Progresivamente se van detectando usos inesperados para Inteligencia Artificial y uno reciente y muy interesante es el hecho que IA puede identificar puntos de inflexión y ello tiene aplicaciones potenciales en muchos campos, incluyendo la economía y la epidemiología. Los puntos de inflexión son fáciles de detectar después que ocurren. Se les conoce también como “transiciones críticas” y ellas influencian todo, desde el comportamiento de los mercados financieros y la propagación de enfermedades hasta la extinción de especies. Cómo ejemplos, podemos referirnos al momento cuando Covid se convirtió en una pandemia mayor o a la crisis financiera 2007-09.  Por supuesto, la importante sería poder detectarlas antes que ocurran y eso es extraordinariamente difícil.

Investigadores en China, han demostrado que Inteligencia Artificial puede ayudar en ese tipo de situaciones. Ellos han podido predecir el comienzo de puntos de inflexión en sistemas complicados con el apoyo de algoritmos de aprendizaje automático. Piensan que la misma técnica se podrá usar para predecir problemas del mundo real, como inundaciones y apagones eléctricos, permitiendo enfrentarlos mucho más efectivamente. Para simplificar sus cálculos, el equipo de investigadores decidió manejar todos estos tipos de problemas a través de una red grande con nodos que interactúan y donde los  nodos representan elementos individuales o entidades dentro de un gran sistema.  En un sistema financiero, un nodo puede representar una empresa, y en un ecosistema un nodo puede significar una especie. A partir de allí, el equipo diseñó dos redes neurales artificiales: (a) la primera fue optimizada para hacer el seguimiento de las conexiones entre los nodos; (b) la otra fue optimizada para saber cómo los nodos individuales cambiaban en el tiempo.

Para entrenar el modelo, el equipo necesitaba ejemplos de transiciones críticas para las cuales hubiera mucha data disponible. Estas son difíciles de ubicar en el mundo real, precisamente por ser difíciles de predecir. Así que los investigadores se concentraron en sistemas teóricos simplificados, donde ocurren puntos de inflexión. Uno de estos, es el modelo Kuromoto de osciladores sincronizados, conocidos cuando péndulos fuera-de-sincronización comienzan a oscilar simultáneamente. Otro fue un ecosistema modelo, usado por los científicos para simular cambios abruptos, tales como el declive en cosechas o la presencia de plagas. Una vez que sus algoritmos pudieron predecir transiciones críticas en esos sistemas, los aplicaron al problema existente de la conversión de selvas tropicales en sabanas. Esto ha ocurrido múltiples veces en la tierra, pero los detalles de dicha transformación han sido un misterio. Este cambio mayor en el tipo de vegetación ha sido conectado a la disminución de la lluvia y tiene implicaciones importantes para la vida silvestre en la región, así como para los humanos que dependen de ella.

Los investigadores aprovecharon más de 20 años de imágenes satelitales de la cobertura arbórea y de la lluvia promedio en África Central e identificaron tres regiones que habían hecho la transición de selva tropical a sabana. Con la data entrenada de dos de las regiones pudieron predecir la transición en la tercera. Entonces le pidieron al algoritmo que identificara las condiciones que produjeron la transición. La respuesta fue la esperada, que dependía de la cantidad de lluvia, pero fue más allá.  Si la lluvia disminuía de 1.800mm a 1.630mm anuales se perdía el 5% de la cobertura arbórea, pero con un descenso de 1.630mm a 1.620mm, la cobertura arbórea descendía en un 30%. Esto sin duda corresponde a un punto de inflexión. Previamente, sin IA, no se había podido determinar esto. Al igual que muchos sistemas de IA, solo el algoritmo sabe las características y los patrones que ella identifica para realizar estas predicciones. Ahora el equipo está tratando de descubrir exactamente cuales son y con ello se podrá mejorar el algoritmo  y  hacer mejores predicciones.  Es un muy interesante primer paso.

Se hace referencia a AI can predict tipping points before they happen.  También aparece en mi Portal . La imagen es cortesía de Bing Image Creator.