This Climate Does Not Exist: la herramienta que usa IA para visualizar el cambio climático

Preocupado por el fuerte aumento de los desastres naturales en todo el mundo, un equipo de investigadores de inteligencia artificial de Mila (Instituto de Inteligencia Artificial de Quebec) ha desarrollado un sitio web que permite ver el posible impacto del cambio climático en cualquier dirección de cualquier punto del planeta.

¿Cómo se vería un lugar si lo azotara una fuerte inundación, incendios forestales o smog? Utilizando una clase de algoritmos de aprendizaje automático llamados redes generativas antagónicas (GAN), el sitio This Climate Does Not Exist crea un filtro realista del impacto del cambio climático en ese lugar en Google Street View. 

Esta experiencia aumenta la conciencia de los usuarios sobre los posibles escenarios si la respuesta del mundo al cambio climático sigue siendo ineficaz. El proyecto es la culminación de dos años de trabajo. Ha movilizado a más de 30 especialistas y empleados bajo la dirección de Yoshua Bengio, incluidos investigadores destacados de la empresa como Sasha Luccioni, Victor Schmidt y Alex Hernández-García. Ha sido posible gracias a la contribución financiera y tecnológica de numerosos socios.

This Climate Does Not Exist es una experiencia basada en la inteligencia artificial y la empatía, que permite a los usuarios imaginar el impacto de la crisis climática actual en el medio ambiente. Las GAN son una clase de marcos de aprendizaje automático que permiten a un ordenador crear y transformar imágenes.

Los investigadores llamaron al proyecto «Este clima no existe» para subrayar que el cambio climático está provocando efectos terribles en todo el mundo ahora mismo, aunque no lo experimentes en tu propio patio trasero. También es una alusión a la tendencia que utiliza la inteligencia artificial para crear imágenes de cosas irreales, como personas, gatos, mariposas e incluso pies.

«Elegimos este nombre para ilustrar que, aunque las imágenes creadas por la inteligencia artificial que reflejan las consecuencias de la crisis climática no son reales, sirven para aumentar la conciencia y motivar a la acción», explicaron los creadores del proyecto. No se dedican a la climatología, pero hicieron todo lo posible por reunir fuentes fiables de socios como la Red de Acción Climática.

Los científicos informáticos muestran un gran interés por el cambio climático y su impacto en el medio ambiente. Han decidido utilizar la IA para mejorar el mundo. El cambio climático es un grave problema para la humanidad. Prevenir sus consecuencias catastróficas requerirá cambios tanto en la política como en el comportamiento de las personas.

Sin embargo, muchos sesgos cognitivos impiden que las personas actúen, dado que el cambio climático es un fenómeno abstracto que resulta difícil percibir como una amenaza directa para uno mismo. Esto provoca un distanciamiento psicológico, cuya distancia percibida puede estar relacionada tanto con el tiempo (ya que los efectos del cambio climático están en el futuro) como con el espacio (ya que muchos de sus efectos ocurren lejos de nosotros). 

Los estudios muestran que mostrar a las personas imágenes de las consecuencias del cambio climático —ciudades inundadas, bosques destruidos por incendios y ciudades envueltas en smog— puede ayudar a reducir esa distancia psicológica, sobre todo si los lugares son familiares para el espectador.

«Creemos que usar la IA para crear imágenes de impactos climáticos personalizados será especialmente eficaz para superar los obstáculos a la acción y aumentar la conciencia sobre este importante problema. Esperamos que este proyecto permita a los espectadores replantearse sus sesgos cognitivos y tomar medidas, tanto a título individual como en cuanto miembros de la comunidad mundial, para detener el cambio climático», afirmaron los científicos.

Las redes generativas antagónicas (GAN) se inventaron en Montreal en 2014, lo que dio a la IA la capacidad de generar nuevo contenido, como imágenes, texto e incluso música. Al principio, las GAN aprendieron a crear la imagen de una persona a partir de un conjunto de ejemplos, como imágenes de distintas personas. Después se mejoraron para permitir la conversión de un grupo de imágenes en otro. Este proceso se implementó por primera vez en la arquitectura CycleGAN, que permite convertir caballos en cebras, manzanas en naranjas y paisajes invernales en veraniegos.

Las redes generativas antagónicas o GAN son modelos de inteligencia artificial formados por dos redes neuronales: un generador y un discriminador. Estas redes compiten entre sí. El objetivo del generador es engañar al discriminador creando imágenes lo más realistas posible, por ejemplo, calles inundadas, mientras que el discriminador intenta distinguir las imágenes creadas por el generador de las imágenes reales de escenas inundadas. Este proceso impulsa al generador a mejorar gradualmente la calidad de las imágenes que crea y a engañar al discriminador cada vez con más frecuencia.

Al final del proceso de entrenamiento, las imágenes creadas por el generador deben ser indistinguibles de las reales. Esto se llama «convergencia». En la práctica, lograr esa similitud es difícil, ya que las imágenes tienen muchas características y atributos, por lo que el generador debe aprender una función matemática muy compleja para crear imágenes realistas. Por esta razón, los investigadores necesitaron varios meses para desarrollar y entrenar las GAN.

En particular, su enfoque divide la tarea de crear eventos en varias partes. La primera parte se centra en aprender una «representación» general, que es un conjunto de números que comprimen la información contenida en las imágenes. La segunda parte utiliza esta información para crear distintos eventos a partir de la misma representación. Esto proporciona una cadena de procesamiento eficiente, en la que los científicos no necesitan procesar la imagen de entrada varias veces para generar visualizaciones de distintos eventos. En su lugar, reutilizan esta etapa intermedia de «codificación» del contenido de la imagen.

Para visualizar el smog, se utiliza la representación intermedia para crear un mapa de profundidad que predice la distancia de cada píxel a la cámara, de modo que el smog pueda escalarse correctamente y los objetos situados más lejos se vean menos nítidos que los más cercanos.

Para crear una imagen de incendio forestal, los investigadores utilizan la representación general para generar una «máscara del cielo», que predice qué píxeles de la imagen de entrada pertenecen al cielo, de modo que puedan volverse naranjas, aplicarles un difuminado y, después, ajustar el contraste general.

Por último, para simular una inundación, la representación general se procesa para obtener una «máscara de inundación», que muestra dónde hay que añadir agua en la escena original. Después, esta máscara se utiliza en la última pieza del rompecabezas, otra red neuronal cuya tarea es dibujar el agua en la imagen de entrada basándose en la máscara de inundación y teniendo en cuenta el contexto de la imagen de entrada.

Mila es un instituto de investigación en inteligencia artificial fundado en 1993 por el profesor Yoshua Bengio de la Universidad de Montreal. El instituto reúne a más de 500 investigadores especializados en aprendizaje automático. La misión de Mila es ser un polo mundial de logros científicos que inspiren la innovación y el desarrollo de la inteligencia artificial en beneficio de todos.

Esta organización sin ánimo de lucro ha recibido reconocimiento internacional por su importante contribución al aprendizaje automático, especialmente en los campos del modelado del lenguaje, la traducción automática, el reconocimiento de objetos y los modelos generativos.