En plena temporada de invierno en julio, ¿cómo sabes si llevar paraguas al salir?
Puedes ver el cielo y notar si está nublado, ser precavido y llevar siempre algo con qué cubrirte, o lo más probable es que revises tu app del clima y veas el pronóstico del día. Pero, te has preguntado ¿cómo sabe Google si habrá lluvias o no?
Las predicciones del clima funcionan usando modelos numéricos que describen fenómenos físicos (cómo el Sol calienta la Tierra, el flujo de corrientes de viento, el movimiento de las mareas, formación de nubes, etc.). Estos modelos teóricos son luego puestos a prueba usando datos del clima recolectados durante años. La idea es darle al modelo variables físicas (temperatura del aire, presión, humedad, etc.) y que este haga una predicción del clima usando ecuaciones complejas. Meteorólogos expertos analizan luego los resultados de múltiples modelos y dan un pronóstico final. Y tarán! Esa es la predicción del clima que ves en Google.
Aunque las predicciones de los modelos numéricos son precisas, requieren el costoso uso de supercomputadoras para realizar los cálculos. Además, son modelos que han sido optimizados durante años, por lo que hacer modificaciones en tiempo real es un proceso arduo y lento. La inteligencia artificial (IA) es una herramienta que promete resolver muchos de estos problemas y revolucionar las predicciones climáticas. Muchas empresas tecnológicas como Google, IBM, o Nvidia han creado en los últimos años IAs que predicen el clima, y uno de los últimos modelos viene de Microsoft, con su modelo llamado Aurora publicado recientemente en Nature, que además de predecir el clima es capaz de predecir diferentes desastres naturales como ciclones tropicales, contaminación atmosférica, o fuerte oleaje oceánico. Todo esto a una mayor velocidad y precisión, y menores costos que otros modelos de IA y modelos numéricos tradicionales. Por ejemplo, el paper de Nature explica como Aurora puede predecir el clima con 10 días de antelación en segundos en comparación con las horas que toman los modelos sin IA.
Como muchas IA, Aurora funciona utilizando “machine learning”, un proceso en el que computadoras aprenden a hacer predicciones o seguir comandos sin necesidad de ser programadas para ello, únicamente reconociendo patrones. En contraste con los modelos numéricos, donde científicos definen las ecuaciones físicas que siguen las predicciones, modelos basados en IA son entrenados sin ningún conocimiento físico, únicamente estudiando datos del clima recolectados por décadas. En otras palabras, las IA se entrenan con variables atmosféricas iniciales (temperatura, presión, etc.) y los resultados del clima posteriores (temperatura, humedad, probabilidad de precipitación, etc.), y luego crean conexiones entre estas variables para poder predecir el clima.
Después del entrenamiento, las IA pueden predecir el clima de manera precisa incluso bajo condiciones atmosféricas previamente no estudiadas (no proporcionadas en el entrenamiento). Sin embargo, la precisión de estas nuevas predicciones depende de la cantidad de datos presentes en el entrenamiento, mientras más referencias tenga la IA para aprender, más complejas serán las conexiones que haga entre variables atmosféricas y mejores serán sus predicciones. Aurora se diferencia de otros modelos de IA en la gran variedad y cantidad de datos atmosféricos utilizados en su entrenamiento, por lo que entra en la categoría de “foundational model”. En total, Aurora fue entrenada con más de un millón de horas en forma de datos, lo que investigadores de Microsoft catalogan como la mayor colección de datos atmosféricos usada para entrenar un modelo climático de IA.
Usar un conjunto muy grande de datos en el entrenamiento de IAs es un trabajo costoso en recursos y tiempo. Sin embargo, los beneficios no son solo modelos mucho más precisos, sino también la capacidad de predecir eventos para los cuales la IA no fue entrenada :0. En el caso de Aurora, es capaz de predecir desastres naturales como ciclones tropicales, contaminación atmosférica, y fuerte oleaje oceánico. Los investigadores de Microsoft solo tuvieron que reentrenar a Aurora con nuevos datos sobre estos eventos extremos, en un proceso llamado “fine tuning”.
Convencionalmente, el problema que surge al entrenar modelos de IA para predecir desastres naturales es que los datos existentes sobre condiciones climáticas extremas son limitados, y por lo tanto insuficientes para lograr predicciones precisas. Aurora, al ser un “foundational model” pre entrenado con cantidades inmensas de datos atmosféricos, necesita únicamente una cantidad limitada de datos durante el “fine tuning”, logrando predicciones más precisas que modelos convencionales de IA. Por ejemplo, usando datos atmosféricos de Julio de 2023, cuando el tifón Doksuri golpeó las Filipinas, Aurora es capaz de predecir su formación y trayectoria con 4 días de antelación de manera precisa, mientras que las predicciones oficiales en ese entonces informaron erróneamente que el tifón golpearía la costa norte de Taiwán.
Al ser un modelo de IA, Aurora “no aprendió sobre química atmosférica, o cómo el dióxido de nitrógeno interactúa con la luz solar – eso no fue parte del entrenamiento original”, explica Megan Stanley, investigadora de Microsoft que es parte del equipo desarrollador de Aurora. “Aún así, luego del fine tuning, Aurora fue capaz de adaptarse y hacer predicciones debido a que había ya aprendido sobre muchos otros procesos atmosféricos en el pre training”. La capacidad de adaptarse a nueva información, incluso si la cantidad de datos disponibles es limitada, es la característica clave de los “foundational models” como Aurora, y es muy útil al intentar predecir procesos complejos como por ejemplo la contaminación atmosférica, que involucra reacciones químicas, concentraciones heterogéneas de gases, y emisiones globales relacionadas con la actividad humana.
Sin duda alguna, desde su surgimiento en los años 50, las IA han llegado para revolucionar múltiples campos, y en el caso de las predicciones climáticas, muestran el potencial de alertar a la población sobre posibles desastres naturales, con una precisión y rapidez nunca antes vista. También pueden ser usadas para optimizar la producción y el cuido de cultivos, evitando pérdidas por sequías o inundaciones. Y por último, son herramientas confiables y accesibles en el día a día para un público pendiente al clima.
En búsqueda de innovación en el campo de predicciones climáticas, Microsoft hizo público el código fuente de Aurora, por lo que cualquier persona puede descargarlo y construir sobre el modelo. Además, las predicciones climáticas de Aurora están siendo utilizadas en el MSN Weather, un servicio público con predicciones climáticas hora por hora desarrollado por el equipo de Microsoft.
Así que la próxima vez que veas el cielo nublado, pensá que una inteligencia artificial predijo esa lluvia con 10 días de antelación 😉.
Referencias:
From sea to sky: Microsoft’s Aurora AI foundation model goes beyond weather forecasting. Microsoft Source.
Bodnar, C., Bruinsma, W.P., Lucic, A. et al. A foundation model for the Earth system. Nature 641, 1180–1187 (2025).
A.I. Is Poised to Revolutionize Weather Forecasting. A New Tool Shows Promise. New York Times.
