TransResAI: A Compound AI System for Coastal Transportation Resilience

Resumen Técnico: TransResAI – Un Sistema de IA Compuesta para la Resiliencia del Transporte Costero

Planteamiento del Problema
Las inundaciones costeras representan una grave amenaza para la infraestructura de transporte; sin embargo, la gestión eficaz de la resiliencia se ve obstaculizada por la inaccesibilidad de las herramientas analíticas actuales. Los enfoques existentes sufren un compromiso persistente entre capacidad y accesibilidad:

• Los métodos de simulación de tráfico (por ejemplo, MATSim) requieren una especialización técnica para su calibración e interpretación, lo que limita su uso a especialistas técnicos.
• Las evaluaciones basadas en SIG suelen reducir el análisis complejo de resiliencia a superposiciones espaciales estáticas, fallando al capturar respuestas conductuales o impactos en cascada a nivel de red.
• Los enfoques de aprendizaje automático carecen de mecanismos causales e interpretabilidad para escenarios de inundación inéditos.
• Los Modelos de Lenguaje de Propósito General (LLMs) carecen del conocimiento especializado del dominio, las capacidades de razonamiento espacial y la habilidad para ejecutar computaciones numéricas u orquestar herramientas externas requeridas para un análisis de grado de ingeniería. Además, la dependencia de las API alojadas en la nube plantea preocupaciones de privacidad de datos y gobernanza para las agencias gubernamentales que manejan datos demográficos y operativos sensibles.

En consecuencia, los profesionales no especialistas y las agencias con recursos limitados quedan sistemáticamente excluidos de la realización de análisis de resiliencia sofisticados, a pesar de ser los actores más expuestos a los riesgos de inundación.

Metodología: Arquitectura de TransResAI
El estudio introduce TransResAI, un sistema de IA compuesta localmente desplegable diseñado para cerrar la brecha entre la interacción en lenguaje natural y el análisis de infraestructura especializada. El sistema opera como un flujo de trabajo de cuatro módulos coordinados por un LLM desplegado localmente (GPT-OSS:20B) dentro de un entorno seguro y aislado (SafeContext).

1. Módulo de Entrada: Transforma las consultas en lenguaje natural en parámetros computacionales estructurados. Emplea el parseo mediante ingeniería de prompts, reconocimiento de palabras clave y detección de entidades geográficas para extraer métricas objetivo, tipos de escenarios (línea base vs. inundación), filtros geográficos y requisitos de visualización. Incluye un mecanismo de detección de ambigüedad para solicitar aclaraciones cuando falta información esencial.
2. Módulo de Descomposición de Tareas: Convierte los parámetros estructurados en un grafo acíclico dirigido (DAG) de subtareas. Utilizando la generación de código basada en LLM, construye funciones de Python ejecutables (def solve(ctx):) que definen el flujo de trabajo computacional, incluyendo filtrado de datos, cálculo de métricas, agregación y clasificación. El sistema infiere las operaciones (por ejemplo, cambio porcentual frente a diferencia absoluta) basándose en pistas semánticas de la consulta.
3. Módulo de Recuperación de Información: Ejecuta los flujos de trabajo accediendo a una base de conocimientos híbrida:
   • Datos Estructurados: Un GeoDataFrame que integra salidas de simulación de tráfico de MATSim (estados a nivel de enlace, registros de viajes), redes de riesgo de inundación derivadas de OpenStreetMap (con factores de reducción de capacidad/velocidad) e indicadores demográficos del U.S. DOT Equitable Transportation Community Explorer (ETCE).
   • Datos No Estructurados: Un sistema de Generación Aumentada por Recuperación (RAG) que indexa documentos de política regional (por ejemplo, de HRPDC, VDOT, FEMA) utilizando LlamaIndex y FAISS para la búsqueda semántica.
   • Seguridad: Todas las operaciones ocurren dentro de un entorno de ejecución SafeContext que impone la inmutabilidad de los datos, lista blanca de librerías (pandas, geopandas), restringe el uso de recursos y evita el acceso no autorizado a archivos o a la red.
4. Módulo de Generación de Respuestas: Sintetiza los resultados en tres formatos integrados:
   • Informes Numéricos: Salidas tabulares estructuradas con precisión específica de la métrica.
   • Visualizaciones Interactivas: Mapas coropléticos dinámicos renderizados vía Folium, configurados automáticamente con escalas de colores y descripciones emergentes (tooltips) apropiadas según el contexto de la consulta.
   • Explicaciones en Lenguaje Natural: Respuestas fundamentadas que combinan hallazgos cuantitativos con citas de los documentos de política recuperados.

Contribuciones Clave

• Marco de Despliegue Local: Un marco metodológico que transforma consultas en lenguaje natural en flujos de trabajo analíticos específicos del dominio sin depender de APIs externas en la nube, garantizando la privacidad de los datos y el control dentro de los entornos de las agencias.
• Capacidad Analítica con Conciencia Espacial: Un sistema que procesa capas geoespaciales y genera visualizaciones, superando la limitación de los LLMs convencionales en el manejo de datos espaciales y geometría relacional.
• Integración de Múltiples Fuentes: Un mecanismo que consolida datos heterogéneos fragmentados (salidas de simulación, redes geoespaciales, indicadores demográficos y documentos de política) en un marco unificado de recuperación y ejecución.

Resultos
El sistema fue validado mediante un estudio de usuario estructurado con cinco expertos en el dominio (ingenieros de transporte, planificadores urbanos y científicos de la computación) en la región de Hampton Roads, Virginia. Los participantes realizaron 60 tareas que abarcaban consultas analíticas, visualización espacial y RAG de políticas.

• Eficiencia: TransAI redujo el tiempo de finalización de tareas entre un 80–88% en comparación con los flujos de trabajo manuales de SIG convencionales.
  • Tareas analíticas: Reducción de una media de 197.1 segundos a 29.7 segundos.
  • Tareas de visualización: Reducción de una media de 364.0 segundos a 46.1 segundos.
  • Tareas de RAG de políticas: Completadas en un promedio de 9.8 segundos.
• Precisión y Fiabilidad: El sistema mantuvo una puntuación de precisión media de 4.60/5.00 y alcanzó tasas de finalización de tareas superiores al 94% en todas las categorías.
• Satisfacción del Usuario: Los participantes calificaron el sistema positivamente por su claridad y utilidad, siendo la categoría de RAG de Políticas la que obtuvo las puntuaciones de satisfacción más altas (4.85/5.00).

Significancia y Reivindicaciones
El artículo sostiene que TransResAI demuestra que las arquitecturas de IA compuesta pueden cerrar eficazmente la brecha entre los modelos de lenguaje de propósito general y el conocimiento especializado del dominio. Al integrar la descomposición de tareas, la generación de código segura y la recuperación híbrida, el sistema democratiza el acceso a análisis de infraestructura de alto nivel.

Los autores afirman que la principal barrera para la resiliencia de la infraestructura no es la falta de datos, sino el cuello de botella técnico requerido para procesarlos. TransResAI aborda esto permitiendo que usuarios no expertos realicen análisis sofisticados de SIG y de tráfico sin conocimientos previos de programación. Este cambio permite a las agencias de transporte y a las comunidades tomar decisiones más rápidas, accesibles y basadas en datos ante la creciente incertidumbre climática, alejándose de la dependencia de una pericia técnica escasa hacia una interfaz accesible impulsada por el lenguaje. El estudio posiciona esto como un paso fundacional hacia marcos replicables para la toma de decisiones intensiva en datos en las agencias públicas que enfrentan desafíos climáticos.