Las opiniones contenidas en estos puntos de vista, son responsabilidad exclusiva de los autores de las mismas, y no tienen que representar necesariamente la posición del resto de los miembros de la Junta sobre los temas tratados.

BUSCAR
Puntos de vista
por................... :

Utilizar
para volver a la cabecera de la página

¿POR QUÉ EL BINOMIO INTELIGENCIA ARTIFICIAL-AGUAS SUBTERRÁNEAS IMPORTA?
Lucila Candela Lledó. Dra. Ciencias Geológicas

Investigadora de IMDEA-Agua, ha sido profesora de la E.T.S. de ICCP  (UPC), profesora y miembro de la Comisión Docente del CIHS (Barcelona) y de la U. Libre de Bruselas (Bélgica). Ha sido gestora del P.N de I+D+i en RH  (MICON, actual Ministerio de C.I.U) y ERANETs ‘Crue e Iwrm.net (MICON- comunidad Europea); Vocal del CNA Ministerio de Medio Ambiente y vicepresidenta de la AIH-grupo español. Miembro electo en comisiones del External Advisory Group (Comunidad Europea), UNESCO-IAH, U. de Edimburgo (Escocia), Ministère de l’Environment (Francia) y ASEMWATER (China). Especialista Especialista en hidrología subterránea, con énfasis en recarga natural, transporte de contaminantes en aguas subterráneas y zona no saturada, (metales pesados, microcontaminantes emergentes, plaguicidas y nitratos). Ha publicado más de 100 artículos, libros y capítulos de libros y dirigido tesis doctorales y de master. Ha organizado cursos, seminarios y congresos a nivel nacional e internacional y ha participado como experta y conferenciante invitada en paneles nacionales e internacionales. Como investigadora principal en proyectos financiados por organismos nacionales e internacionales (Diversos Programas Marco de investigación de la comunidad Europea, DGXII, UNESCO, GEF, Banco Mundial, OIEA), empresas y administración. La financiación externa para estancias en el extranjero cabe destacar financiación Fullbright.

Huelga decir que actualmente todos somos conscientes que en la era digital el avance de las nuevas tecnologías y la Inteligencia Artificial (IA) han trasformado nuestro entorno con soluciones rápidas y eficientes. La carrera por el dominio de la IA es un objetivo a nivel mundial, como se ha constatado en la reciente conferencia anual del Foro Económico Mundial en Davos, orientado a temas económicos y políticos, y donde la IA ha constituido un foco de gran atención.

Entre los muchos ejemplos que se podrían citar es conocida la generación de imágenes con herramientas de IA de personajes que se profesan antipatía mutua fundidos en un abrazo, o la mejora artística de imágenes (cualquier adolescente es conocedor de esta herramienta). Por ello, la IA está integrada en casi todos los productos de Microsoft y Google de uso más o menos habitual. Por lo que respecta a la gestión del agua, también es frecuente su uso en distintos campos, como en localización de fugas, procesos de optimización, entre otras aplicaciones.

Un breve repaso a la IA indica que los datos, los científicos/profesionales (generalmente del campo de la estadística, programación o matemáticas) y la potencia computacional son los aspectos fundamentales de su desarrollo;   este último directamente ligado a las enormes cantidades de energía necesarias para gestionar los modelos. El consumo de electricidad en los centros de datos tiene un impacto físico significativo en los Recursos Naturales, especialmente en la demanda de agua. Su constatación ha conducido a introducir el término de huella hídrica de la IA.

De acuerdo a estimaciones, por cada secuencia de instrucciones de la IA se consumen en los centros de datos que la albergan aproximadamente 0.5L. Para el periodo anual 2021 a 2022 Microsoft ha aumentado el consumo de agua un 34% y Google un 22%; se desconocen los datos de Amazon. Datos procedentes del Instituto de la Ingeniería de España indican que Chat GPT-3 consume alrededor de 2L de agua para realizar entre 10-50 consultas. ¿Por qué los centros de datos necesitan tanta agua?: la necesidad de mantener temperaturas óptimas y bajo control en los servidores y racks de hardware informático a escala industrial requiere circular agua como refrigerante de forma continua. Es previsible que el creciente establecimiento de centros de almacenamiento y gestión de centros de datos, en el mundo y en nuestro país, conduzca a un aumento de la demanda de los RRHH.

El otro aspecto de la IA, relacionado directamente con la hidrogeología y las aguas subterráneas, es el uso de Machine Learning o Deep Learning, frecuente en el mundo académico y que seguramente su transferencia al mundo profesional acabará llegando tarde o temprano. 

Si nos atenemos a las definiciones, Machine Learning (ML) es un subconjunto de la IA centrado en el desarrollo de algoritmos que mejoran de forma automática a través de experiencias y mediante el uso de datos. En Machine Learning se capacita el aprendizaje de los ordenadores a partir de datos para la toma de decisiones o realizar predicciones, sin haber sido programados de forma explícita para ello. Así, en ML se le proporciona al ordenador unos ejemplos (datos) y se le pide calcular/ejecutar.  Llevar a cabo el proceso solo depende del ordenador y está basado en los ejemplos proporcionados: según se le proporcionen más datos la máquina aprende mejor ¡por ello los datos son el nuevo petróleo!.

En ‘Deep learning-DL no se le proporcionan ejemplos previos y sin intervención humana un algoritmo descubre los patrones generales de los datos y determina si una predicción es suficientemente precisa.

Trabajos basados Machine Learning o Deep Learning para cálculo de la recarga natural a los acuíferos de forma automatizada o para caracterizar la geometría de un acuífero mediante la combinación de datos procedentes de Landsat, resultados geofísicos, mapas geológicos, MDT, datos de ensayos de bombeo…etc., son prácticas actuales. En otras aplicaciones, para obtener el resultado buscado se ponen a punto modelos numéricos a partir datos almacenados en soportes informáticos y mediante la conexión o acoplamiento de algoritmos y su validación estadística, se obtiene y acepta el resultado final; sin una aparente intervención humana (salvo generalmente, teclear y evaluar datos por pantalla o por parámetros estadísticos…). A nivel académico empieza a ser frecuente encontrarse en trabajos relacionados con el ciclo hidrológico, como los anteriormente mencionados que plantean dudas sobre los resultados obtenidos, donde la parte conceptual relativa a los procesos es insuficiente y la componente humana (conocimientos, análisis, evaluación o síntesis de la información) está prácticamente ausente. Debido al proceso, se debe añadir que en ocasiones los autores del trabajo tienen dificultades para por ejemplo explicar un resultado poco coherente o la selección de un determinado parámetro.

Evidentemente no se puede negar que la IA se ha establecido en los últimos años como un poderoso auxiliar para la investigación científica, incluso existe la percepción de que algunos descubrimientos recientes no habrían sido posibles sin ella. Pero volviendo al ejemplo inicial, podremos mejorar una imagen de forma artística…pero parece ser que el mejor artista será aquel quien más atinadamente sepa dar las instrucciones a la máquina que los crea.  Cuando se plantean los posibles retos sobre el Futuro del Agua (ver CAS: De Bustamante, 2019; Jiménez, Mayo 2019; López Geta, marzo 2020) es importante reflexionar sobre el impacto de la IA, sobre si se le debería considerar como una herramienta más o como un salto cualitativo, y que consecuencias cabe esperar en un futuro no muy lejano. Si durante muchos años nuestra tarea ha sido el luchar contra las pseudociencias en las aguas subterráneas, ahora nos enfrentamos a una lucha más impersonal para la aplicación veraz de la tecnología, sean chatbots, IA o Machine Learning, entre otras que desconozco y que seguramente no tardarán en aparecer.