Inteligencia artificial y Ciencias de la Tierra
Un panorama general de la ficción a las Geociencias en menos de mil palabras
26 Enero 2021 | Por Daniel Morales – Invitado
Palabras clave: Inteligencia Artificial – Geociencias – Machine Learning – Data Mining – Ciencias de la Tierra
Cuando se habla sobre Inteligencia Artificial, la imaginación suele dirigirse a tres vertientes principales: 1) las máquinas como sirvientes súper eficaces, 2) la autonomía de pensamiento y decisión robótica, o 3) la dominación mundial por seres tecnológicos. Pero, más allá de la memoria frente a las pantallas y literatura apocalíptica ¿Qué es en realidad la Inteligencia Artificial? ¿Se limita a robots y computadoras con capacidades sobrehumanas? ¿Qué tiene que ver todo esto con las Geociencias? Intentaremos abordar, más no resolver, esas cuestiones a continuación.
La mayoría de lo que se relaciona con Inteligencia Artificial (IA), lleva a pensar al ámbito de las máquinas y la robótica, para los más chicos hasta los más longevos, ejemplos sobran en la cultura popular. Por un lado, podemos recordar a Robotina de la caricatura Los Supersónicos como la ama de casa perfecta, a R2-D2 y C-3PO de la saga de Star Wars ayudar a defender la galaxia de forma estoica, a WALL-E de la película de Disney como un obrero espacial con ilusiones amorosas ante una inteligente EVA, hasta llegar a los Terminator, robots catastróficos con capacidades superiores a las humanas.
Si bien existe un objetivo real en desarrollar máquinas con la capacidad de replicar el comportamiento humano, vale la pena acotar que la IA se puede definir como: la capacidad de programar el aprendizaje automatizado, a partir de datos enfocados a la toma de decisiones bajo un complejo proceso de razonamiento (tal y como lo haría el ser humano), con la ventaja que los dispositivos no necesitan descansar y pueden analizar grandes volúmenes de información, sumado a que la cantidad de errores tiende a ser menor (Rouhiainen, 2018).
|Glosario|
Conjunto ordenado y finito de operaciones que permite hallar la solución de un problema. En el caso del Machine Learning se utiliza para generar modelos de aprendizaje.
Magnitud que puede tener un valor cualquiera de los comprendidos en un conjunto. Para los sistemas terrestres el estado de cada elemento que lo conforma.
Cambio en el ritmo real o supuesto apreciado en largas series de observaciones de elementos climáticos.
Probabilidad espacial y temporal de que ocurra un evento que pueda perjudicar la cotidianidad de las sociedades.
Conjunto de programas, instrucciones y reglas informáticas para ejecutar ciertas tareas en una computadora.
Componente físico de una computadora.
Dispositivo que detecta una determinada acción externa, temperatura, presión, etc., y la transmite adecuadamente.
En este sentido y aplicada a las Ciencias de la Tierra, la IA se enfoca principalmente en sistemas de Minería de Datos (Data Mining) (Götz et al., 2015), y en modelos predictivos a partir de Aprendizaje Automatizado (Machine Learning) (Thessen, 2016). La minería de datos cobra sentido al tener la capacidad de gestionar bases de datos extensas y con un periodo de tiempo de actualización muy corto. Esta labor requiere de métodos sofisticados y computadoras con ciertas características que puedan ordenar, estructurar y presentar la información de manera rápida. La Data Mining suele ser utilizada en: datos de temperatura, precipitación y viento (climatológicos); registros sísmicos; reportes de actividad volcánica; captura de información sobre mareas y oleaje (oceanográficos); imágenes del territorio (Satelitales o aéreas); entre otras categorías que requieren de monitoreo casi en tiempo real y/o conforman compendios de información que tienen mucho tiempo recolectando datos.
| Ejemplo de una neurona normal (izquierda) y una neurona artificial (derecha). En ambas se reconocen entradas de información (dendritas) y razonamientos (sinapsis) de salida (axon). En el diagrama inferior se muestra como este razonamiento humano se replica de manera artificial con una red neuronal; existen entradas de información, los pesos sirven como juicio y en su conjunto como sumatoria dan una función de activación que otorga una respuesta como salida, asemejando cualquier toma de decisión. Modificada de Matich 2001 y Nevtipilova et al., 2014
Por otra parte, la premisa del Machine Learning es que a partir de una estructura matemática tipo algoritmo1, se pueda generar un modelo predictivo conforme a los datos que se tienen recolectados. En otras palabras, el análisis se inicia al pensar que los procesos de los sistemas terrestres tienden a comportarse de manera similar a como lo han hecho en el pasado, es decir, se puede realizar una asociación del comportamiento cíclico en los datos conforme pasa el tiempo, bajo cierto estado e interacción de los elementos y situaciones que conforman el ambiente (variables2). Predicciones de cambio climático3, modelos de peligro4 ante fenómenos naturales, clasificaciones de información, son ejemplo de cómo a partir de bases de datos, se pueden simular escenarios o dar respuesta a preguntas que por la cantidad de componentes que pueden llegar a tener, el razonamiento lógico humano es incapaz de procesar.
Retomando la ficción, un ejemplo caricaturesco es Karen la supercomputadora compañera de Plankton en Bob Esponja. De manera rápida y eficaz analiza, describe y ordena ingredientes para intentar definir cuál es la fórmula de la Cangreburguer. Karen, hace un modelo predictivo de los posibles ingredientes de la hamburguesa conforme a otros alimentos de comida rápida que Plankton lleva a analizar. Machine Learning en su máxima expresión, desgraciadamente en su caso, con un gran margen de error.
| Karen, computadora ficticia capaz de utilizar el Machine Learning. Copyright: Nickelodeon
FUENTE ©Viacom
Existe una delgada línea entre lo que es una máquina y lo que se puede denominar un robot. Esta frontera es la Inteligencia Artificial: mientras que una máquina cualquiera permite aplicar técnicas de Inteligencia Artificial, un robot lleva programado un sistema de aprendizaje que le permite realizar tareas conforme a una experiencia mecánica. Si bien en las Geociencias no se ha dado el paso para robotizar el actuar, existe un importante desarrollo en software5 avanzado disponible para cualquier equipo de cómputo estándar (hardware6), además, de un crecimiento agigantado en los aparatos que toman datos de diversas índoles.
Un ejemplo son Las Redes de Sensores Ambientales (Environmental Sensor Networks) (Hart y Martinez, 2006). Para entender estas redes es necesario apoyarse en la figura 3, se puede plantear hipotéticamente un estudio del oleaje de una costa en particular, cada elemento que se quiera conocer es medido a partir de un nodo, este nodo es un sensor7 que toma la información de diversos tópicos (en este caso costero puede ser: altura de las olas, período, dirección de propagación, nivel del agua, velocidad y dirección de la corriente cercana a la superficie, condiciones meteorológicas, etc). La información recolectada se almacena en diversas estaciones que a su vez están interconectadas en una red que sube los datos a un servidor web en donde se puede consultar la información, la IA en este caso es fundamental para la automatización del proceso. Más allá de lo hipotético, el caso anterior lo realiza el sistema de monitoreo de oleaje de la Universidad de Lousiana [https://www.wavcis.lsu.edu/].
| Modelos de redes de sensores ambientales. Modificada de Hart y Martinez 2006
Escribir de manera general sobre las Geociencias siempre es complicado; existen tantas ramas y puntos por abarcar que, como se puede ver en este artículo, se omiten muchos elementos. En el ámbito de la IA, es recurrente reflexionar sobre la obsolescencia humana. Por fortuna, hasta el día de hoy, la vida natural supera a los sistemas computarizados por su capacidad de sentir, por su cultura y por desarrollarse en espacios socialmente construidos. Mientras el ser conserve la capacidad de abordar cada rubro de las ciencias a escalas muy detalladas, se podrá apreciar la variabilidad en los fenómenos que no detecta la máquina por más algoritmos que tenga ésta implementados. Además, las leyes fundamentales de la Robótica enunciadas por Isaac Asimov en 1942, permiten seguir avanzando sin temor:
“-Un robot no hará daño a un ser humano ni, por inacción, permitirá que un ser humano sufra daño.
-Un robot debe cumplir las órdenes dadas por los seres humanos, a excepción de aquellas que entren en conflicto con la primera ley.
-Un robot debe proteger su propia existencia en la medida en que esta protección no entre en conflicto con la primera o con la segunda ley.”
| Isaac Asimov (1920-1992). Escritor estadounidense de origen ruso que destacó especialmente en el género de la ciencia-ficción y la divulgación científica.
Referencias
- Götz, M., Richerzhagen, M., Bodenstein, C., Cavallaro, G., Glock, P., Riedel, M., & Benediktsson, J. A. (2015). On scalable data mining techniques for earth science. Procedia computer science, 51, 2188-2197.
- Hart, J. K., & Martinez, K. (2006). Environmental sensor networks: A revolution in the earth system science?. Earth-Science Reviews, 78(3-4), 177-191.
- Matich, D. J. (2001). Redes Neuronales: Conceptos básicos y aplicaciones. Universidad Tecnológica Nacional, México.
- Nevtipilova, V., Pastwa, J., Boori, M. S., & Vozenilek, V. (2014). Testing artificial neural network (ANN) for spatial interpolation. J Geol Geosci, 3(145), 2.
- Rouhiainen, Lasse. (2018). Inteligencia artificial. Madrid: Alienta Editorial.
- Thessen, A. (2016). Adoption of machine learning techniques in ecology and earth science. One Ecosystem, 1, e8621.
