💬 NLP

A Modular LLM Framework for Explainable Price Outlier Detection

Este artículo presenta un marco modular basado en agentes de modelos de lenguaje grande (LLM) que detecta explicativamente precios atípicos en el comercio minorista mediante un proceso de razonamiento en tres etapas (clasificación de relevancia, evaluación de utilidad relativa y decisión fundamentada), logrando una concordancia superior al 75% con auditores humanos y superando a las técnicas tradicionales y de LLM cero-disparo.

Autores originales: Shadi Sartipi, John Wu, Sina Ghotbi, Nikhita Vedula, Shervin Malmasi

Publicado 2026-03-24

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Shadi Sartipi, John Wu, Sina Ghotbi, Nikhita Vedula, Shervin Malmasi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres el dueño de una tienda gigante en internet, como un supermercado digital. De repente, ves que un producto que normalmente cuesta $20, de repente aparece a la venta por $200. ¿Es un error? ¿Es una estafa? ¿O es que ese producto es simplemente de oro macizo?

En el mundo del comercio electrónico, detectar estos "precios locos" (o outliers) es vital. Si dejas que un precio erróneo se quede, pierdes dinero o la confianza de los clientes. Pero hacerlo manualmente es como buscar una aguja en un pajar: hay millones de productos y revisar uno por uno es imposible.

Los métodos antiguos eran como reglas de matemáticas simples: "Si el precio es más del doble que el promedio, ¡alerta!". El problema es que estas reglas son tontas. No entienden que un teléfono de 64GB no es lo mismo que uno de 256GB, o que una marca famosa vale más que una genérica.

Aquí es donde entra el maravilloso nuevo sistema que proponen los autores de este paper (un equipo de Amazon). En lugar de usar una calculadora aburrida, crearon un "Equipo de Detectives Inteligentes" (un marco de trabajo con Inteligencia Artificial o LLM) que piensa como un humano experto.

¿Cómo funciona este "Equipo de Detectives"?

Imagina que el sistema tiene tres agentes (detectives) que trabajan en equipo para resolver el caso de un precio sospechoso:

1. El Detective de "¿Quién es tu vecino?" (Relevancia)

Antes de juzgar el precio, el sistema necesita saber con quién está comparando.

La analogía: Si quieres saber si el precio de una manzana es justo, no la compares con un coche. Compararías la manzana con otras manzanas.
Lo que hace el agente: Busca productos similares (misma marca, mismo tamaño, mismas funciones) en la tienda. Si encuentra un producto que no tiene nada que ver, lo descarta inmediatamente.

2. El Detective de "¿Quién vale más?" (Utilidad)

Una vez que tiene los vecinos similares, el sistema los compara en detalle.

La analogía: Imagina que comparas dos casas. Una tiene 3 habitaciones y la otra tiene 5. Aunque la casa de 3 habitaciones sea más cara, tiene sentido porque la de 5 es mucho mejor.
Lo que hace el agente: Mira atributos clave: ¿Es de mejor marca? ¿Tiene más características? ¿Es más grande? Le da una "puntuación" a cada vecino. Si el vecino es mejor y más barato, eso es una señal de alerta roja para el producto original.

3. El Juez Final (Decisión)

Este agente reúne todas las pruebas de los dos detectives anteriores y toma la decisión final.

La analogía: Imagina un tablero de juego con cuatro cuadrantes (como una cruz).
- Cuadrante de la Verdad: Si encuentras un producto mejor que el tuyo pero que cuesta menos, ¡BINGO! Tu producto está sobrevalorado (es un precio anómalo).
- Zona de Descarte: Si encuentras un producto peor que el tuyo pero que cuesta más, eso confirma que tu precio es justo.
La decisión: El sistema no solo dice "Sí" o "No". Te da una explicación: "Este producto es un precio anómalo porque encontramos 3 productos idénticos que son de mejor calidad pero cuestan un 40% menos".

¿Por qué es tan especial este sistema?

No es una caja negra: Los métodos antiguos te dicen "¡Alerta!" sin decir por qué. Este sistema te da el razonamiento, como un abogado que presenta sus pruebas. Esto permite a los humanos revisar y confiar en la decisión.
Es flexible: Puedes decirle al sistema: "Sé más estricto" (solo avísame si hay un error grave) o "Sé más suave" (avísame de cualquier duda).
Funciona muy bien: En las pruebas, este "Equipo de Detectives" estuvo de acuerdo con los auditores humanos expertos en el 76% de los casos. ¡Eso es muchísimo mejor que los métodos antiguos!

En resumen

Este paper nos enseña que, para detectar precios raros en internet, no basta con hacer cuentas matemáticas. Necesitamos una Inteligencia Artificial que entienda el contexto, compare productos inteligentes y explique su razonamiento, tal como lo haría un experto humano, pero a la velocidad de un robot.

Es como pasar de tener un guardia de seguridad que solo mira si alguien lleva una pistola (reglas simples), a tener un detective privado que investiga la historia completa, compara con otros casos y te escribe un informe detallado de por qué algo es sospechoso. ¡Y eso es lo que hace que el comercio electrónico sea más justo y seguro para todos!

1. Problema y Contexto

La detección de precios atípicos (específicamente precios excesivamente altos) es crítica en el comercio electrónico para mantener la competitividad, los ingresos y la confianza del consumidor.

Limitaciones de los métodos actuales: Las técnicas clásicas (umbrales estadísticos, Isolation Forest, Z-score) dependen de heurísticas simples que ignoran las relaciones semánticas entre productos. Son "cajas negras" que no ofrecen justificaciones sobre por qué un precio se considera anómalo, lo cual es insuficiente para sistemas de auditoría retail que requieren transparencia.
Desafío de la comparación: Los sistemas de recuperación basados en embeddings a menudo fallan en capturar relaciones semánticas relevantes para el precio (ej. diferencias en tamaño de paquete, nivel de marca o funcionalidad), introduciendo ruido en las decisiones de precios.
Necesidad: Se requiere un sistema que automatice el razonamiento humano: identificar sustitutos comparables, evaluar dimensiones de valor (marca, tamaño, características) y generar una justificación interpretable.

2. Metodología Propuesta

Los autores proponen un marco de agentes LLM (Large Language Models) que trata la detección de anomalías como una tarea de razonamiento estructurado en tres etapas secuenciales. El sistema no solo clasifica, sino que construye una cadena de razonamiento verificable.

A. Arquitectura de Tres Agentes

Agente de Clasificación de Relevancia (Relevance Agent):
- Entrada: Producto objetivo y una lista de $k$ productos vecinos candidatos (obtenidos mediante búsqueda de similitud cosena en embeddings de productos entrenados con aprendizaje contrastivo).
- Función: Determina si un vecino es un sustituto real para comparar precios. Responde a preguntas lógicas disyuntivas como: "¿Compararía un cliente los precios de estos dos productos?", "¿Son similares?" o "¿Pueden servir para el mismo caso de uso?".
- Salida: Un subconjunto de vecinos relevantes.
Agente de Evaluación de Utilidad (Utility Agent):
- Función: Compara el producto objetivo con cada vecino relevante a lo largo de dimensiones que influyen en el precio (marca, calidad de construcción, características, cantidad).
- Configuraciones de Atributos: Se evalúan cuatro estrategias para seleccionar qué atributos comparar:
  - Genérico: Atributos fijos aplicables a todas las categorías.
  - Estático (específico de categoría): Atributos predefinidos por categoría.
  - Dinámico (par producto-específico): El LLM genera los atributos clave para cada par.
  - Dinámico Ponderado (W-Dynamic): El LLM genera atributos y asigna pesos de importancia relativos.
- Salida: Una puntuación de utilidad neta (Mejor, Mixto, Peor) para cada vecino.
Agente de Decisión Basada en Razonamiento (Decision Agent):
- Mecanismo: Utiliza un marco de cuadrantes (Figura 2 del paper) basado en dos ejes: Utilidad Relativa vs. Precio Relativo.
  - Cuadrante AP (Anomaly Price): Vecinos con mayor utilidad y menor precio que el objetivo (evidencia de que el objetivo está sobrepreciado).
  - Zona de Compensación (Padding): Se introduce un "relleno" (padding) en los ejes de precio y utilidad para manejar la incertidumbre y el ruido en las comparaciones.
- Estrategias de Decisión:
  - Veto "Peor y Más Caro" (Worse-Pricier Veto): Si existe cualquier producto relevante en la zona de "no anomalía" (ej. peor calidad pero más caro), se descarta la anomalía. Prioriza la precisión (reduce falsos positivos).
  - Votación por Cuadrantes: Si la mayoría de los vecinos están en la zona de anomalía, se marca como tal. Prioriza la recuperación (recall).

3. Contribuciones Clave

Marco Metodológico Novel: Es el primer sistema automatizado que descompone la detección de precios atípicos en una cadena de razonamiento interpretable (clasificación de relevancia $\to$ evaluación de utilidad $\to$ decisión), emulando la lógica de los auditores humanos.
Explicabilidad y Auditabilidad: A diferencia de los métodos estadísticos o RAG estándar, el sistema genera justificaciones verificables basadas en datos estructurados del producto, permitiendo a los auditores humanos verificar y anular decisiones eficientemente.
Estudios de Ablación Exhaustivos: Se analiza el impacto de hiperparámetros críticos (número de vecinos, umbrales de relleno de precio, configuración de atributos y estrategias de decisión), demostrando la flexibilidad del sistema para adaptarse a diferentes requisitos de precisión y acuerdo.

4. Resultados Experimentales

El sistema se evaluó en un conjunto de datos de Amazon que incluye un "Silver Set" (40 productos anotados por expertos), casos difíciles y un conjunto no anotado de 5400 productos.

Rendimiento General: El enfoque de agentes alcanzó un 76.3% de acuerdo con los auditores humanos expertos en el conjunto de datos desafiante (one-sided annotated set), superando significativamente a las líneas base:
- Zero-Shot LLM: 68% de acuerdo.
- RAG (Recuperación aumentada): 23% de acuerdo.
Métricas Clave (Configuración Óptima):
- Precisión (Precision): 1.00 (todos los precios marcados como atípicos eran correctos según los expertos).
- F1-Score: 0.55 en el conjunto Silver.
- Tasa de Falsos Positivos: Reducida a un 7.8% en el conjunto no anotado (dentro del umbral empresarial deseado de <10%).
Hallazgos de Ablación:
- Relleno de Precio (Price Padding): Un 50% de padding ofreció el mejor equilibrio entre F1-score y acuerdo humano.
- Número de Vecinos: 7 vecinos fue el punto óptimo ("sweet spot"); menos vecinos perdían contexto y más sobrecargaban al agente.
- Estrategia de Decisión: La estrategia de "Veto Peor y Más Caro" maximizó la precisión, mientras que la "Votación por Cuadrantes" mejoró la recuperación pero aumentó los falsos positivos.
- Selección de Atributos: La configuración "Genérica" (atributos fijos) funcionó mejor que las configuraciones dinámicas complejas, sugiriendo que una estructura clara con autonomía delegada moderada es superior a la sobrecarga de decisiones en el LLM.

5. Significado e Impacto

Aplicación Empresarial: El marco permite escalar la auditoría de precios en el comercio electrónico, reduciendo la carga cognitiva de los auditores humanos al proporcionar explicaciones claras sobre qué productos se compararon y por qué se consideró el precio anómalo.
Confianza en la IA: Al ofrecer razonamientos transparentes y auditables, el sistema aborda la "caja negra" de los modelos de IA, facilitando su adopción en entornos críticos de finanzas y retail.
Generalización: Aunque se centra en precios, la formulación del problema (clasificación de relevancia, evaluación de utilidad y decisión basada en razonamiento) es aplicable a otras áreas como la detección de fraude o la coincidencia de productos.

En conclusión, el paper demuestra que los sistemas de IA agénticos, diseñados con un flujo de trabajo estructurado que imita el razonamiento humano, pueden superar a los métodos tradicionales y de LLM estándar en tareas complejas de detección de anomalías que requieren contexto semántico y explicabilidad.