🤖 AI

Using LLMs for Explainable, Data-Driven Insight Generation from Time Series

Este artículo propone un marco de trabajo agnóstico al dominio que genera explicaciones de lenguaje natural fundamentadas para pronósticos de series temporales mediante la extracción de factores estructurados de datos históricos y el condicionamiento de la generación sobre evidencia verificable, logrando así una calidad de nivel de analista en legibilidad, consistencia y persuasión sin requerir un ajuste fino específico del dominio.

Autores originales: Ria Mundhra, Gustavo Sato dos Santos, Michael Benedikt

Publicado 2026-07-22

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ria Mundhra, Gustavo Sato dos Santos, Michael Benedikt

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 mirando un pronóstico del tiempo que predice una tormenta. Un pronóstico simple podría decir simplemente: "Lloverá mañana". Pero si estás planeando una boda o un picnic, necesitas más que la predicción; necesitas el porqué. Necesitas saber si la tormenta viene de un frente frío, si la humedad es inusualmente alta, o si una cordillera específica está atrapando las nubes. En el mundo de la ciencia de datos, este "porqué" se llama una explicación. Durante años, las computadoras han sido muy buenas prediciendo números —como los precios de las acciones o los costos de envío— pero han sido pésimas explicando por qué esos números se están moviendo. Actúan como una bola de cristal mágica: te dan una respuesta, pero no pueden contarte la historia detrás de ella.

Aquí es donde entran en juego los Modelos de Lenguaje Extensos (LLM). Piensa en ellos como robots súper inteligentes que han leído casi todo lo que se ha escrito. Son excelentes contando historias y escribiendo frases que suenan humanas. Los científicos han intentado enseñar a estos robots a mirar un montón de números (como una serie temporal) y escribir una historia sobre lo que está sucediendo. Pero hay un gran inconveniente: estos robots son notorios por sus "alucinaciones". Si les preguntas por la explicación de una caída en la bolsa, podrían inventar una noticia falsa sobre la renuncia de un CEO, incluso si ese CEO nunca dejó su puesto. Inventan cosas porque están tratando de ser creativos, no porque estén observando la evidencia real. La gran pregunta para los científicos ha sido: ¿Podemos construir un robot que cuente una historia sobre números sin inventar cosas?

La historia del viajero del tiempo veraz

Este artículo presenta un nuevo y astuto marco de trabajo diseñado para enseñar a la IA cómo escribir historias fundamentadas y honestas sobre datos basados en el tiempo (como los precios de las acciones o las tarifas de envío). Los autores, un equipo de la Universidad de Oxford y Vortexa, se dieron cuenta de que el problema no es que la IA no sepa escribir; es que la IA está intentando adivinar la historia en lugar de leer la evidencia. Su solución es como darle a la IA un conjunto estricto de reglas y una "hoja de trucos" de hechos reales antes de que comience a escribir.

La receta de tres pasos para la verdad

Los autores construyeron un marco modular (un conjunto de bloques de construcción) que funciona en tres etapas principales. Puedes pensar en ello como una línea de producción de fábrica para crear explicaciones confiables.

Paso 1: El cuaderno del detective (Extracción de factores históricos)
Primero, el equipo analizó miles de explicaciones reales escritas por expertos financieros humanos. Estos expertos no solo dicen "el mercado subió"; dicen "el mercado subió porque el desempleo bajó y se aprobó una nueva ley tecnológica". Los investigadores utilizaron una IA para leer estas historias humanas y extraer los "factores": las razones específicas detrás de las tendencias. Convirtieron estas frases humanas desordenadas en listas estructuradas y ordenadas.

La analogía: Imagina a un detective que lee viejos informes policiales. En lugar de solo leer la historia, el detective extrae cada pista específica (como "noche lluviosa", "ventana rota", "huella de lodo") y las anota en una tarjeta estandarizada. Ahora, en lugar de una larga historia, tiene una caja de pistas verificadas.

Paso 2: El depósito de evidencias (Generación fundamentada)
Después, cuando la IA necesita escribir una nueva explicación para un pronóstico, no simplemente adivina. Va a su "Depósito de Evidencias". Consulta el período de tiempo específico del que está hablando y extrae las pistas relevantes del Paso 1. También toma datos en tiempo real, como tasas de desempleo o titulares de noticias, y los traduce en resúmenes de texto simples.

La analogía: Esto es como un estudiante tomando un examen. En lugar de intentar memorizar todo el libro de texto y esperar recordar el dato correcto, el profesor le da una lista específica de notas y una calculadora. El estudiante debe usar solo esas notas para escribir su respuesta. Si las notas dicen "llovió", el estudiante no puede escribir "estaba soleado". Esto evita que la IA invente razones falsas.

Paso 3: El editor estricto (Evaluación escalable)
Finalmente, el equipo necesitaba una forma de verificar si las historias de la IA eran buenas sin tener que contratar a cien expertos humanos para que leyeran cada una de ellas. Construyeron un sistema que actúa como un editor estricto. Este sistema verifica tres cosas:

Legibilidad: ¿Es la historia fácil de leer?
Consistencia: ¿Se contradice la historia a sí misma? (por ejemplo, decir "las tasas de interés subieron" y luego "eso causó que los precios subieran", cuando usualmente las tasas altas hacen que los precios bajen).
Persuasión: ¿Suena la historia convincente?

La analogía: Imagina a un robot editor que revisa tu ensayo. Si dices "comí una pizza" y luego "no almorcé", el editor señala la contradicción. Si usas palabras sofisticadas correctamente, te da una puntuación alta. Si inventas hechos, te pone una nota reprobatoria.

Lo que encontraron

Los investigadores probaron este sistema en dos mundos muy diferentes: el NASDAQ-100 (una lista de los precios de las acciones de 100 grandes empresas tecnológicas) y los precios de fletes (el costo de enviar mercancías por mar).

Los resultados: Encontraron que cuando obligaban a la IA a usar el "Depósito de Evidencias" y el "Editor Estricto", las historias que escribía eran casi tan buenas como las escritas por los expertos humanos.
- Legibilidad: Las historias de la IA eran tan claras y profesionales como las de los humanos.
- Lógica: La IA cometía menos errores lógicos cuando se le obligaba a ceñirse a la evidencia.
- Persuasión: En comparaciones directas, las explicaciones de la IA fueron juzgadas a menudo como igual de convincentes que las de los expertos humanos.
El ingrediente "mágico": El estudio demostró que la parte más importante no era solo tener una IA inteligente, sino tener el proceso adecuado. Cuando eliminaban el "Depósito de Evidencias" (la parte que traduce los números brutos en texto simple), la IA empezaba a cometer más errores y a contradecirse. Cuando añadían artículos de noticias reales a la mezcla, las historias se volvían más convincentes.

Lo que esto significa (y lo que no significa)

El artículo sugiere que no necesitamos entrenar una IA nueva y carísima desde cero para explicar datos de series temporales. En su lugar, podemos tomar modelos de IA inteligentes ya existentes y darles una forma estructurada de observar la evidencia, de forma muy similar a como se le da a un escritor un conjunto de hechos antes de que comience a redactar una novela.

Sin embargo, los autores advierten con cuidado que este no es un problema perfecto y resuelto todavía. Su sistema funciona bien para las dos áreas específicas que probaron (acciones y transporte marítico), pero no están seguros de si funcionará exactamente de la misma manera para todos los tipos de datos del mundo. Además, el "Editor Estricto" que utilizaron es otra IA, lo cual es bueno para la velocidad, pero podría no ser tan agudo como un experto humano real.

En resumen, este artículo demuestra que si le das a un modelo de lenguaje un mapa de la evidencia y le dices que se ciña al camino, puede contar una historia que sea tanto fluida como honesta. Es un paso hacia convertir a la IA en un socio confiable para la toma de decisiones, en lugar de ser solo un narrador creativo que podría mentirte.

Resumen Técnico: Uso de LLMs para la Generación de Perspectivas Explicables y Basadas en Datos a partir de Series Temporales

Planteamiento del Problema

Los pronósticos de series temporales son críticos en dominios de alto riesgo como las finanzas y la logística, sin embargo, rara vez se consumen sin las explicaciones que los acompañen. Tradicionalmente, la generación de estas explicaciones es un proceso manual, costoso y no escalable realizado por expertos en la materia que sintetizan patrones numéricos con contexto externo. Aunque los Modelos de Lenguaje de Gran Escala (LLMs) ofrecen una vía para la automatización, su aplicación directa a los datos de series temporales está plagada de desafíos. Los datos de series temporales son numéricos, poseen una estructura temporal y exhiben comportamientos complejos (autocorrelación, estacionalidad, cambios de régimen) sobre los cuales los LLMs no están inherentemente entrenados para razonar. La aplicación ingenua de los LLMs suele resultar en "alucinaciones", donde los modelos generan narrativas fácticamente incorrectas, temporalmente inconsistentes o carentes de sustento en los datos. Además, el campo carece de un marco riguroso y escalable para evaluar la calidad de tales explicaciones, ya que las métricas de texto genéricas (por ejemplo, BLEU, ROUGE) se correlacionan pobremente con el juicio humano respecto a la consistencia lógica y la persuasión.

Metodología

Los autores proponen un marco modular y agnóstico al dominio (ilustrado en la Figura 1) diseñado para generar explicaciones de lenguaje natural fundamentadas. El marco opera en tres etapas distintas:

1. Extracción de Factores Históricos

La primera etapa tiene como objetivo aprender la estructura del razonamiento experto sin requerir datos etiquetados.

Entrada: Un corpus de explicaciones históricas escritas por analistas (AnX).
Proceso: El sistema segmenta AnX en fragmentos y utiliza un LLM para extraer "factores" estructurados. Un factor se define como una tupla $(n, e, A)$ , donde $n$ es un nombre descriptivo, $e$ es el segmento de evidencia explícita del texto, y $A$ es un conjunto de atributos (por ejemplo, horizonte temporal, sector afectado, impacto en el precio).
Clustering: Los factores extraídos son incrustados y agrupados (usando UMAP y HDBSCAN) para identificar temas explicativos reutilizables (por ejemplo, "Tasa de desempleo y solicitudes de subsidio por desempleo").
Validación de Calidad: Para asegurar que los atributos extraídos sean significativos, los autores emplean una tarea de diagnóstico basada en recuperación. Un modelo de razonamiento intenta identificar la fuente AnX dado solo un subconjunto de atributos de los factores. Esto sirve como un proxy para seleccionar los atributos más "de alta señal" para su uso posterior, filtrando el ruido.

2. Generación de Explicaciones Fundamentadas

La segunda etapa genera la explicación (GenX) condicionando al LLM a evidencia verificable en lugar de conocimiento latente.

Recuperación de Evidencia: Los grupos de factores identificados se mapean con evidencia concreta. Esto incluye señales cuantitativas (por ejemplo, series temporales auxiliares alineadas como las tasas de desempleo) y señales cualitativas (por ejemplo, artículos de noticias sobre eventos geopolíticos).
Codificación de Series Temporales: Los datos numéricos brutos no se introducen directamente al LLM. En su lugar, pasan por un proceso de codificación de múltiples pasos:
1. Representación Multiescala: Los datos se representan en resoluciones diarias, semanales y mensuales.
2. Descomposición STL: La descomposición estacional-tendencial separa la tendencia, la estacionalidad y los residuos.
3. Resumen de Lenguaje Natural: Las estadísticas se convierten en diccionarios de texto concisos que describen dirección, magnitud y ciclos.
Prompting Estructurado: La evidencia codificada y el contexto externo se entrelazan en un prompt estructurado. Se utilizan ejemplos de pocos disparos (few-shot) para anclar el tono y la estructura, pero el modelo actúa principalmente como un realizador lingüístico de la evidencia suministrada, minimizando la alucinación.

3. Evaluación y Refinamiento Escalable

La tercera etapa evalúa las explicaciones generadas a lo largo de tres ejes sin depender únicamente de la revisión costosa de expertos humanos:

Legibilidad: Medida a través del Índice de Gunning-Fog (general) y una prueba de "Smart Cloze" (específica del dominio), donde un LLM completa espacios en blanco para evaluar la predictibilidad y la adecuación de la terminología especializada.
Consistencia Lógica: Un procedimiento de detección de contradicciones convierte las explicaciones en aserciones y las coteja contra un conjunto de axiomas del dominio (por ejemplo, "el aumento de las tasas de interés causa una presión a la baja en los índices"). Las contradicciones de alta confianza son señaladas.
Persuasión: Un "LLM-como-juez" compara las explicaciones generadas con las referencias escritas por analistas para determinar cuál es más convincente, con controles para el sesgo de posición y pistas superficiales.
Bucle de Refinamiento: Las contradicciones detectadas durante la evaluación se reintroducen como restricciones al generador para mejorar iterativamente el resultado.

Resultados Clave

El marco fue evaluado en dos casos de estudio: el índice NASDAQ-100 (primario) y precios de fletes (secundario, usando datos de Vortexa).

Legibilidad: Las explicaciones generadas (GenX) coincidieron con las explicaciones escritas por analistas (AnX) tanto en legibilidad general como específica del dominio. La evaluación "Smart Cloze" mostró brechas de desempeño estrechas, indicando que el marco preserva la terminología técnica apropiada.
Consistencia: Hubo una diferencia significativa basada en la capacidad de razonamiento del LLM subyacente. Las explicaciones generadas por un modelo ligero (gpt-4o-mini) exhibieron tasas más altas de contradicciones internas en comparación con AnX. Sin embargo, un modelo de razonamiento más fuerte (o3) redujo sustancialmente esta brecha, acercándose a los niveles de consistencia de los expertos humanos.
Persuasión: En comparaciones por pares, las explicaciones escritas por analistas fueron generalmente preferidas sobre los resultados de gpt-4o-mini. No obstante, las explicaciones generadas por o3 fueron juzgadas como igualmente persuasivas o preferidas en la mayoría de los casos frente a las referencias humanas.
Estudio de Ablación: El estudio reveló que los diferentes componentes de la canalización sirven funciones distintas:
- La Codificación de Series Temporales fue el factor más crítico para reducir las contradicciones internas y asegurar la consistencia temporal.
- Los Resúmenes de Noticias Externas mejoraron principalmente la persuasión al fundamentar las afirmaciones en eventos del mundo real.
- Los Ejemplos de Pocos Disparos (Few-Shot) tuvieron el mayor impacto en la alineación estilística y la legibilidad específica del dominio.
- La configuración completa (con todos los componentes habilitados) funcionó sólidamente en todas las métricas, aunque existieron compensaciones (por ejemplo, la saturación del contexto afectó ligeramente los picos de las métricas individuales).

Significación y Reivindicaciones

El artículo sostiene que la generación de explicaciones fundamentadas para el pronóstico de series temporales puede lograrse a escala sin necesidad de un ajuste fino (fine-tuning) específico del dominio.

Al restringir explícitamente la generación del LLM a evidencia verificable derivada de la extracción de factores estructurados y la codificación compacta de series temporales, el marco logra mitigar los problemas de alucinación típicamente asociados con la aplicación de LLMs a datos numéricos. Los autores demuestran que su enfoque produce explicaciones que son comparables a las narrativas de los expertos en términos de legibilidad, consistencia lógica y persuasión.

El marco se presenta como un plano general para el soporte de decisiones transparente y basado en evidencia en diversos campos más allá de las finanzas, incluyendo la logística, el pronóstico de la cadena de suministro, la vigilancia epidemiológica y el monitoreo de infraestructura. Los autores mantienen la modestia, señalando que la evaluación depende de la disponibilidad de señales históricas de alta calidad y que los jueces basados en LLM, aunque escalables, son proxies imperfectos de la pericia humana. Se sugiere como trabajo futuro el ajuste fino basado en refuerzo y la selección adaptativa de atributos.