Welt der Wissenschaft | Frank Techel (SLF) sobre personas y modelos

Además del modelo físico de manto de nieve SNOWPACK, que utiliza datos meteorológicos para calcular la estratificación del manto de nieve en un punto concreto, en el SLF se utilizan tres modelos de aprendizaje automático ("IA"). Estos modelos han "aprendido" correlaciones estadísticas entre las simulaciones de la capa de nieve, los datos meteorológicos y las observaciones de aludes o los niveles de peligro utilizando conjuntos de datos de entrenamiento. Las correlaciones aprendidas se utilizan para predecir parámetros relevantes de las avalanchas (probabilidad de desencadenamiento, nivel de peligro) sin la intervención de pronosticadores humanos.

PG: En sus publicaciones, usted escribe que la tendencia en la alerta suiza de avalanchas se aleja de un enfoque puramente "basado en expertos" y se acerca a un "enfoque basado en datos y modelos". Es ese un objetivo fundamental para usted?

FT: No sé si un enfoque puramente basado en datos y modelos es realmente el objetivo, pero sí veo como una evolución lógica una mayor integración de modelos cada vez mejores en el proceso de previsión. Hasta hace unos cinco años, lo único que teníamos en realidad en las alertas de aludes eran las observaciones de hoy, las mediciones de hoy y una previsión meteorológica para el día siguiente. También disponíamos del modelo de manto nivoso SNOWPACK, pero rara vez se utilizaba en nuestra zona. Por tanto, los modelos meteorológicos eran los únicos que realmente desempeñaban un papel. Todo lo demás lo hacían los vigilantes de aludes con su experiencia, sus conocimientos y su intuición. A eso me refiero con enfoque basado en expertos.

Desde hace unos años, disponemos de muchos más datos de modelos. Por un lado, SNOWPACK, que cada vez utilizamos más para hacer previsiones, y por otro, los modelos de aprendizaje automático que se añaden sobre SNOWPACK. Han pasado muchas cosas desde que se publicó el último artículo de PowderGuide sobre este tema. En aquel momento, ya habíamos probado parcialmente las cadenas de modelos, pero ahora son muy estables y están en uso operativo. Además de todo el trabajo de programación que ha sido necesario para ello, la formación de los guardas de aludes también es extremadamente importante. Todos tenemos que aprender lo que los modelos pueden hacer y, sobre todo, lo que no pueden hacer.

¿También está notando esta tendencia en los países vecinos hacia los modelos y lejos de la experiencia puramente humana?

Sí. Cuando hablo con colegas en Tirol, o en Noruega o Canadá, en realidad está claro para todos que los modelos ofrecen una gran oportunidad. No me refiero a la IA, sino a todos los modelos. Desde luego, aún queda mucho trabajo de implementación, así como de investigación, pero los modelos tienen un gran potencial para mejorar la alerta de aludes. Estoy tratando de promover esta transferencia - que los modelos realmente vienen de la investigación a nosotros en la previsión de avalanchas.

¿Qué aspecto tiene el "enfoque basado en modelos" en las operaciones diarias?

Aún no sé si lo llamaría enfoque basado en modelos. Pero los modelos ya ofrecen una valiosa segunda opinión sobre cómo interpretar los datos existentes. Así que cuando hago una previsión, sigo teniendo exactamente las mismas consideraciones que hace unos años, pero también tengo un modelo que me dice algo sobre la probabilidad de avalanchas espontáneas, por ejemplo.

Hablemos con más detalle de los modelos que utiliza. ¿Puede explicarnos brevemente qué hace SNOWPACK?

SNOWPACK toma los datos meteorológicos y los utiliza para calcular la capa de nieve, por así decirlo. Cada fenómeno meteorológico influye en el manto de nieve, ya sea un aumento con una nueva capa de nieve, o cuando penetra agua de deshielo, o cualquier otra cosa. SNOWPACK simula entonces estos procesos para un punto concreto.

SNOWPACK no es un modelo de IA, sino un modelo físico que calcula lo que ocurre en el manto de nieve cuando llueve o nieva sobre él, por ejemplo, basándose en nuestra comprensión del proceso.

Exactamente, sí.

Ahora tienen varios modelos de IA, como el Modelo de Nivel de Peligro, el Modelo de Inestabilidad y el Modelo de Avalancha Natural. ¿Qué hacen?

Como he dicho, tenemos las simulaciones muy complejas de SNOWPACK en cientos de puntos de datos y para diferentes exposiciones. En total, son muchos datos que primero hay que hacer utilizables e interpretables para el sistema de alerta de aludes. Con los modelos de IA, intentamos filtrar la información más relevante.

Los tres modelos de IA están entrenados para una cuestión muy específica. Cada uno puede hacer una cosa específica. El modelo de nivel de peligro, por ejemplo, ha utilizado datos de los últimos veinte años para aprender qué combinación de datos meteorológicos y capas de nieve SNOWPACK se correlaciona aproximadamente con qué nivel de peligro.

El modelo de inestabilidad es diferente. Sólo toma el perfil de capa simulado y pasa por cada combinación de capas. ¿Qué aspecto tiene la capa? ¿Podría ser una capa débil y hay una capa de nieve sobre ella? El modelo ha aprendido las correlaciones basándose en las pruebas de bloques deslizantes. A continuación, da una probabilidad de que se trate de una combinación típica de una capa débil y la "losa" que hay sobre ella. Basándonos en datos anteriores, esperamos entonces un resultado de bloque de deslizamiento más o menos débil. La combinación más desfavorable de capa y placa en un perfil simulado clasifica entonces el perfil de nieve como débil o estable.

El modelo de avalancha espontánea se basa en el modelo de inestabilidad y también toma la nieve fresca como parámetro. Ha aprendido de un conjunto de datos históricos con avalanchas observadas. El invierno pasado utilizamos el modelo por primera vez y analizamos su correlación con los aludes detectados por radar. Los datos de radar proceden de determinadas pistas de aludes en las que sensores instalados permanentemente reconocen cuándo está a punto de producirse un alud. Estos sistemas se utilizan, por ejemplo, para el cierre automático de carreteras en vías de tráfico expuestas. Se trata de un conjunto de datos interesante para evaluar el modelo de avalancha espontánea, ya que el radar registra las avalanchas prácticamente en tiempo real. En cambio, las observaciones humanas de los aludes suelen retrasarse un poco porque no siempre nos damos cuenta de que se producen en cuanto empiezan, o porque está nevando y simplemente no vemos nada. La comparación con las detecciones de radar confirmó nuestra sensación de que el modelo reacciona con un ligero retraso. Esto se debe probablemente a que el modelo se entrenó con observaciones humanas, que también sufren un ligero retraso. Por lo tanto, es muy importante para todos los modelos que sepamos cómo se entrenan los modelos, ya que esto también determina los posibles errores.

Los modelos estadísticos basados en IA se entrenan con tus previsiones y observaciones y con las simulaciones del manto nivoso de SNOWPACK. Eso significa que todavía tenemos que entender los procesos físicos y no podemos confiar sólo en la magia de la IA, ¿verdad? Me gustaría mucho disponer de modelos que representen lo mejor posible los procesos físicos. Nunca me fijo sólo en los resultados del modelo de inestabilidad, siempre vuelvo a la simulación SNOWPACK y miro algunas de las estaciones para ver si las capas parecen plausibles. Es muy importante que al menos empecemos a comprender lo que ocurre en estas largas cadenas de modelos. Los modelos de IA llegan al final y en realidad se superponen a todo lo que ocurre antes.

Los modelos de IA ayudan a extraer la información relevante. SNOWPACK escupe montones y montones de información y la IA la filtra por nosotros. ¿Puede resumirlo así?

Sí, se puede resumir así. Al fin y al cabo, se trata simplemente de modelos que acaban encima de SNOWPACK. Pero estos "pequeños" modelos han supuesto un gran salto en el uso de SNOWPACK en nuestro servicio de previsión. Esto se debe a que, de repente, hacen digerible el complejo resultado del modelo SNOWPACK extrayendo de él información relevante relativamente fácil de entender. Por lo tanto, creo que sería importante que pudiéramos integrar los modelos aún más fácilmente al crear la previsión.

¿Cómo funciona eso en la práctica? Yo digo tres más. Tú dices cuatro menos, el modelo dice tres más. Entonces formamos la mediana.

En este caso, si incluimos el modelo, empezaríamos con 3+ como punto de partida. Supongamos que ahora estoy muy descontento con dar a la situación un 3+ para mañana. Entonces mi tarea consistiría en explicar a los demás por qué no me parece correcto. Tan basado en datos como sea posible, aunque, por supuesto, esto es difícil porque al final siempre interviene nuestra interpretación humana. En este debate, es probable que se tomen decisiones en un sentido o en otro. Y esa es también una de nuestras debilidades, porque los humanos no siempre somos coherentes.

Así que sigue siendo humano?

Es claramente humano. Seguimos siendo sistemas de alerta de avalanchas fundamentalmente humanos. Sin embargo, los modelos pueden servirnos de apoyo y mostrarnos dónde tal vez debamos fijarnos más hoy.

¿Seguirá siendo así en el futuro?

No sé cómo será una alerta de aludes en el futuro. Quizá dentro de diez años la previsión tenga una alta resolución, quizá los modelos hagan gran parte de la previsión. ¿Quién sabe? Quizá por eso sea aún más importante que podamos dar explicaciones y comunicar al usuario: "Cuidado ahí...". En otras palabras, esa voz humana que aporta. Cómo será la previsión de avalanchas del futuro es algo que todavía tengo muy abierto.