Investigadores del MIT enseñan a la IA a predecir catástrofes que nunca había visto

Científicos del Instituto de Tecnología de Massachusetts enseñaron a una inteligencia artificial a construir escenarios plausibles de catástrofes raras, incluso si el modelo nunca vio eventos similares durante el entrenamiento. El nuevo método puede ayudar a evaluar las consecuencias de lluvias récord, inundaciones, colapsos de mercados financieros y otros sucesos para los que resulta casi imposible recopilar suficientes ejemplos.

Kai Chang y Themistoklis Sapsis presentaron el método eta-learning. Los modelos comunes funcionan bien donde hay muchos datos de entrenamiento, pero empiezan a fallar en eventos raros. Se crea un círculo vicioso: para aprender a predecir una catástrofe, al sistema le convendría ver primero algunas catástrofes parecidas.

eta-learning evita esa limitación con ayuda de propiedades estadísticas conocidas de los eventos raros. El modelo continúa aprendiendo a partir de las observaciones disponibles, pero al mismo tiempo debe respetar la distribución prescrita de valores extremos. La información necesaria puede obtenerse de leyes físicas, datos no etiquetados o de una hipótesis estadística sobre cómo deberían distribuirse los eventos raros.

Los autores comprobaron el enfoque en cinco tareas, y los conjuntos de entrenamiento excluyeron intencionadamente los casos extremos que les interesaban. Para la verificación con datos reales, los especialistas utilizaron 25 años de datos horarios ERA5-Land de precipitación sobre la parte continental de EE. UU. entre 1999 y 2023. Especialmente ilustrativo es el experimento en el que un modelo de alta resolución se entrenó solo con datos de medio año. El enfoque habitual reproducía mal las precipitaciones intensas raras, mientras que eta-learning aproximó la distribución de los valores obtenidos a la estadística del conjunto completo de 25 años.

Modelar fenómenos raros tiene un coste en forma de cierta pérdida de precisión. En la experiencia con 9044 campos de precipitación, el error cuadrático medio (RMSE) aumentó un 8,13%, de 2,878 a 3,112. Al mismo tiempo, el índice de similitud estructural descendió solo un 0,30%, de 0,947 a 0,944. En otras palabras, la estructura espacial del resultado casi no se vio afectada, aunque valores individuales se volvieron menos precisos.

El método puede trabajar también con eventos que no aparecen ni siquiera en el conjunto histórico completo. Los especialistas definieron una distribución artificial con una mayor probabilidad de precipitaciones muy intensas y obtuvieron los escenarios correspondientes. No obstante, tales resultados no pueden considerarse una predicción. Si la suposición inicial sobre las probabilidades es errónea, eta-learning trasladará ese error a los eventos extremos generados. En una de las pruebas, a medida que aumentó el error en la distribución prescrita, el error cuadrático medio del resultado creció un 20,55%.

Existe otra limitación. El sistema puede generar una catástrofe estadísticamente verosímil, pero no garantiza el lugar, el momento ni el mecanismo físico correctos de su ocurrencia. Los autores proponen en el futuro añadir restricciones espaciales y temporales, leyes de conservación y otras condiciones físicas.

En el MIT consideran que el enfoque será útil no solo para el tiempo atmosférico. Las posibles áreas de aplicación incluyen crisis financieras, gestión de sistemas críticos, robótica y evaluación de riesgos. En lugar de intentar adivinar una única catástrofe futura, eta-learning permite crear numerosos escenarios estadísticamente plausibles y verificar de antemano hasta qué punto los sistemas están preparados para sucesos que antes no ocurrieron.