La IA para contrarrestar  la crisis climática y sus aplicaciones

La búsqueda de soluciones al mayor problema al que enfrenta la Tierra  podría beneficiarse del aprendizaje automático.

Por: Ing. Jaime Edgard Ventura Pajuelo. Analista de Gestión Ambiental de la revista Si crees, Innovas.

sectores y en áreas como la I+D, la fabricación, la distribución o la comercialización. El de la sostenibilidad y la protección del medio ambiente no es una excepción: una nueva realidad que incluye campos como la gestión de la energía, la conservación de la biodiversidad y los océanos, la lucha contra el desperdicio alimenticio, o el monitoreo y prevención de los desastres meteorológicos y los fuegos forestales a través de alertas tempranas.

El cambio climático es el mayor problema al que se enfrenta el planeta y, para acabar con él, necesitaremos todas las soluciones posibles, también tecnologías como la inteligencia artificial (IA).

Algunos propietarios ya han sufrido los efectos de un entorno cambiante. Para otros, puede parecer menos tangible. Para que resulten más realistas para más gente, los investigadores del Instituto de Algoritmos de Aprendizaje de Montreal (MILA, por sus siglas en inglés), Microsoft y ConscientAI Labs han empleado Redes Generativas Antagónicas (RGA), un tipo de IA, para simular el aspecto de las casas tras haber quedado dañadas por el aumento del nivel del mar y tormentas más intensas. Jackie Snow 2019.

Una investigación científica del 2029,  Tackling Climate Change with Machine Learning, obtuvo gran reconociendo académico dentro de una serie de conferencias alrededor de la Inteligencia Artificial (IA), teniendo  como objetivo llamar la atención a todos investigadores y  aquellos que trabajan la IA en cualquiera de sus variaciones, de la necesidad de colaborar conjuntamente a la hora de ayudar en la lucha contra el cambio climático.

La inteligencia artificial (IA) es la inteligencia demostrada por las máquinas. A diferencia de la inteligencia natural que muestran los humanos y los animales, en principio no involucra la conciencia y la emocionalidad. La distinción entre la primera y la última categoría a menudo se revela por el acrónimo elegido. La IA ‘fuerte’ generalmente se etiqueta como AGI (Inteligencia General Artificial). Aunque los intentos de emular la inteligencia ‘natural’ se han llamado ABI (Inteligencia Biológica Artificial).

Los principales textos de IA definen el campo como el estudio de los «agentes inteligentes»; cualquier dispositivo que perciba su entorno y realice acciones que maximicen sus posibilidades de lograr con éxito sus objetivos. Comúnmente, la referencia al término «inteligencia artificial» se refiere para describir máquinas (o computadoras) que imitan funciones «cognitivas». Funciones que los humanos asocian con la mente humana, como «aprender» y «resolver problemas».

La inteligencia artificial está emergiendo como un catalizador clave en el escenario ESG (ambiental, social y de gobernanza) de las organizaciones, ofreciendo nuevas oportunidades para abordar los desafíos de sostenibilidad de manera innovadora y efectiva. Sin embargo, este escenario promete tanto aplicaciones prometedoras como retos inherentes a su implementación.

__

Machine learning  de la IA

La investigación de MILA presenta hasta 13 áreas o materias relacionadas con el aprendizaje automático (machine learning). Áreas específicas que pueden ayudar a luchar contra el cambio climático. Pueden ayudar en diferentes aspectos como la producción de energía, la eliminación de CO2, la educación, la geoingeniería solar y las finanzas, las contribuciones de la ingeniería ambiental y  dentro de esos campos, se abren grandes posibilidades de innovación e investigación hacia la calidad de vida y la mejora continua o mejora constante. Por ejemplo, la construcción de edificios más eficientes energéticamente, la arquitectura ambiental. La creación de nuevos materiales bajos en carbono. La mejora el monitoreo de la deforestación y para la creación de nuevas formas de transporte más ecológicas.

Según David Rolnick, de la Universidad de Pennsylvania, la IA puede ayudar, aunque no puede resolver por sí sola todos los problemas. Pero sí ser una herramienta muy útil y provechosa para la lucha contra el cambio climático.

La informática climática y los  mejores modelos climáticos

La informática climática o del clima es una disciplina creada en 2011 que surge de la unión entre la ciencia de datos y la ciencia del clima. Se ocupa de una variedad de temas como la predicción de eventos extremos como los huracanas, la peleoclimatología (reconstruyendo condiciones climáticas del pasado), usando modelos tanto a nivel local como a gran escala para predecir el tiempo o analizando los impactos socioeconómicos del cambio climático.

La informática climática puede abrir a nuevos conocimientos a partir de las complejas simulaciones generadas por estos modelos climáticos. Estos modelos comenzaron a usarse en la década de 1960. Desde entonces han creado simulaciones de océanos, mares, criosfera, la superficie terrestre o los glaciares. Modelos que sirven a corto y largo plazo cuyos datos pueden dar como resultado predicciones del cambio climático. Datos que pueden permitir una mejor organización y previsión de los diferentes agentes involucrados en la lucha contra el cambio climático.

Los modelos climáticos son conjuntos de ecuaciones matemáticas basadas en las leyes de la física, la química y la biología que se utilizan para comprender el clima cambiante de la Tierra. Debido a que el clima no se puede estudiar en un laboratorio, estos modelos se ejecutan en computadoras para hacer proyecciones de cómo está cambiando el clima.

Los científicos utilizan diferentes tipos de modelos para cuantificar diferentes aspectos del cambio climático. Estos incluyen:

• Modelos para proyectar la cantidad de gases de efecto invernadero que crearán los seres humanos
• Modelos del sistema terrestre para proyectar cómo reaccionará el sistema climático de la Tierra a esas emisiones
• Modelos de impacto para proyectar cómo afectarán a las personas los cambios climáticos resultantes

Los científicos pueden evaluar la calidad del desempeño de los modelos climáticos.

Los científicos han estado estudiando el cambio climático durante más de 50 años. Los modelos climáticos se han vuelto cada vez mejores con el paso del tiempo.

Una forma de evaluar cuán bien se desempeñan los modelos es mediante la observación de modelos más antiguos y ver si sus predicciones se hicieron realidad. Un estudio de 17 modelos climáticos que se remontan a principios de la década de 1970 descubrió que la mayoría de los modelos hicieron un buen trabajo al predecir las temperaturas de las décadas siguientes.

Además de proyectar el clima de la Tierra a lo largo de períodos prolongados, los científicos también usan modelos para predecir condiciones a corto plazo como el tiempo, el comportamiento de la corriente Jet Stream y fenómenos como El Niño. Estas predicciones se han vuelto mucho más precisas con el paso del tiempo.

Otra forma de evaluar modelos es mediante la observación de si pueden reproducirlos cambios climáticos que ocurrieron en el pasado de la Tierra. Los modelos que reproducen los cambios climáticos anteriores, como los períodos cálidos y las edades de hielo, se consideran más confiables. Sin embargo, es importante tener en cuenta que en el futuro puede haber cambios que la Tierra no ha experimentado antes; por lo tanto, lo que sucedió en el pasado solo puede garantizar hasta cierto punto que las proyecciones de modelos para el futuro sean confiables.

Los científicos ambientales confían en varias proyecciones y menos en otras

El Gans y los efectos del clima extremo

El GANs es un tipo de IA realizada por diferentes institutos, laboratorios y empresas tecnológicas con el fin de mostrar a los ciudadanos qué podría pasar en sus viviendas en caso de ser dañados por el aumento del nivel del mal o por intensas tormentas. No se trata tan solo de concienciar sobre la realidad del cambio climático desde conceptos teóricos o abstractos. Se trata de mostrar sus posibles consecuencias directas en los hogares. Esto es, enseñar que el cambio climático no es algo alejado, que puede tener repercusiones directas en la vida de las personas.

Basada en varios algoritmos, esta aplicación se está perfeccionando para ir más allá de las viviendas. La intención es mostrar cómo barrios y poblaciones enteras pueden sufrir las consecuencias del cambio climático. De ahí que se haya solicitado en determinadas zonas imágenes de los ciudadanos. El objetivo es poder usar esos datos de cara a completar el algoritmo y crear previsiones cada vez más certeras.

El aporte de la red discriminadora de las Gans

Si se comienza con un dataset de imágenes de animales, como por ejemplo, los perros, en un principio, el generador mostrará imágenes al azar que se asemejarán al ruido estático que se produce en una vieja televisión analógica.

En este momento entra en liza la segunda red, la denominada discriminadora. Está entrenada en la identificación, algo que a la Inteligencia Artificial se le da mejor. Por lo tanto, analiza el material generado por la red generativa y establece si se ajusta o no a lo que se está buscando.

En una terminología algo más técnica, se puede decir que toma la decisión de si los datos que revisa pertenecen o no al conjunto de los datos de los entrenamientos.

Con el ejemplo del investigador Goodfellow, cuando se entrenan las redes, el generador puede ofrecer imágenes que engañen al discriminador. Es decir, desde un principio el generador establecerá bien los colores, se distinguirán imágenes marrones y verdes, ya que la inmensa mayoría de imágenes son de perros marrones en un pasto verde y el generador permanecerá completamente engañado durante un breve espacio de tiempo.

La red discriminadora ayuda a la generadora a ofrecer resultados más certeros y tan similares a una imagen real que no se pueden diferenciar

Posteriormente, el discriminador aprenderá a buscar las formas de perros y el generador tendrá que desarrollar bien las formas para así engañar al discriminador. Durante todo este proceso, las redes mejoran y aprenden de su oponente.

En caso contrario, si la red generativa no puede hacer pasar ese material como auténtico, será descartado y se notificará a la red en qué medida se ha acercado a esa referencia deseada utilizada como su modelo de entrenamiento. Lo cual fuerza a la red a intentarlo de nuevo.

Se pueden realizar cientos de miles o, incluso, millones de intentos, antes de que la red discriminadora acepte el resultado que le ofrezca su rival. Durante todos los rechazos que se producen, la red generativa aprende, y esa es la finalidad de la red discriminadora. Por otro lado, esta red guía a la red generativa con la información que le da sobre sus porcentajes de acierto.

Dicho de otra forma, es algo como cuando una persona se deja guiar en la búsqueda de un objeto mediante el juego de ‘frío y caliente’. El papel de la red discriminadora es decir a la generadora cuánto se aproxima en cada uno de los intentos realizados.

En resumen, las GANs son una nueva forma para combinar dos redes neuronales profundas. En ella, la discriminadora ayuda a la generadora a ofrecer resultados más certeros y tan similares a una imagen real que no se pueden diferenciar.

Referencias:

Fundación Aquae

National Academy of sciences

National Geographic

Agenda APD

Si crees, Innovas-Ciencia y Tecnología

*******

La crisis climática: ¿Se puede salvar el planeta con ideas ingeniosas? | DW Documental

Cómo contrarrestar la crisis climática | DW Documental