejores modelos de pronóstico actuales.

El rendimiento de Aurora fue en especial notable, porque los datos necesarios para entrenar el modelo para pronosticar las olas solo estaban disponibles a partir de 2016, un corto período de tiempo para una tarea tan compleja, señalaron los investigadores. Esta es otra indicación de la capacidad de Aurora para generar pronósticos impresionantes con pocos datos de ajuste finos adicionales.

Velocidad y precisión

Para dar sentido a grandes cantidades de datos extraídos de múltiples fuentes, Aurora se basa en una «arquitectura de codificador» flexible, que traduce los datos sin procesar y los convierte en una forma estándar que el modelo puede usar para hacer predicciones.

Los investigadores tuvieron cuidado de no recetar en exceso cómo funciona Aurora, otro factor que se cree que ayuda a explicar su exactitud y precisión. «No establecemos reglas estrictas sobre cómo creemos que las variables deben interactuar entre sí», dice Stanley. «Solo le damos a un gran modelo de aprendizaje profundo la opción de aprender lo que sea más útil. Este es el poder del aprendizaje profundo en este tipo de problemas de simulación».

Aunque el entrenamiento inicial de Aurora es costoso, sus gastos operativos son mucho más bajos que los de los sistemas tradicionales de predicción meteorológica una vez que está en pleno funcionamiento, escribieron los autores en Nature.  

Basándose en unidades de procesamiento de gráficos (GPU, por sus siglas en inglés) de modelos de gran ancho de banda, Aurora genera pronósticos en segundos, alrededor de 5 mil veces más rápido que los sistemas tradicionales, que requieren horas en grandes supercomputadoras para generar predicciones comparables.

Predicción de lo que sigue para Aurora

Los primeros resultados de Aurora han despertado el interés en el mundo académico y la industria, incluidas las organizaciones de predicción, las empresas de energía e incluso los comerciantes de materias primas. Existe un interés particular en ver cómo se puede adaptar para predecir mejor las lluvias, mejorar la logística de los cultivos y proteger las redes energéticas. Aurora también es accesible para investigadores, meteorólogos y otros profesionales involucrados en la ciencia atmosférica y la predicción meteorológica en el sitio web del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF), uno de los sistemas de pronóstico meteorológico más utilizados en el mundo.  

El investigador de aprendizaje automático de Microsoft y miembro del equipo de Aurora, Wessel Bruinsma, señala que cada experimento de ajuste preciso le tomó a un pequeño equipo de ingenieros solo entre 4 y 8 semanas para ejecutarse. «Compara esta línea de tiempo con el desarrollo de modelos numéricos tradicionales, que por lo general lleva varios años», dice.

«Tiene el potencial de tener un gran impacto porque las personas en verdad pueden ajustarlo a cualquier tarea que sea relevante para ellos», dice Stanley, «ya sea muy localizado, de alta resolución o de modelado de inundaciones, por ejemplo, en particular en países que están desatendidos por otras capacidades de pronóstico meteorológico».

Stanley cree que Aurora, y lo que viene después, complementará los sistemas de pronóstico actuales, no los reemplazará. «Hay una gran cantidad de investigación interesante por hacer en torno a qué tan bien se aprende la física, y si se aprende la física de manera correcta, entonces significa que esto es algo que debería ser bastante sólido como para hacer predicciones en diferentes entornos climáticos. Es el primero de su tipo», añade Stanley. «Pero eso no significa que vaya a ser la última».

Enlaces relacionados:

Leer más: Un modelo de cimentación para el sistema terrestre

Escuchen más: Resúmenes: Aurora con Megan Stanley y Wessel Bruinsma

Conozcan más más: Proyecto Aurora: El primer modelo de cimentación a gran escala de la atmósfera  

Leer más: Predicción de auroras: un modelo de base 3D flexible de la atmósfera 

Más información: De la predicción de tormentas al diseño de moléculas: cómo los nuevos modelos de base de IA pueden acelerar el descubrimiento científico 

Fotos de Getty Images, de arriba a abajo: Frank Ramspott / E+ / onurdongel / E+ / Pavliha / E+ / David Clapp / Stone.