Las inundaciones repentinas, eventos meteorológicos devastadores que cobran más de 5,000 vidas anualmente, han sido históricamente uno de los fenómenos más esquivos para la predicción. Su naturaleza fugaz y localizada ha creado un vacío de datos crucial, impidiendo que los modelos de aprendizaje profundo, cada vez más sofisticados en la previsión meteorológica, pudieran abordarlas con eficacia. Sin embargo, Google parece haber encontrado una solución ingeniosa, y sorprendentemente, la clave reside en la lectura de noticias.

La división de investigación de Google ha logrado un avance significativo al emplear su modelo de lenguaje grande, Gemini, en una tarea sin precedentes. Este sistema ha rastreado cinco millones de artículos de noticias de todo el mundo, identificando y procesando 2.6 millones de informes sobre diferentes inundaciones. El resultado es "Groundsource", una serie temporal de datos geoetiquetados que por primera vez proporciona una base de datos real y exhaustiva sobre estos eventos. Gila Loike, gerente de producto de Google Research, ha confirmado que esta es la primera vez que la compañía utiliza modelos de lenguaje para este tipo de trabajo, una revelación que subraya la versatilidad de la inteligencia artificial moderna.

Con Groundsource como cimiento, los investigadores entrenaron un modelo basado en una red neuronal de memoria a corto y largo plazo (LSTM). Este sistema ahora ingiere pronósticos meteorológicos globales y calcula la probabilidad de inundaciones repentinas en áreas específicas. Actualmente, el modelo de Google ya está señalando riesgos en zonas urbanas de 150 países a través de su plataforma Flood Hub, compartiendo activamente sus datos con agencias de respuesta a emergencias a nivel global. Un ejemplo palpable de su impacto es la experiencia de António José Beleza, funcionario de respuesta a emergencias en la Comunidad de Desarrollo de África Austral, quien destacó cómo el modelo ha mejorado la rapidez de su organización ante estos desastres.

Es cierto que el modelo aún tiene sus limitaciones. Su resolución es relativamente baja, identificando riesgos en áreas de aproximadamente 20 kilómetros cuadrados, y no alcanza la precisión de sistemas como el Servicio Meteorológico Nacional de EE. UU., en parte por no incorporar datos de radar locales en tiempo real. No obstante, la verdadera genialidad del proyecto reside en su diseño: está concebido para operar y ser efectivo en regiones donde los gobiernos locales carecen de la capacidad o los recursos para invertir en costosas infraestructuras de detección meteorológica o no poseen registros meteorológicos históricos extensos.

Juliet Rothenberg, gerente de programa en el equipo de Resiliencia de Google, explicó que al agregar millones de informes, el conjunto de datos de Groundsource "reequilibra el mapa", permitiéndoles extrapolar información a regiones con menos datos. El equipo de Google alberga la esperanza de que esta innovadora metodología, que transforma fuentes cualitativas (texto) en conjuntos de datos cuantitativos, pueda aplicarse a otros fenómenos efímeros pero críticos de pronosticar, como las olas de calor o los deslizamientos de tierra. Marshall Moutenot, CEO de Upstream Tech, una empresa que ya utiliza modelos similares para pronosticar flujos fluviales, elogió el enfoque creativo de Google, afirmando que la escasez de datos es un desafío monumental en la geofísica, y esta solución abre un camino prometedor. Es un testimonio claro de cómo la innovación tecnológica, aplicada de forma inteligente, puede salvar vidas y proteger comunidades en todo el mundo.