Bloomberg — Himanshu Gupta es consciente de los estragos que está causando el cambio climático en la agricultura. Mientras crecía en la India y se dedicaba a la formulación de políticas públicas, presenció cómo el imprevisible retraso de la estación de los monzones perjudicaba a las siembras y deterioraba la vida de sus agricultores.
“Yo era consciente de que existía un enorme problema”, explica acerca de los riesgos que entraña el cambio climático para productos agrarios como el algodón y sus repercusiones en los medios de subsistencia. “La cuestión era: “¿Disponemos de la tecnología necesaria para solucionarlo?”.
Esa experiencia le impulsó a cofundar ClimateAi, una startup de la zona de la Bahía de San Francisco cuyo propósito es asistir a las explotaciones agrarias y otros negocios, a adaptarse a un clima más cálido y problemático recurriendo a la inteligencia artificial. Utilizando modelos de aprendizaje automático, la nueva compañía sostiene que sus clientes podrían prever y estar preparados ante los riesgos climáticos que amenazan a sus cadenas de suministro y actividades durante periodos que abarcan desde semanas hasta estaciones. Estos plazos, según Gupta, han constituido habitualmente una zona oscura para los predictores climatológicos que no tienen a su alcance herramientas basadas en la inteligencia artificial.
Pronosticar fenómenos climáticos extremos tales como huracanes y olas de calor para regiones geográficas muy determinadas con semanas o temporadas de anticipación es algo difícil de hacer con exactitud. Sin embargo, disponer de tiempo suficiente para hacer frente a una catástrofe natural puede ser decisivo para evitarla o no.
Si le dice al gerente de la cadena de suministro de una empresa que se acerca una ola de calor que puede afectar su cadena de suministro de algodón una semana antes de que llegue, dijo Gupta, no es tiempo suficiente para mover el inventario o prepararse de otras maneras. “Pero si les dijeras que existe un mayor riesgo de una ola de calor en la próxima temporada en esta zona donde creemos que el rendimiento del algodón podría haber disminuido, esto sería muy factible para ellos”, añadió.
ClimateAi creó modelos de aprendizaje profundo, incorporando parámetros oceánicos como la temperatura de la superficie del mar y la salinidad del océano, para predecir mejor los riesgos climáticos, incluso para regiones con datos meteorológicos limitados.
“El secreto es que los océanos son la memoria a largo plazo del clima de la Tierra que determina el clima a mediano y largo plazo de un lugar en particular, y podemos aprovechar esa memoria utilizando enfoques de aprendizaje automático”, dijo Gupta.
Esos enfoques incluyen la ingesta de datos de una variedad de fuentes y su uso para buscar patrones y hacer predicciones. ClimateAi combina sus modelos de aprendizaje profundo con modelos de pronóstico administrados por el gobierno, como los de la Administración Nacional Oceánica y Atmosférica de EE. U., y modelos numéricos como los utilizados por el Panel Intergubernamental sobre Cambio Climático para lograr lo que, según afirma, es una mayor precisión y confiabilidad en el pronóstico.
¿Como la IA puede ayudar al cambio climático?
El auge de la IA ha provocado un aumento de nuevas empresas que utilizan herramientas de IA para ayudar a las empresas e instituciones a prepararse para los impactos climáticos. Jupiter Intelligence, entre cuyos clientes se incluyen Con Edison y BP (BP), también utiliza modelos para analizar los riesgos financieros relacionados con el clima. Google tiene un grupo de investigación que aplica la IA a los desafíos meteorológicos y climáticos. En abril, la empresa de inteligencia climática Tomorrow.io, que también crea modelos impulsados por IA, se convirtió en la primera empresa privada en lanzar sus propios satélites meteorológicos con radar que espera ayuden a mejorar su modelado .
Pero el diferenciador de ClimateAi, según el cofundador y ex director de tecnología Maximilian Evans, es lo que llama “modelado de impacto”. Básicamente, la empresa crea dos tipos diferentes de modelos que pueden comunicarse entre sí. Uno está centrado en el clima y utiliza aportaciones de satélites, estaciones de radar y datos de estaciones meteorológicas públicas y privadas. El otro está centrado en el negocio e incorpora datos históricos de los clientes para variables como el rendimiento de los cultivos. Combinarlos puede proporcionar una visión más clara de, por ejemplo, el impacto del riesgo de calor en los cultivos.
Evans dijo que el objetivo no es sólo proporcionar un pronóstico climático preciso; se trata de proporcionar una “precisión en las decisiones” que permita a las empresas sentirse cómodas utilizando el pronóstico para tomar medidas.
La mayoría de los aproximadamente 40 clientes globales de ClimateAi se encuentran en las industrias alimentaria y agrícola, pero Gupta espera expandirse aún más a otros sectores, incluidos la manufactura y la energía.
Algunos de los clientes actuales de la empresa ya están empezando a ver los beneficios del uso de la tecnología. Driscoll’s Inc., un proveedor líder de frutas y otros productos, ha estado utilizando las herramientas de ClimateAi para ayudar en sus operaciones. La empresa es uno de los mayores proveedores de frutos rojos del mundo y genera US$4.000 millones en ingresos anuales por su producción de fresas, arándanos, frambuesas y moras.
Aunque las bayas se cultivan en toda América del Norte, aproximadamente la mitad de las granjas de la compañía están ubicadas en California, un estado propenso a sufrir episodios de calor extremo, sequías e incendios forestales. Las bayas son difíciles de cultivar en condiciones de mucho calor y son sensibles a los cambios climáticos. Las fresas , por ejemplo, sufren decoloración y un desarrollo deficiente de las raíces en climas muy calurosos. La sequía y la falta de agua provocan un tamaño más pequeño de las bayas y un menor rendimiento de los cultivos. Es por eso que la compañía está utilizando la tecnología de ClimateAi para ayudar a pronosticar dónde ubicar futuras granjas de bayas y determinar su estrategia de crecimiento a largo plazo.
Normalmente, explorar una nueva ubicación lleva muchos años e implica enviar equipos locales para recopilar datos sobre el suelo y el clima. Pero con la ayuda de herramientas predictivas como ClimateAi, las empresas pueden encontrar nuevas ubicaciones “en cuestión de minutos”, afirmó Evans.
“Estamos viendo el impacto del cambio climático. En California tenemos toda esta volatilidad”, dijo Soren Bjorn, presidente de Driscoll’s para las Américas. “Esto es como una póliza de seguro”.
A pesar de la promesa, existen desafíos que enfrentan los modelos de IA al predecir futuros cambios climáticos locales.
Los datos en algunas partes del mundo siguen siendo escasos, lo que puede ser un problema para las empresas con sede fuera de Estados Unidos y Europa, dijo David John Gagne, científico de aprendizaje automático del Centro Nacional de Investigación Atmosférica. Algunas ubicaciones tienen más observaciones de instrumentos de superficie y globos meteorológicos que otras, por lo que entrenar un modelo con datos principalmente de EE. UU. y aplicarlos para tomar decisiones para una empresa que opera en Sudamérica, por ejemplo, podría generar un modelo menos preciso dado el diferente clima. .
“Definitivamente ha habido mejoras en las previsiones, pero todavía hay mucha incertidumbre en el proceso”, dijo Gagne. “La incertidumbre, en algunos casos, puede ser mayor de lo que quisieran las personas que tienen que tomar decisiones”.
Gupta reconoció que esto es un problema para ClimateAi. La empresa perdió un cliente brasileño porque el modelo predictivo de ClimateAi no se pudo aplicar en su granja, un problema que Gupta atribuyó a la baja densidad de estaciones meteorológicas en Brasil.
“Desde el punto de vista de las probabilidades, siempre existirá la posibilidad de que nos equivoquemos”, afirma Evans. Pero el statu quo y la alternativa se basan en promedios históricos, que cada vez predicen peor lo que ocurrirá en un futuro afectado por el cambio climático.
“Así que no se trata de ‘cuál es la otra cara’, sino de ‘¿cuál es la mejor alternativa?’”, dijo.
Lea más en Bloomberg.com
