Google utiliza Gemini para crear un conjunto de datos global de pronóstico de inundaciones

Las inundaciones repentinas se encuentran entre los eventos meteorológicos más mortales del mundo, cobrando la vida de más de 5000 personas cada año. El jueves por la mañana, Google compartió públicamente una investigación y un nuevo conjunto de datos de series temporales con etiquetas geográficas llamado Groundsource para ayudar a abordar este desafío. Para construir el conjunto de datos, los investigadores de Google utilizaron Gemini, el modelo de lenguaje extenso de la empresa, para clasificar 5 millones de artículos de noticias de todo el mundo y aislar reportes de 2,6 millones de inundaciones diferentes. Según Gila Loike, gerente de producto de Google Research, esta es la primera vez que Google utiliza modelos de lenguaje para este tipo de trabajo.

Utilizando Groundsource como base, los investigadores entrenaron un modelo de pronóstico construido sobre una red neuronal de memoria a largo y corto plazo (LSTM, por sus siglas en inglés)—un tipo de arquitectura de red neuronal recurrente—para ingerir pronósticos meteorológicos globales y calcular las probabilidades de inundaciones repentinas. El modelo destaca actualmente los riesgos en 150 países en Flood Hub, la plataforma de Google para compartir datos de riesgo de inundaciones, y comparte sus datos con agencias de respuesta a emergencias de todo el mundo. Sin embargo, el modelo tiene limitaciones. Es de resolución bastante baja, identificando riesgos en áreas de 20 kilómetros cuadrados, y no es tan preciso como el sistema del U.S. National Weather Service (Servicio Meteorológico Nacional de EE. UU.), ya que carece de datos de radar locales.

El proyecto tiene como objetivo específico trabajar en regiones que carecen de costosa infraestructura de detección meteorológica. Juliet Rothenberg, gerente de programa en el equipo de Resiliencia de Google, habló con reporteros esta semana y explicó que agregar millones de reportes ayuda a reequilibrar el mapa al permitir que el equipo extrapole a regiones con menos información. El modelo de pronóstico fue probado por la Southern African Development Community (Comunidad de Desarrollo de África Austral), una organización donde el funcionario de respuesta a emergencias António José Beleza dijo que el sistema les ayudó a responder a las inundaciones más rápidamente. Marshall Moutenot, director ejecutivo de Upstream Tech—una empresa que utiliza modelos de aprendizaje profundo para pronosticar caudales de ríos—señaló la importancia del enfoque. Moutenot, quien también cofundó dynamical.org para curar datos meteorológicos listos para el aprendizaje automático, destacó la dificultad persistente de encontrar información base confiable. “La escasez de datos es uno de los desafíos más difíciles en la geofísica. Simultáneamente, hay demasiados datos de la Tierra y, cuando quieres evaluar frente a la realidad, no hay suficientes. Este fue un enfoque realmente creativo para obtener esos datos”, dijo Moutenot.

Por qué importa

Al utilizar modelos de lenguaje extensos para convertir reportes de noticias cualitativos en conjuntos de datos cuantitativos, Google está abordando un problema crítico de escasez de datos en el pronóstico meteorológico. Este enfoque podría ayudar a proporcionar predicciones de inundaciones repentinas para regiones que carecen de costosa infraestructura física de detección meteorológica.