CBRS: Cognitive Blood Request System with Bilingual Dataset and Dual-Layer Filtering for Multi-Platform Social Streams

Resumen Técnico: CBRS - Sistema Cognitivo de Solicitud de Sangre

1. Planteamiento del Problema

En la era digital, las redes sociales (SNS) se han convertido en un canal vital para solicitar donaciones de sangre urgentes. Sin embargo, este enfoque presenta desafíos críticos:

• Volumen de Datos: La inmensa cantidad de publicaciones diarias hace que las solicitudes urgentes pasen desapercibidas o queden enterradas en el ruido informativo.
• Limitaciones de Sistemas Existentes: Los sistemas basados en aplicaciones tradicionales dependen de la entrada manual y tienen dificultades para llegar a usuarios en entornos de bajos recursos, retrasando las respuestas críticas.
• Complejidad Lingüística: La comunicación en redes sociales es no estructurada, caótica y multilingüe. En el contexto de Bangladesh, esto implica una mezcla de bengalí, inglés y bengalí transliterado (escrito en alfabeto latino), además de jerga, dialectos y abreviaturas.
• Falta de Datos: No existían conjuntos de datos específicos y curados para la extracción de información de solicitudes de sangre en lenguas de bajos recursos como el bengalí.
• Asimetría de Costos: En este contexto, un falso negativo (ignorar una solicitud real) es mucho más costoso que un falso positivo (procesar un mensaje no relevante), ya que el primero pone vidas en riesgo.

2. Metodología

Los autores proponen el CBRS, un marco de trabajo multiplataforma que integra un conjunto de datos bilingüe y una arquitectura de filtrado de doble capa para procesar flujos de datos sociales.

A. Conjunto de Datos (Dataset)

• Recopilación: Se curó un nuevo conjunto de datos de 11,000 mensajes extraídos de grupos públicos de Facebook, Telegram y Twitter (EBDR).
• Composición: Incluye solicitudes en bengalí, inglés y bengalí transliterado.
• Robustez: El dataset se enriqueció con negativos adversarios (mensajes que contienen palabras clave como "sangre" o "urgente" pero no son solicitudes reales, como agradecimientos o donaciones pasadas) para mejorar la robustez del clasificador y reducir falsos positivos.

B. Arquitectura de Filtrado de Doble Capa (DLF)
Para equilibrar la velocidad, el costo y la precisión, se diseñó un sistema de dos niveles:

1. Capa 1: Clasificador Ligero (TF-IDF + Regresión Logística Asimétrica):
   • Utiliza tokenización de subpalabras y embeddings densos.
   • Emplea una función de pérdida de entropía cruzada ponderada que penaliza más los falsos negativos que los falsos positivos (con un peso $\alpha = 12$).
   • Su objetivo es filtrar rápidamente el volumen masivo de mensajes, priorizando la recuperación (recall) de posibles solicitudes.
2. Capa 2: Clasificador y Parser Basado en LLM:
   • Utiliza GPT-4o-mini (o modelos similares) solo para los mensajes que pasan la Capa 1.
   • Realiza una clasificación secundaria para eliminar falsos positivos restantes y, crucialmente, extrae la información estructurada (grupo sanguíneo, ubicación, hospital, contacto, etc.) en formato JSON.
   • Esta capa evita el uso costoso de LLMs en mensajes irrelevantes, optimizando los costos de API.

C. Análisis Estructurado (Parsing)

• Se entrenó un modelo Llama-3.2-3B utilizando LoRA (Low-Rank Adaptation) con cuantización de 4 bits.
• El modelo se ajustó para convertir texto libre en un objeto JSON predefinido, extrayendo campos críticos como: grupo sanguíneo, número de bolsas, condición del paciente, ubicación geográfica y contactos.
• Se comparó con otros modelos (GPT-4o-mini, Gemini, Claude) en configuraciones zero-shot y few-shot.

3. Contribuciones Clave

1. Nuevo Dataset Bilingüe: Presentación del primer conjunto de datos de 11K muestras para solicitudes de sangre en bengalí, inglés y bengalí transliterado, incluyendo negativos adversarios curados.
2. Arquitectura CBRS: Desarrollo de un sistema de filtrado de doble capa que aborda la asimetría de costos (priorizando la detección de urgencias) y la eficiencia computacional.
3. Modelo de Parsing Optimizado: Demostración de que un modelo LLM ligero (3B parámetros) fine-tuneado con LoRA supera a modelos mucho más grandes y costosos en tareas de extracción de información específica.
4. Validación Multiplataforma: Implementación y prueba de bots en Telegram y Discord, integrando notificaciones basadas en geolocalización para conectar donantes con receptores.

4. Resultados

• Filtrado (Clasificación): El sistema CBRS alcanzó una precisión y exactitud del 99% en la detección de solicitudes de sangre, superando a los métodos de referencia (como SVM, Random Forest y otros embeddings).
• Parsing (Extracción):
  • El modelo LoRA-finetuned Llama-3.2-3B logró una precisión del 92% en configuración zero-shot.
  • Esto representa una mejora del 41.54% sobre el modelo base y supera el rendimiento few-shot de modelos propietarios como GPT-4o-mini y Gemini-2.0-flash.
  • Eficiencia: El modelo fine-tuneado redujo el uso de tokens de entrada en un 35x en comparación con otros LLMs, ya que no requiere prompts extensos con ejemplos (few-shot) para funcionar bien.
• Costos Operativos: La arquitectura de doble capa redujo los costos de inferencia de API en un 33-47% al filtrar el 98.7% de los mensajes irrelevantes antes de enviarlos al LLM.
• Estudio de Usuario: En una evaluación con 114 participantes en grupos de Telegram y Discord, el sistema mejoró significativamente la satisfacción del usuario y la percepción de utilidad, aunque la velocidad de respuesta final (tiempo hasta que un donante contacta) sigue dependiendo de factores humanos (promedio de 81 minutos).

5. Significado e Impacto

El trabajo de CBRS establece una base sólida para la extracción de información inclusiva y escalable en tareas sensibles al tiempo y orientadas a objetos.

• Innovación en Idiomas de Bajos Recursos: Demuestra que es posible crear sistemas de IA robustos para idiomas como el bengalí y sus variantes transliteradas, llenando un vacío en la literatura de NLP.
• Eficiencia de Costos: La arquitectura de doble capa ofrece una solución viable para desplegar IA en entornos con recursos limitados, donde el uso directo de grandes modelos de lenguaje para todo el tráfico de datos sería prohibitivo.
• Impacto Social: Al automatizar la detección y estructuración de solicitudes de sangre, el sistema tiene el potencial de salvar vidas al reducir el tiempo de búsqueda de donantes compatibles en redes sociales masivas.

El código, el conjunto de datos y los modelos entrenados están disponibles públicamente, fomentando la reproducibilidad y la expansión de esta tecnología a otras regiones y plataformas.