La Universitat col·labora amb Microsoft Research per desenvolupar models d’Intel·ligència Artificial per a la seguretat alimentària a Àfrica

En aquesta edició, Microsoft ha finançat 9 projectes de col·laboració amb el món acadèmic de tot el món que abasten temes com l'enginyeria de materials, la fusió de dades i la inferència causal per entendre i predir el risc climàtic. El projecte de la Universitat de València juntament amb la Universitat de Reading s'anomena Causal4Africa, i investigarà el problema de la seguretat alimentària a l'Àfrica des d'un nou punt de vista de la Intel·ligència Artificial (IA). El problema és d’urgència donada la greu situació del continent, agreujat per la pandèmia, la cadena de subministrament, i els conflictes armats. El projecte il·lustrarà la utilitat de la inferència causal i l'estimació dels efectes a partir de dades observacionals mitjançant l'anàlisi d'intervenció. El projecte és molt ambiciós, anant més enllà del poder predictiu de la IA, anant cap a una IA que entenga les relacions causa-efecte en l'avaluació del risc climàtic, el qual permetrà l’interpretació i l'avaluació de la probabilitat i les conseqüències potencials d'intervencions específiques.

“Estem molt il·lusionats per començar el projecte i la col·laboració amb Microsoft. Abordar aquest problema en la intersecció del clima, el medi ambient i la societat amb mètodes avançats de descobriment causal és un repte, i és molt motivador”, afirma el professor Gustau Camps-Valls, coordinador del grup ISP de la Universitat de València. El professor Ted Shepherd, líder de l'equip de la Universitat de Reading (Regne Unit) del projecte, afegeix: "L'objectiu general és il·lustrar com el descobriment causal i els mètodes d'avaluació de l'impacte causa-efecte ajuden a entendre l'impacte de les intervencions humanitàries en nivells de seguretat alimentària”.

El doctor Gherardo Varando (co-IP al projecte, i membre de l’ISP a la Universitat de València) comenta: “El problema és molt complex; S'han d'esperar relacions causa-efecte multivariants, multiescala, no lineals i espai-temporals, juntament amb efectes ocults o latents. Els mètodes estàndard d'aprenentatge automàtic (el conegut com ‘machine learning’) només prediuen bé, però no poden explicar o entendre els problemes. Necessitem algorismes avançats d'inferència causal per descobrir les relacions causals i per avaluar les conseqüències potencials d'intervencions específiques". José María Tárraga, membre de l’equip investigador de l'ISP a la Universitat de València, afegeix: "La seguretat alimentària està a un nivell de risc sense precedents en aquests dies, especialment provocat per esdeveniments de sequera contínues, interaccions complicades entre els preus dels aliments, inflació energètica i una ajuda humanitària insuficient, juntament amb conflictes armats i fluxos migratoris”. Gustau conclou: “Efectivament, entendre eixes relacions amb algorismes i dades ens pot donar claus objectives sobre què i com podem prendre accions per anticipar i remediar els problemes de seguretat alimentària a escala continental o global.”