Interpretable Markov-Based Spatiotemporal Risk Surfaces for Missing-Child Search Planning with Reinforcement Learning and LLM-Based Quality Assurance

Each language version is independently generated for its own context, not a direct translation.

Imagina que un niño se ha perdido. Las primeras 72 horas son como una carrera contra el reloj: si no actuamos rápido y con inteligencia, las posibilidades de encontrarlo disminuyen drásticamente. Sin embargo, a menudo los equipos de búsqueda tienen que trabajar con información desordenada, fragmentada y confusa (como notas manuscritas, informes viejos y mapas en papel).

El artículo que presentas describe un sistema llamado "Guardian" (Guardián), diseñado para ser el "cerebro" digital que ayuda a la policía a organizar el caos y decidir dónde buscar primero.

Aquí te explico cómo funciona, usando analogías sencillas:

1. El Problema: El Caos de la Información

Imagina que tienes que armar un rompecabezas, pero las piezas están en diferentes idiomas, algunas están rotas y otras son de otro rompecabezas. Los investigadores humanos tienen que leer cientos de documentos para entender: ¿dónde fue visto por última vez? ¿Caminaba o iba en coche? ¿Es de día o de noche?

Guardian entra en escena como un traductor y organizador automático. Toma todos esos documentos desordenados (PDFs, notas) y los convierte en un mapa digital limpio y ordenado, listo para ser analizado.

2. La Solución: El Sistema de Tres Capas (El "Trío Mágico")

Guardian no es una sola herramienta, sino un equipo de tres expertos digitales que trabajan en cadena. Piénsalo como una fábrica de decisiones:

Capa 1: El "Cristal Adivino" (Modelo de Markov)

Esta es la primera parte. Imagina que tienes una pelota de goma que representa al niño perdido.

Cómo funciona: El sistema dibuja un mapa gigante de cuadrículas (como un tablero de ajedrez). Sabe que el niño fue visto en un punto específico (el "Punto de Inicio").
La magia: En lugar de pensar que el niño puede estar en cualquier lugar al azar, el sistema usa reglas lógicas:
- Si hay una carretera cerca, es más probable que el niño se mueva por ella (como un río que sigue el cauce).
- Si es de noche, el niño podría buscar un lugar escondido (como un bosque o un parque).
- Si es de día, quizás se mueva más por caminos abiertos.
El resultado: El sistema "empuja" la probabilidad de dónde está el niño a través del mapa, hora tras hora. No es una bola de cristal mágica, sino una predicción matemática que dice: "Es muy probable que esté aquí, menos probable allá, y casi imposible en la otra punta del estado".

Capa 2: El "Estratega Táctico" (Aprendizaje por Refuerzo)

Ahora que tenemos el mapa de probabilidades (dónde podría estar), necesitamos decidir dónde enviar a los equipos de búsqueda. No podemos buscar en todo el estado a la vez; tenemos recursos limitados (policías, perros, drones).

La analogía: Imagina que eres un general jugando a un videojuego de estrategia. Tienes un mapa con zonas rojas (alta probabilidad) y azules (baja probabilidad). Tienes un número limitado de tropas.
La función: Este "estratega" calcula la mejor manera de mover a tus tropas para cubrir las zonas rojas primero, evitando duplicar esfuerzos. Decide: "Enviamos al equipo A a la zona X durante las primeras 24 horas, y al equipo B a la zona Y para las siguientes 48 horas".
El objetivo: Maximizar la oportunidad de encontrar al niño lo antes posible, optimizando cada paso.

Capa 3: El "Inspector Humano" (IA con Lenguaje Natural)

Aquí es donde el sistema se vuelve muy inteligente y seguro. A veces, las matemáticas pueden dar un resultado que es "correcto" en números pero "ridículo" en la vida real (por ejemplo, sugerir buscar en medio de un lago si el niño no sabe nadar, o en una zona que no tiene sentido por la historia del caso).

La analogía: Imagina que el Estratega (Capa 2) te entrega un plan de búsqueda. Antes de que lo envíes a la policía, un Inspector Experto (una Inteligencia Artificial avanzada) lee el plan y lo revisa.
La función: El Inspector lee el caso completo (la historia, las pistas) y dice: "Oye, este plan matemático sugiere buscar en el norte, pero el niño fue visto yendo hacia el sur y le gusta esconderse en lugares altos. ¿Estás seguro? Quizás deberíamos ajustar la prioridad".
El resultado: El Inspector no cambia las matemáticas, pero reordena las prioridades para asegurarse de que el plan tenga sentido lógico y humano antes de que salga a la calle.

3. ¿Qué logra todo esto?

El sistema produce un "Mapa de Riesgo" actualizado cada hora (24, 48 y 72 horas).

Te dice: "El 50% de probabilidad de encontrar al niño está dentro de un círculo de 20 millas alrededor del último lugar visto".
Te dice: "El 90% de probabilidad está en esta región más grande".
Te da una lista de "Zonas Prioritarias" ordenadas de la más importante a la menos importante.

4. ¿Por qué es importante?

Rapidez: Convierte horas de lectura de documentos en minutos de análisis.
Claridad: Transforma datos confusos en un mapa visual que cualquiera puede entender.
Seguridad: Al tener al "Inspector" (IA) revisando el trabajo, se evitan errores tontos y se mantiene la confianza de los investigadores humanos.
Adaptabilidad: Si aparece una nueva pista (un nuevo avistamiento), el sistema se reinicia y actualiza el mapa al instante.

En resumen

Guardian es como tener un equipo de detectives virtuales que nunca duerme:

Uno lee y organiza los papeles.
Otro calcula dónde es más probable que esté el niño basándose en carreteras y horarios.
Otro diseña el plan de búsqueda perfecto para ahorrar tiempo y recursos.
Y un cuarto revisa todo para asegurarse de que tiene sentido antes de que los humanos actúen.

El objetivo final no es reemplazar a los policías, sino darles superpoderes para tomar decisiones más rápidas y acertadas en las horas más críticas de una investigación.

Each language version is independently generated for its own context, not a direct translation.

Aquí tienes un resumen técnico detallado del artículo "Interpretable Markov-Based Spatiotemporal Risk Surfaces for Missing-Child Search Planning with Reinforcement Learning and LLM-Based Quality Assurance" (Superficies de Riesgo Espaciotemporal Interpretativas Basadas en Markov para la Planificación de Búsqueda de Niños Desaparecidos con Aprendizaje por Refuerzo y Garantía de Calidad Basada en LLM), traducido y adaptado al español.

Resumen Técnico: Guardian

1. El Problema

Las primeras 72 horas de una investigación sobre un niño desaparecido son críticas para su recuperación exitosa. Sin embargo, las agencias de aplicación de la ley enfrentan desafíos significativos:

Datos fragmentados y no estructurados: La información proviene de informes diversos (PDFs, notas, mapas, datos de transporte) que son difíciles de integrar manualmente.
Falta de herramientas predictivas dinámicas: La planificación de búsqueda tradicional depende de juicios humanos, heurísticas generales y fusión manual de fuentes, lo que genera cuellos de botella en la etapa inicial.
Escasez de datos: En las primeras etapas, hay poca información estructurada, lo que dificulta la creación de planes de búsqueda calibrados y accionables bajo incertidumbre.

El objetivo es transformar narrativas fragmentadas en productos de búsqueda geoespaciales interpretables (superficies de riesgo, sectores clasificados y zonas acotadas) para los horizontes de 24, 48 y 72 horas, sin reemplazar los procedimientos investigativos existentes.

2. Metodología: La Arquitectura Guardian

El sistema Guardian es un pipeline de extremo a extremo organizado en dos etapas principales y una arquitectura predictiva de tres capas:

Etapa 1: Preprocesamiento de Datos (Guardian Parser Pack)

Convierte documentos PDF no estructurados (informes de NamUs, FBI, etc.) en registros estructurados y normalizados.
Utiliza un pipeline híbrido: extracción de texto basada en reglas para formatos estables y extracción asistida por LLM para narrativas variables.
Enriquece los datos con geocodificación, identificadores de condado/estado y contexto de transporte.
Valida los datos contra un esquema compartido para asegurar la consistencia antes del modelado.

Etapa 2: Análisis y Predicción (Guardian Core)
Esta etapa contiene el núcleo predictivo de tres capas:

Capa 1: Modelado de Movilidad Markoviano (Forecasting)
- Objetivo: Generar distribuciones de probabilidad espaciotemporales sobre una cuadrícula geográfica.
- Mecanismo: Utiliza una cadena de Markov de primer orden con matrices de transición dispersas e interpretables.
- Factores de Transición: Incorpora costos de accesibilidad vial, preferencias de aislamiento (seclusion) y sesgo de corredores (proximidad a autopistas).
- Dinámica Temporal: Utiliza matrices separadas para día/noche para capturar patrones de movilidad no estacionarios.
- Decaimiento: Aplica un decaimiento tipo "supervivencia" (half-life) para aumentar la incertidumbre a medida que avanza el tiempo, evitando que el modelo sea excesivamente confiante en horizontes largos.
- Inicialización: Combina una semilla gaussiana (última ubicación conocida) con un prior histórico de puntos calientes (hotspots) mediante una mezcla ponderada ( $\alpha$ ).
Capa 2: Optimización mediante Aprendizaje por Refuerzo (RL)
- Objetivo: Convertir los mapas de creencia probabilística de la Capa 1 en planes de búsqueda accionables y compactos.
- Mecanismo: Un agente de RL trata la selección de zonas como un problema de asignación secuencial bajo restricciones de recursos.
- Función de Recompensa: Equilibra tres objetivos:
  1. Captura temprana: Maximizar la masa de probabilidad cubierta en las primeras horas.
  2. Eficiencia de cobertura: Penalizar el solapamiento redundante y las áreas excesivamente grandes.
  3. Plausibilidad: Alineación con restricciones geográficas y de comportamiento.
- Salida: Genera sectores priorizados, zonas candidatas y anillos de contención (50%, 75%, 90%).
Capa 3: Garantía de Calidad Basada en LLM (LLM QA)
- Objetivo: Validación post hoc de los planes generados por el RL antes de su liberación.
- Mecanismo: Modelos de LLM ligeros (Qwen-2.5-3B, LLaMA-3.2-3B) evalúan la plausibilidad semántica de las zonas propuestas.
- Función: Detectan inconsistencias entre los datos cuantitativos y las restricciones narrativas (ej. modos de viaje implausibles o contradicciones con el perfil del caso).
- Resultado: Reajusta las prioridades de las zonas sin alterar los modelos matemáticos subyacentes, actuando como un control de calidad semántico.

3. Contribuciones Clave

Arquitectura Híbrida Interpretativa: Integra modelos probabilísticos clásicos (Markov), optimización moderna (RL) y validación semántica (LLM) en un solo pipeline.
Interpretabilidad y Transparencia: A diferencia de las "cajas negras", el sistema utiliza modelos de Markov dispersos y matrices de transición explicables (costos de carretera, aislamiento), permitiendo a los investigadores auditar las decisiones.
Validación Semántica: El uso de LLMs no para extraer datos, sino para validar la coherencia lógica de los planes de búsqueda, reduciendo recomendaciones matemáticamente óptimas pero operativamente absurdas.
Pipeline End-to-End: Desde la ingestión de PDFs crudos hasta la generación de productos de búsqueda listos para usar (mapas de riesgo, anillos de contención).

4. Resultados

El sistema se evaluó utilizando un caso de estudio sintético pero realista (GRD-2025-001541) en Virginia, EE. UU., que simula la desaparición de una niña de 15 años.

Distribución Espacial: El modelo identificó correctamente que la masa de probabilidad se concentraba en la región de Tidewater (>50% en todos los horizontes), seguida por el norte de Virginia (24-30%), impulsado por la conectividad de los corredores de transporte.
Evolución Temporal:
- A las 24 horas, la incertidumbre estaba localizada y estructurada alrededor del punto de planificación inicial (IPP).
- A las 72 horas, la distribución se difundió de manera controlada a lo largo de los corredores, manteniendo la estructura de transporte en lugar de volverse uniforme.
Anillos de Contención: El radio de contención del 50% creció de ~20 millas a las 24h a un rango medio de 20 millas a las 72h, proporcionando una medida intuitiva de la incertidumbre.
Validación: Las observaciones sintéticas (avistamientos) cayeron predominantemente dentro de las regiones de alta probabilidad identificadas por el sistema.
Análisis de Sensibilidad: Se identificó que el sistema es sensible a la ponderación de priores históricos ( $\alpha$ ), los pesos de corredor/aislamiento y los horarios de cambio día/noche.

5. Significado e Impacto

Apoyo a la Toma de Decisiones: Guardian no automatiza la búsqueda, sino que proporciona herramientas de apoyo a la decisión que ayudan a los coordinadores a priorizar recursos bajo incertidumbre severa.
Eficiencia Operativa: Reduce el tiempo necesario para convertir narrativas fragmentadas en planes geoespaciales, permitiendo una respuesta más rápida en las primeras 72 horas críticas.
Responsabilidad y Privacidad: El diseño prioriza la privacidad (uso de datos sintéticos para pruebas, enmascaramiento de datos reales) y la auditoría, alineándose con las directrices de IA responsable para contextos humanitarios.
Escalabilidad: La arquitectura modular permite adaptar el sistema a otros tipos de desapariciones (ej. adultos mayores) ajustando los perfiles de movimiento y temporales sin cambiar la infraestructura central.

En conclusión, el sistema Guardian demuestra que la combinación de modelos estocásticos interpretables, optimización por refuerzo y validación semántica con LLMs puede mejorar significativamente la planificación de búsquedas de personas desaparecidas, ofreciendo un equilibrio entre rigor estadístico y viabilidad operativa.