La IA ya puede ver el futuro: información de mañana disponible hoy

Científicos de la Universidad de California en Santa Cruz presentaron un nuevo enfoque para la predicción de series temporales, que permite a las redes neuronales predecir eventos futuros con mucha más precisión utilizando datos "del futuro inmediato". Su metodología, denominada "aprendizaje guiado por el futuro", mostró una eficacia especialmente alta al analizar electroencefalogramas (EEG) para la predicción de crisis epilépticas. Según los datos del estudio, la precisión de las previsiones aumentó hasta un 44,8% en comparación con los algoritmos básicos.

El desarrollo se basa en la interacción de dos modelos de redes neuronales que operan en distintos horizontes temporales. El primero, a modo de "profesor", analiza los datos estando más cerca del momento del evento, y el segundo, el "estudiante", intenta prever la ocurrencia del evento con antelación. El profesor transmite al estudiante los resultados de sus propias predicciones, lo que permite a este último aprender a partir de esas señales y corregir sus pronósticos.

En la práctica funciona así: el modelo "profesor" recibe los datos de EEG y determina si un ataque se está produciendo en ese instante. El modelo "estudiante", situado 30 minutos en el pasado, aprende a prever si se producirá un ataque dentro de media hora. Cuando el profesor detecta un riesgo alto de un episodio actual, esa información se utiliza de inmediato por el estudiante para corregir su propio pronóstico. Esta retroalimentación permite que el sistema se adapte a las particularidades individuales del paciente.

La principal ventaja del enfoque radica en que el aprendizaje es continuo y personalizado. En lugar de requerir la participación constante del médico, los algoritmos pueden perfeccionar por sí mismos la precisión de las previsiones, basándose en los patrones únicos de la actividad cerebral de cada persona. En el futuro, modelos similares podrían integrarse con dispositivos portátiles, por ejemplo relojes inteligentes, que registrarían simultáneamente las medidas actuales y predecirían los riesgos de crisis.

Los resultados comprobados en dos conjuntos de datos mostraron distintos niveles de mejora. En la base de datos del Hospital Infantil de Boston y del MIT la precisión de las previsiones creció un 44,8%, ya que el sistema se entrenó con datos individuales de cada paciente. Al utilizar la base de datos de la Sociedad Estadounidense de Epilepsia, donde la muestra de entrenamiento fue generalizada y no vinculada a una persona concreta, el aumento fue del 8,9% —lo que se aproxima más a las condiciones de la práctica clínica real.

Para comprobar la universalidad del método, los investigadores lo aplicaron también a la tarea matemática de predecir sistemas dinámicos —la ecuación de Mackey–Glass. Allí la mejora fue del 23,4% en comparación con métodos tradicionales, lo que confirma la flexibilidad del algoritmo y su idoneidad para ámbitos muy distintos en los que es importante trabajar con series temporales.

Los autores subrayan que la idea se inspira en el funcionamiento del cerebro humano. La neurofisiología considera el cerebro como un sistema que predice continuamente el futuro y corrige las expectativas al enfrentarse a "sorpresas". En esencia, los errores de percepción se convierten en fuente de aprendizaje, ayudando a ajustar más rápidamente el comportamiento y las previsiones. Los investigadores creen que los resultados pueden ser útiles no solo en medicina, sino también para comprender cómo el cerebro maneja distintas escalas temporales —desde milisegundos hasta meses.

La universalidad del aprendizaje guiado por el futuro lo hace relevante para multitud de tareas: desde la salud hasta la industria y la economía, donde son críticas las previsiones precisas y la capacidad del sistema para adaptarse a nuevos datos.