La investigación y resultados fueron parte de su tesis de Doctorado en Ingeniería Informática, dirigida por el profesor Héctor Allende.

Muchas actividades dependen del pronóstico fiable de valores futuros. Para hacerlo, se han concebido modelos de redes neuronales que toman valores previamente observados, y proveen una descripción de la distribución de probabilidad de los valores futuros, en vez de solo un valor esperado. Esta tarea, llamada pronóstico probabilístico, permite prepararse para diferentes situaciones potenciales con distinta probabilidad de ocurrencia, en vez de prepararse solo para una situación promedio que podría no ocurrir en la realidad.

Estos modelos consideran la incertidumbre de los valores futuros usando diferentes representaciones, que incluyen intervalos de pronóstico, cuantiles, o supuestos distribucionales. En todas ellas, dos fuentes de incertidumbre deben ser consideradas: incertidumbre aleatoria, asociada a la elección del modelo, incluyendo la no consideración de otras variables que podrían otorgar más información sobre la variable pronosticada; e incertidumbre epistémica, relacionada a la falta de suficientes datos de entrenamiento para ajustar los parámetros del modelo. A raíz de aquello, y la baja consideración de esta última por muchos trabajos, el objetivo de la investigación realizada por Cristian Serpell fue desarrollar modelos de pronóstico probabilístico basados en aprendizaje profundo (redes neuronales) para series de tiempo, aplicándolos, en particular, a datos del mundo de la energía, como rapidez del viento y demanda eléctrica.

La comisión de su examen estuvo compuesta por los profesores Dr. Esteban Gil, co-director de tesis; Dra. Raquel Pezoa,  correferente interna; PhD. Gonzalo Ruz, correferente externo nacional (Facultad de Ingeniería y Ciencias- Universidad Adolfo Ibáñez); PhD. Alejandro Frery, correferente externo internacional (Victoria University of Wellington, NZ); y Dr. Mauricio Solar, Presidente Comisión.

Resultados

"En este trabajo, propuse un modelo de pronóstico probabilístico de aprendizaje profundo que considera ambas fuentes de incertidumbre. Para la primera, se considera un supuesto distribucional, que permite elegir entre distintas familias de distribuciones; y, para la segunda, se usa Monte Carlo Dropout, una técnica que muestrea valores distintos para los parámetros cada vez que se evalúa la red neuronal. Este modelo es validado para pronóstico a múltiples pasos de velocidad del viento, potencia eólica y demanda eléctrica, importantes tareas para el sector eléctrico, donde la penetración de fuentes de energía renovables no convencionales ha incrementado la incertidumbre presente en los sistemas eléctricos", detalla Cristián Serpell, exalumno del doctorado en Ingeniería Informática e Ingeniero Civil en Computación de la Universidad de Chile.