📊 statistics

Pitwall: Faithful Natural-Language Race-Strategy Briefings from a Calibrated Real-Time Monte Carlo Engine

El artículo presenta Pitwall, un sistema de producción que genera informes de estrategia de carreras de Fórmula 1 multilingües y fieles mediante la imposición de un bucle de verificación arquitectónica donde cada afirmación fáctica es validada contra un motor Monte Carlo calibrado en tiempo real, asegurando una generación fundamentada al tiempo que revela las compensaciones críticas entre la vivacidad y la alucinación en los modelos ajustados.

Autores originales: Juan S. Santillana (Independent Researcher)

Publicado 2026-07-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Juan S. Santillana (Independent Researcher)

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 estás viendo una carrera de Fórmula 1 de alto nivel. Los coches zumban alrededor, los neumáticos se desgastan y los estrategas del equipo en el "pit wall" tienen que tomar decisiones en fracciones de segundo: ¿Debería nuestro piloto entrar a boxes ahora? ¿Esperar dos vueltas? ¿Cambiar de neumáticos? Si fallan su predicción, pierden la carrera.

Este artículo presenta Pitwall, un sistema informático diseñado para actuar como un asistente superinteligente y superpreciso para estos estrategas. No se limita a adivinar; calcula, predice y luego explica su razonamiento en un español, inglés o portugués sencillo.

Así es como funciona, desglosado en conceptos simples:

1. La bola de cristal (El motor Monte Carlo)

Piensa en la carrera como un gigantesco juego de "Elige tu propia aventura", pero con 2.000 historias diferentes sucediendo al mismo tiempo.

La simulación: El sistema ejecuta 2.000 copias virtuales del resto de la carrera cada segundo. En algunas copias sale un Safety Car; en otras, un neumático explota; en otras, un piloto se queda atrapado en el tráfico.
La calibración: Al igual que un meteorólogo comprueba tormentas pasadas para predecir la lluvia, Pitwall ha sido "entrenado" con 126 carreras reales de 2018 a 2024. Aprendió a ajustar su "bola de cristal" para que, cuando diga que hay un 70% de probabilidad de ganar, eso ocurra realmente el 70% de las veces.
El resultado: Le ofrece al equipo un tablero de probabilidades: "Si entras a boxes ahora, tienes un 65% de probabilidad de terminar en el top 3. Si esperas, cae al 40%".

2. El editor estricto (El verificador)

Esta es la parte más única del sistema. Normalmente, los chatbots de IA son excelentes escribiendo, pero a veces "alucinan" (se inventan cosas). En una carrera, inventar un dato como "el Piloto X lleva 5 segundos de ventaja" cuando en realidad está por detrás, es peligroso.

Pitwall trata la verdad como una regla estricta, no como una sugerencia.

El guardián: Antes de que el sistema escriba una sola frase para la transmisión, la descompone en hechos diminutos (por ejemplo, "El piloto está en 4º lugar", "Neumático es Medio", "Brecha es de 2.1 segundos").
La comprobación: Verifica cada uno de esos hechos contra los datos en vivo. Si los datos dicen que el piloto está en 5º lugar, pero la IA quiere escribir "4º lugar", el sistema bloquea esa frase.
La red de seguridad: Si la IA intenta ser demasiado creativa e inventa hechos, el sistema la obliga a recurrir a una plantilla aburrida pero 100% precisa. Esto garantiza que cada frase publicada esté totalmente fundamentada en la realidad.

3. La filosofía de los "Dos Caminos"

Los autores descubrieron algo interesante: ser realista no siempre significa ser preciso.

Camino A (El Oráculo): Este camino es para dar probabilidades. Utiliza los modelos más simples y estables para asegurar que los porcentajes (como "90% de probabilidad de ganar") sean matemáticamente correctos. Ignora algunos detalles "sofisticados" que podrían arruinar las matemáticas.
Camino B (El Tomador de Decisiones): Este camino es para dar consejos. Utiliza los detalles "sofisticados" (como cómo se degradan los neumáticos de formas específicas) para decirle al equipo qué hacer.

El sistema mantiene estos dos caminos separados. No permite que los detalles "sofisticados" arruinen las matemáticas, y no permite que las matemáticas "simples" den malos consejos.

4. La trampa de "Rico vs. Escaso"

El equipo intentó que el sistema sonara más como un comentarista humano entrenándolo con descripciones de carreras ricas y emocionantes.

El problema: Cuando los datos de la carrera eran abundantes (muchos coches, mucha información), la IA sonaba genial. Pero cuando los datos eran "escasos" (al principio de la carrera, o debido a un fallo en la transmisión de datos), la IA empezaba a alucinar. Inventaba pilotos que no existían o creaba brechas de tiempo para llenar el silencio.
La solución: Se dieron cuenta de que el tipo de modelo de IA importa. Probaron cuatro "cerebros base" diferentes. Un cerebro específico (Phi-4-mini) era lo suficientemente inteligente como para decir: "No tengo suficiente información para ser específico", en lugar de inventar cosas. Los otros intentaban llenar el silencio con mentiras. Eligieron el cerebro que sabía cuándo quedarse callado.

5. Prueba en el mundo real

El artículo afirma que esto no es solo una teoría. El sistema fue probado en vivo durante los Gran Premios de Austria y Gran Bretaña de 2026.

Logró ingerir datos en vivo, ejecutar las 2.000 simulaciones y generar comentarios verificados en tiempo real.
En el Gran Premio de Gran Bretaña, el sistema rastreó las probabilidades de la carrera vuelta a vuelta. Identificó correctamente al ganador eventual 10 vueltas antes de que terminara la carrera, incluso mientras la carrera aún era caótica y el resultado era desconocido.

Resumen

Pitwall es una herramienta de estrategia de carrera que combina una supercalculadora (para predecir resultados) con un verificador de hechos estricto (para evitar mentiras). Aprendió que, para ser verdaderamente útil, debe separar su "cerebro matemático" de su "cerebro de consejos", y que debe elegir un modelo de IA que sepa cuándo no hablar si los hechos no son claros. Demostró que se puede construir una herramienta de predicción deportiva de nivel profesional utilizando datos públicos y ordenadores estándar, siempre y cuando se priorice la veracidad sobre la ostentación.

Resumen Técnico: Pitwall – Informes de Estrategia de Carrera Fieles en Lenguaje Natural

Planteamiento del Problema
La narración deportiva en vivo, particularmente en la Fórmula 1, representa una instancia exigente de generación fundamentada. El sistema debe generar declaraciones sobre atletas reales y con nombre propio donde el estado de fundamentación (posiciones, brechas, compuestos de neumáticos, estado de la pista) muta cada pocos segundos. A diferencia de las tareas estándar de datos a texto, no existe un texto de referencia al momento de la generación, y el costo de la alucinación es alto: una declaración errónea y segura sobre un piloto específico es más dañina que el silencio. Además, aunque los equipos utilizan herramientas de simulación propietarias para la estrategia, estos sistemas carecen de calibración pública, y la literatura académica aún no ha abordado el entorno de decisión enfocado en la probabilidad y en tiempo real requerido para los informes de estrategia en vivo. El desafío central es construir un sistema que ingiera datos de cronometraje en vivo, simule resultados de carrera con probabilidades calibradas y verbalice estos hallazgos en lenguaje natural sin fabricar hechos, incluso cuando el estado es disperso.

Metodología
Pitwall es un sistema de producción de extremo a extremo que comprende cuatro etapas: Pipeline de Datos, Motor Monte Carlo, Capa de Decisión y Capa de Lenguaje.

Pipeline de Datos y Reconstrucción de Estado:
El sistema ingiere el flujo de cronometraje en vivo oficial de F1 SignalR con una cadencia de 1 segundo. Reconstruye un estado de carrera probabilístico canónico de forma incremental, reflejando el esquema utilizado para datos históricos (157 carreras de 2018–2026, excluyendo 2022 debido a problemas de fiabilidad de los datos). Esto asegura que el motor en vivo y el motor de backtesting ejecuten rutas de código idénticas.
Motor Monte Carlo Vectorizado:
El simulador central avanza $N=2,000$ continuaciones de carrera simultáneamente utilizando operaciones de arreglos vectorizados (NumPy). Los componentes clave incluyen:
- Tiempo de Vuelta y Degradación (H5): Modela el desgaste de los neumáticos como una pendiente lineal con nudos de "pared" (cliff) opcionales específicos de cada circuito. Crucialmente, descompone las pendientes ajustadas para eliminar los factores de confusión por consumo de combustible y evolución de la pista, limitando el desgaste a límites físicamente plausibles.
- Adelantamientos (H7): Un núcleo logístico ajustado sobre 131,000 batallas predice la probabilidad de adelantamiento basada en el delta de ritmo y la edad del neumático. Sin embargo, los experimentos mostraron que esto mejoraba la predicción de adelantamientos individuales pero degradaba la calibración de los resultados a nivel de campo.
- Safety Car/Virtual Safety Car (H13): Simula el despliegue estocástico con multiplicadores de ritmo y descuentos de pérdida en pits distintos.
- Política del Rival (H1): Asume que los rivales juegan una estrategia de ritmo óptimo de bucle abierto. Un componente reactivo (H17) permite a los rivales adelantar sus paradas durante las neutralizaciones.
- Ventana de Undercut (H14): Evalúa contrafácticos (parar ahora, +1 vuelta, +2 vueltas, quedarse fuera) utilizando Números Aleatorios Comunes (CRN) para aislar los efectos de la estrategia del ruido de muestreo.
- Normalización Basada en Compuestos (H9): Proyecta los ritmos de neumáticos ajustados sobre un orden canónico (blando $\le$ medio $\le$ duro) para evitar recomendaciones de "neumático rápido" espurias causadas por la confusión de la fase de carrera.
Principio de Doble Vía:
Una contribución metodológica central es la separación de la Vía del Oráculo (para probabilidades de resultado calibradas) y la Vía de la Decisión (para recomendaciones). Los componentes se controlan de forma independiente:
- La vía del Oráculo utiliza la configuración que minimiza el puntaje Brier en datos no incluidos en el entrenamiento (por ejemplo, excluyendo la normalización H9, que mejoró la fidelidad de la decisión pero degradó la calibración).
- La vía de la Decisión utiliza configuraciones que maximizan la fidelidad de la decisión (por ejemplo, incluyendo H9 y topes de factibilidad), incluso si empeoran la calibración del resultado.
- Cada componente está "controlado por paridad", lo que significa que se distribuye con una configuración predeterminada que reproduce el motor incumbente bit a bit hasta que una métrica de validación demuestre una mejora.
Capa de Lenguaje Controlada por Verificador:
Para asegurar la fidelidad, el sistema emplea un esquema de afirmaciones tipificadas (10 tipos: posición, brecha, neumáticos, etc.).
- Verificación: Cada oración generada se descompone en afirmaciones y se verifica contra la instantánea del estado en vivo.
- Ajuste Fino Controlado por Fidelidad: El corpus de ajuste fino (3,045 objetivos) es filtrado por el propio verificador. Solo se admiten los objetivos generados por el modelo donde cada afirmación está respaldada por el estado (tasa de admisión del 81.9%); el resto recurre a plantillas demostrablemente fieles. Esto asegura que el generador nunca sea entrenado con datos no fundamentados.
- Selección del Modelo Base: Los experimentos a través de cuatro modelos base (1B–7B) revelaron que la fidelidad bajo contextos dispersos no es una función de la escala, sino de la adherencia a las instrucciones del modelo base. Se seleccionó el modelo Phi-4-mini porque se abstiene de alucinar sobre datos dispersos, mientras que los modelos más grandes (7B) fabricaron entidades para llenar el registro.

Contribuciones Clave

Motor en Tiempo Real Validado y Calibrado: Un simulador vectorizado calibrado en 126 carreras (2018–2024) y validado en las temporadas 2025–2026 completas, logrando un puntaje Brier de 0.0745 y una precisión de ganador en el top-3 del 90.3%.
Núcleo de Adelantamiento Aprendido con Ablación Honesta: Un modelo logístico que mejora la predicción de adelantamientos pero que se demuestra explícitamente que degrada la calibración del campo, demostrando que la precisión a nivel de tarea no garantiza la calibración del sistema.
Ventana de Undercut como Contrafáctico CRN: Un tratamiento formal de la temporización de las paradas en boxes utilizando Números Aleatorios Comunes para proporcionar deltas de probabilidad con varianza controlada para decisiones estratégicas.
Normalización de Compuestos Basada en Compuestos y División Calibración/Decisión: Un método de proyección principista que corrige llamadas en vivo patológicas, junto con el hallazgo de que esta corrección debe aislarse a la vía de decisión para preservar la calibración de la probabilidad.
Capa de Lenguaje Controlada por Verificador: Un sistema donde la fidelidad es una propiedad arquitectónica impuesta en tres niveles: en cada oración publicada, en cada objetivo de ajuste fino y mediante la selección del modelo base mismo.
Despliegue de Extremo a Endere en Vivo: Operación exitosa en los Grandes Premios de Austria y Gran Bretaña de 2026, demostrando la ingestión en vivo, la simulación y la narración trilingüe verificada en infraestructura de nube comercial.

Resultos

Calibración: El sistema logra un puntaje Brier combinado de 0.0745 en las temporadas de prueba 2025–2026. El ganador es identificado como el ganador simulado modal en el 64.5% de las carreras y se coloca en el top-3 en el 90.3%.
Fidelidad de la Decisión: La vía de decisión con tope de factibilidad reduce las recomendaciones de stints inviables del 90.5% (sin restricciones) al 0.0% y mejora el acuerdo en el recuento de paradas con los planes modales ejecutados del 59.5% al 69.0%.
Rendimiento en Vivo: En el Gran Premio de Gran Bretaña de 2026, el sistema fijó al eventual ganador diez vueltas antes de la bandera a cuadros con una probabilidad de victoria de 97.7–99.5%. Un rastro de probabilidad con marca de tiempo registrado en disco antes de que se conociera el resultado confirmó la capacidad del sistema para rastrear la dinámica de la carrera en tiempo real.
Fidelidad: El adaptador Phi-4-mini, seleccionado por su adherencia a las instrucciones, evitó con éxito la alucinación de pilotos o brechas en contextos dispersos, mientras que los modelos más ricos fallaron. El sistema filtró con éxito el 18.1% de los objetivos generados hacia plantillas de respaldo durante el entrenamiento para asegurar que no se aprendieran datos no fundamentados.

Significancia y Reivindicaciones
El artículo afirma que Pitwall es el primer sistema documentado públicamente de extremo a extremo que ingiere cronometraje en vivo oficial, mantiene un estado probabilístico calibrado y genera informes de lenguaje natural verificados en tiempo real. Su principal significancia radica en el argumento metodológico de que las virtudes se intercambian y deben controlarse por separado. Los autores demuestran que:

Las configuraciones óptimas de calibración no son necesariamente óptimas para la decisión.
La riqueza en los objetivos de generación aporta vivacidad pero puede colapsar en alucinación cuando el estado de fundamentación es disperso.
La selección del modelo base (adherencia a las instrucciones) es un control crítico para la fidelidad, independiente de la escala de parámetros.

El sistema trata la fidelidad no como una aspiración, sino como una restricción estructural, dirigiendo los componentes a la vía específica (Oráculo vs. Decisión) que mejoran y utilizando verificadores para controlar tanto los datos de entrenamiento como los resultados de inferencia. El documento posiciona estos hallazgos como un modelo para sistemas de soporte de decisiones en otros deportes, enfatizando la necesidad de reportar resultados negativos (por ejemplo, componentes que mejoran el realismo pero degradan la calibración) para mantener la credibilidad. El despliegue confirma que el soporte de decisiones de grado de equipo puede construirse a partir de datos públicos en infraestructura comercial, siempre que la calibración, la verificación y la ruta de doble vía se apliquen rigurosamente.