MATEMÁTICAS Y FÍSICA

Investigadores de la Universitat de València (UV) presentan recientes avances en la inferencia causal y en las oportunidades que este proceso de deducción ofrece a la investigación en ciencias de la Tierra y el medio ambiente.

AUTOR: UV

Los nuevos algoritmos integran el razonamiento causal mediante técnicas de aprendizaje automático (machine learning). El objetivo es mejorar la comprensión, a partir de series temporales observacionales, de los procesos de la naturaleza que conducen a problemas climáticos y medioambientales.

 

El panorama actual se ha publicado en la revista Nature Reviews Earth & Environment.

 

Distinguir entre causa y efecto es una tarea que ha ocupado a científicos y filósofos durante milenios. Inferir qué es causa y qué es efecto en cuestiones que atañen a la naturaleza es crucial para la investigación en ciencias de la Tierra y el medio ambiente, ya que esta facultad servirá para mejorar la comprensión, más allá de la simple correlación estadística, de los factores determinantes los principales problemas climáticos y medioambientales.

 

A lo largo de los últimos años se han desarrollado algoritmos que mejoran las variables críticas para la monitorización de la Tierra y se ha aumentado la capacidad de deducción de relaciones causales entre variables mediante el uso únicamente de datos. Ahora, nuevas técnicas de análisis a partir de datos de series temporales aportan a este campo un enfoque novedoso, tal como se refleja en un artículo publicado en la revista Nature Reviews Earth & Environment.

 

En esta review, un equipo de la Universitat de València, en colaboración con universidades y centros de investigación de Alemania, analiza los resultados en este campo y aborda la necesidad y la importancia de profundizar en la inferencia causal.

 

“Entender y demostrar cómo los cambios en una variable causan cambios en otra es fundamental para desarrollar algoritmos de inteligencia artificial más confiables y comprensibles”, señala Gustau Camps, catedrático de Ingeniería Electrónica de la Universitat de València, investigador del Image Processing Laboratory (IPL) y autor principal del artículo. “Sin la inferencia causal, la inteligencia artificial está limitada; no es capaz de detectar el porqué de las cosas. Sin embargo, los métodos causales actuales ya pueden identificar si una variable es causa o efecto, y todo ello a partir de medidas y de observaciones de series temporales”, prosigue.

 

“Esto permitirá tomar decisiones informadas sobre políticas medioambientales, planificación urbana y adaptación al cambio climático, lo que impacta directamente en la sociedad, la economía y la sostenibilidad”, añade Gherardo Varando, miembro del equipo de investigación en el IPL y coautor del artículo.

 

Causal inference for time series, como se titula el artículo, revisa las familias de métodos existentes, plantea ventajas e inconvenientes de cada una de ellas y expone ejemplos prácticos de aplicación en ciencias ambientales. Resume, además, las posibilidades de desarrollar algoritmos de predicción causales, más robustos, más fiables y más explicables; evalúa los códigos disponibles para cada problema concreto, y presenta una plataforma web donde los científicos pueden validar sus resultados causales.

 

La integración del pensamiento causal en la ciencia basada en datos facilitará la comprensión de los procesos y el desarrollo de modelos de aprendizaje automático y estadísticos más sólidos para las ciencias de la Tierra y el medio ambiente. La medicina, la economía y la agricultura, entre otros, son sectores que podrían beneficiarse de estos avances. “Se trata de un campo extremadamente útil y ya contamos con algoritmos operacionales para atacar problemas reales”, concluyen los científicos de la Universitat de València.

DESTACAMOS