7.2 Impacto aguas abajo

🖥️ Diapositivas — Sesión 27 (vie 4 dic)

Cada proyecto final incluye una declaración de impacto aguas abajo de media página. Esta página define la indagación, muestra dos ejemplos resueltos y da el formato y la rúbrica.

El punto no es argumentar que su proyecto importa. Es trazar, con honestidad, la cadena que va de su resultado al mundo: quién actuaría, sobre qué decisión, con qué consecuencias cuando — no si — el modelo se equivoque. Un proyecto con una cadena de impacto modesta y trazada con precisión califica más alto aquí que una afirmación grandiosa sin cadena alguna.

Las cinco preguntas¶

Responda las cinco. Los nombres específicos le ganan a las categorías: «el jefe de Protección Civil municipal a cargo de inundaciones» le gana a «las partes interesadas», y «el sismólogo de turno del SSN que redacta el boletín de réplicas» le gana a «la comunidad».

1. ¿Quién podría actuar con este resultado? Roles o instituciones reales, y la forma en que necesitarían recibirlo (¿una API? ¿un mapa? ¿el cruce de un umbral?).
2. ¿Qué decisión cambiaría? Una decisión que se tomaría distinto con su resultado que sin él. Si ninguna decisión cambia, usted tiene una contribución al conocimiento — legítima, pero dígalo en vez de inventar usuarios.
3. ¿Qué podría salir mal si se equivoca — y quién paga ese costo? Los errores del modelo tienen dirección: las falsas alarmas y las omisiones caen sobre personas distintas. Nombre ambas direcciones de falla y quién paga cada una. Señale cuándo quienes cargan con el costo no son quienes eligieron desplegar el modelo.
4. ¿Cuál es la huella ambiental y computacional? Cómputo de entrenamiento e inferencia, almacenamiento y transferencia de datos, y si esa huella se justifica por la mejora sobre el modelo de referencia barato (disciplina del capítulo 3: usted conoce el número del modelo de referencia). Un modelo reentrenado cada noche en un clúster de GPU para superar a la persistencia por 2 % merece esa frase.
5. ¿Qué necesitaría un despliegue responsable que este proyecto todavía no tiene? La lista de brechas: evaluación con datos fuera de distribución, incertidumbres calibradas, un protocolo con humano en el circuito, monitoreo de deriva, una política de reentrenamiento. Nombrar las brechas es lo que vuelve creíble al resto de la declaración.

Ejemplo resuelto 1: un modelo de pronóstico de inundaciones¶

El proyecto: una LSTM que predice el nivel del río con 24 h de anticipación para dos cuencas aforadas del bajo Grijalva, en Tabasco, superando a la persistencia en 30 % de RMSE durante la temporada de nortes.

Quién podría actuar: el jefe de Protección Civil municipal (cierres de vialidades, avisos de evacuación) y el organismo operador de agua del municipio (vaciado preventivo de los vasos reguladores), ambos consumiendo un pronóstico de nivel con banda de incertidumbre, dos veces al día. Qué decisión cambia: el vaciado preventivo hoy arranca con un aviso del Servicio Meteorológico Nacional (SMN), que sobredispara; un pronóstico de nivel a 24 h bien calibrado podría reducir a la mitad, aproximadamente, los vaciados innecesarios. Qué sale mal: una omisión (se predice por debajo del nivel de desbordamiento; el río se desborda) significa inundación de vialidades sin aviso — el costo cae sobre quienes se transportan y sobre la credibilidad del jefe de Protección Civil, que los avisos futuros gastan. Una falsa alarma desperdicia agua almacenada y, repetida, erosiona la confianza hasta que los avisos se ignoran. Ambas cuencas están aforadas y son vecinas de los datos de entrenamiento; el modelo nunca ha visto una cuenca no aforada, un ciclón tropical fuera del rango de entrenamiento, ni la política revisada de descargas de la presa aguas arriba — y la población que depende del aviso no eligió el modelo. Huella: entrenamiento de ~2 horas-GPU por cuenca y por temporada; inferencia despreciable; la huella está dominada por el archivo de forzamientos ERA5 (~200 GB). Justificada frente a la ganancia de 30 %; no lo estaría para la ganancia de 4 % que vimos en los estiajes de primavera. Un despliegue responsable necesitaría: intervalos predictivos calibrados (los actuales tienen 55 % de cobertura empírica a un nominal de 90 %), un repliegue a la persistencia cuando las entradas se desactualicen, dos temporadas más de verificación fuera de muestra, y un acuerdo sobre quién revisa el pronóstico antes de que dispare cualquier cosa.

Ejemplo resuelto 2: un modelo de pronóstico de réplicas¶

El proyecto: un modelo neuronal que pronostica la distribución espacial de las réplicas en la semana posterior a un sismo principal M6+, evaluado por ganancia de log-verosimilitud sobre un modelo de referencia ETAS (decaimiento de Omori espacialmente uniforme).

Quién podría actuar: el sismólogo de turno del Servicio Sismológico Nacional (SSN) que redacta el boletín público de réplicas; una empresa eléctrica que decide el orden de inspección de sus subestaciones. Qué decisión cambia: el ruteo de las inspecciones — inspeccionar primero las 20 subestaciones con mayor probabilidad pronosticada, en vez de hacerlo por orden de radio. El boletín público no debería cambiar con esta evidencia: la ganancia del modelo sobre ETAS es modesta y no se ha probado en la geometría de fallas de la región. Qué sale mal: las direcciones de falla son asimétricas en visibilidad. Sobrepronosticar una zona tranquila cuesta horas de inspección. Subpronosticar la zona donde luego ocurre una réplica dañina cuesta una subestación sin reinspeccionar y, si el mapa era público, la credibilidad de la disciplina — los pronósticos de réplicas son uno de los pocos productos sismológicos que el público realmente consume. El costo de la omisión cae sobre gente que nunca vio la ficha de modelo. Huella: pequeña — el entrenamiento son horas en una GPU; la comparación honesta es que ETAS es casi gratis, interpretable y validado durante 30 años, así que la carga de la prueba está de nuestro lado, no del suyo. Un despliegue responsable necesitaría: pruebas prospectivas en un marco tipo CSEP contra ETAS a lo largo de varias secuencias, calibración de los mapas de probabilidad, y un protocolo sobre qué hace el sismólogo de turno cuando el modelo y ETAS discrepan. Hasta entonces esto es una comparación de investigación, y nuestra declaración lo dice.

El antipatrón¶

«Este trabajo podría ayudar a salvar vidas y proteger la infraestructura frente a los desastres naturales, contribuyendo a una sociedad más segura y resiliente.»

Cualquier proyecto del salón puede generar esta frase; un modelo de lenguaje la generará sin que se la pidan. No nombra actor, ni decisión, ni costo de falla, ni brecha — es infalsable, y se lee como lo que es: un sustituto de haber pensado la pregunta. Compare con la cadena específica: resultado → la decisión de vaciado del organismo operador de agua → costo de sobredisparo frente a costo de omisión → qué calibración falta. Note que la cadena específica también es más modesta — eso no es coincidencia. El relleno se infla precisamente porque no cuesta nada.

Formato y rúbrica¶

Formato: media página (250–400 palabras) en el informe final, bajo el encabezado «Impacto aguas abajo», respondiendo las cinco preguntas en orden — una a tres frases cada una. Escríbanlo ustedes; se permite redacción con IA si se declara, pero cada actor y cada costo nombrados deben sobrevivir a la pregunta «¿cómo lo sabe?» en la presentación oral.