Astronómico no sólo se refiere al quehacer de las científicas y científicos que miramos el cielo, también es un adjetivo que indica una escala fuera de nuestra experiencia humana.
A diferencia de la emergente ciencia de datos, que parte del dato como unidad de conocimiento que debe ser entendida y usada al analizarla en su contexto, las ciencias que tratan con muchos datos lo hacen partiendo de una pregunta que requiere información específica de cada uno de los detalles para encontrar una respuesta.
La capacidad técnica de recopilar y hacer disponible cualquier observación ha producido una montaña cada vez más grande de data que promete respuestas variadas si solo podemos “minarla” adecuadamente. La analogía minera es muy útil pues desenmarañar la madeja de bits de información para formar una respuesta coherente de la proverbial montaña, es un trabajo en sí masivo y tedioso, que requiere herramientas especializadas. La inteligencia artificial permite automatizar el proceso de búsqueda sin mayor interacción humana.
Naturalmente esta ciencia se formó en ignorar lo no esencial de los datos obtenidos, enfocándose en la hipótesis que motivó las observaciones. Esto se alinea bastante con el éxito de las redes neuronales, que al incorporar más datos generaliza las respuestas.
Las imágenes astronómicas tienen la virtud de ser simples en su interpretación y de estar estandarizadas. Eso les hace particularmente adeptas a ser minadas para encontrar eventos relacionados con objetos y fenómenos físicos que pueden ser modelados en detalle. Esto es aún más cierto para los datos tomados desde el espacio, sin la interacción de la atmósfera. La estabilidad de las observaciones permiten analizar variaciones extremadamente sutiles.
Al modelar las observaciones de manera cada vez más precisa, se desnudan los efectos instrumentales. Así se evidencia, por ejemplo, el proceso de eliminación de rayos cósmicos en observaciones solares, que permiten observar fantasmas que corresponden a objetos muy rápidos que fueron eliminados, pero cuyo efecto sobrevive en la variación estadística de las imágenes. Esto permite, por ejemplo, medir in-situ la población que termina cayendo a la superficie de la Tierra en forma de meteoritos. Asimismo, analizamos los datos de observatorios orbitales para monitorear y caracterizar cómo ha aumentado la basura espacial.
El próximo año verá la primera luz el Vera Rubin Telescope, del cual la FCFM lidera uno de sus componentes más importantes con el broker AleRCE. Este proyecto se centra en el análisis de datos “astronómicamente” masivos para identificar una cantidad sin precedentes de fenómenos transientes, catalogando todas las agujas del pajar. En torno a preguntas específicas se diseñan distintas maneras de tomar, analizar y correlacionar estos datos para maximizar la ciencia que se obtendrá de este experimento. La comunidad astronómica mundial lleva años preparándose para hacerse cargo de una avalancha de alertas que requerirán observaciones adicionales para identificar y entender.
Una de las lecciones de la experiencia astronómica en big data e inteligencia artificial es que, al llevar al extremo el uso de estas técnicas, aprendemos aprendemos tanto de la forma en que se tomaron los datos como del fenómeno observado. Para ser útil, la inteligencia artificial requiere del mismo cuidado y atención al detalle que caracteriza el trabajo experimental. En la ciencia, como en la vida, no hay atajos para el éxito.
