El proyecto comenzó en 2019 y nació de una iniciativa del director del SLF, Jürg Schweizer. En ello trabajó un equipo de investigadores del SLF y pronosticadores de avalanchas, junto con colegas del Centro Suizo de Ciencia de Datos. Durante dos años, la física Cristina Pérez experimentó con diferentes métodos y conjuntos de datos, procesó los datos y finalmente entrenó el modelo con ellos. Para ello, utilizó datos meteorológicos y simulaciones de la capa de nieve de veinte años atrás, a partir de mediciones del sistema intercantonal de medición e información IMIS. Este enfoque se llama aprendizaje automático. Entre los retos, por un lado era necesario elegir los parámetros para que los algoritmos fueran cada vez más precisos. “Por otro lado, fue difícil obtener una buena precisión para el nivel de alerta de aludes cuatro, porque este nivel de alerta alto ha aparecido rara vez en los últimos veinte años, por lo que la base de datos era bastante reducida”, explica Pérez. Los colaboradores del servicio de previsión de avalanchas llaman Palantir a la plataforma en la que consultan los distintos modelos ML, basados en las siete bolas de cristal del mundo de fantasía Arda de JRR Tolkien, cuyo continente más conocido es la Tierra Media, y que muestran escenas muy distante en el espacio y el tiempo.
Por supuesto, los colaboradores humanos del servicio de previsión de aludes utilizan para su trabajo los mismos datos y modelos que el ordenador. Pero también utilizan información como observaciones de campo actuales y comentarios. La computadora no tiene estos datos. El algoritmo se basa exclusivamente en simulaciones de la capa de nieve como entrada. Por otra parte, aunque sólo sea por razones de tiempo, los hombres eligen entre la cantidad de datos aquellos que son relevantes para ellos, la máquina no hace una selección. “Los modelos permiten una resolución espacial y temporal que los humanos nunca alcanzaremos”, afirma Techel. El hombre y la máquina se complementan. Los algoritmos ayudan a interpretar conjuntos de datos básicos. Ambos bandos también cometen errores. “La buena noticia es que los modelos cometen errores diferentes a los nuestros”, dice Techel. De este modo, el servicio de previsión de aludes obtiene una segunda opinión independiente y puede reconsiderar su resultado actual para el boletín de aludes en caso de discrepancias importantes.
Actualmente, el equipo continúa desarrollando el proyecto y quiere combinar mejor las predicciones humanas y mecánicas en el futuro. “Esto también significa una presentación más intuitiva de los resultados para el servicio de previsión de aludes”, explica Techel.
