🤖 AI

UrbanDS: A Graph-Guided LLM Multi-Agent System for Data-Intensive Urban Tasks

El artículo propone UrbanDS, un sistema multiagente de LLM guiado por grafos que construye un grafo de conjunto de datos unificado para organizar habilidades y relaciones para la recuperación y el procesamiento de datos, lo cual aborda eficazmente los desafíos de las tareas urbanas intensivas en datos y supera a los métodos existentes tanto en las evaluaciones de referencia como en el despliegue en el mundo real.

Autores originales: Zhilun Zhou, Jianghao Yu, Yuming Lin, yongjun yang, Sun Yongquan, Depeng Jin, Yong Li

Publicado 2026-07-30

📖 3 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Zhilun Zhou, Jianghao Yu, Yuming Lin, yongjun yang, Sun Yongquan, Depeng Jin, Yong Li

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 un mundo donde las computadoras se están volviendo realmente buenas para hablar con nosotros, entender nuestras preguntas e incluso escribir código para resolver problemas. Estas computadoras inteligentes se llaman Modelos de Lenguaje Extensos (LLM, por sus siglas en inglés), y actúan como asistentes superpotentes. Pero hay un inconveniente: aunque son excelentes charlando, a menudo tienen dificultades cuando se les pide que realicen un trabajo real de ciencia de datos, especialmente cuando los datos son desordenados, enormes y están dispersos por todas partes. Piensa en esto como pedirle a un bibliotecario brillante que encuentre un dato específico, pero en lugar de una biblioteca ordenada, lo lanzas a un almacén gigante donde millones de cajas están apiladas al azar, y tú no sabes qué caja contiene la respuesta. El bibliotecario puede saber cómo leer, pero no puede encontrar el libro adecuado sin un mapa. Este es el gran problema que los investigadores están tratando de resolver: ¿cómo enseñamos a estos asistentes de IA no solo a responder preguntas, sino a realmente cazar la información correcta de un océano caótico de datos, entender cómo encajan las diferentes piezas y luego hacer las matemáticas para darnos una respuesta real?

Entra UrbanDS, un sistema nuevo y astuto diseñado para ser el "detective de datos" definitivo para problemas relacionados con la ciudad. Los investigadores detrás de este proyecto se dieron cuenta de que los datos urbanos son un tipo especial de desorden. Provienen de todas partes: sensores de tráfico, registros de población, mapas y registros comerciales, y todas estas piezas están conectadas de formas complicadas (como la relación entre la ubicación de una carretera y las personas que viven cerca). Las herramientas de IA existentes suelen fallar aquí porque esperan que los datos se les entreguen en una bandeja de plata. UrbanDS cambia las reglas del juego al actuar como un equipo de agentes especializados trabajando juntos. Primero, construyen un "mapa" gigante y vivo (un grafo) de todos los datos. Un equipo de agentes recorre cada uno de los archivos, los lee y escribe un "currículum" para cada uno, describiendo qué hay dentro y cómo se conecta con otros archivos. Otro equipo traza líneas entre estos currículums para mostrar qué piezas de datos son vecinas en tiempo, espacio o significado.

Cuando un humano hace una pregunta, como "¿Dónde están ocurriendo los atascos de tráfico cerca de las escuelas ahora mismo?", un agente "Planificador" observa este mapa. En lugar de adivinar, sigue las líneas para encontrar los datos exactos de tráfico y de escuelas que necesita. Luego, un equipo de agentes de "Ejecución" escribe y ejecuta el código para procesar los números, compartiendo su progreso como un grupo de amigos trabajando en un proyecto grupal. Finalmente, un agente "Reportero" redacta los hallazgos. El equipo probó este sistema en un desafío masivo llamado UrbanDS-Bench, que incluyó 94 conjuntos de datos de 10 grandes ciudades chinas y casi 500 tareas diferentes. Los resultados fueron impresionantes: UrbanDS resolvió estos difíciles acertijos de búsqueda de datos significativamente mejor que otras herramientas de IA de primer nivel, obteniendo aproximadamente el 70% de las respuestas correctas en comparación con el 63% de la siguiente mejor herramienta. Incluso lo probaron en el mundo real en Wuhan, donde ayudó a los planificadores urbanos a analizar datos municipales reales, demostrando que este enfoque "guiado por un mapa" funciona no solo en un laboratorio, sino en las calles de una ciudad real.

Resumen Técnico: UrbanDS

Planteamiento del Problema

Los agentes de modelos de lenguaje extensos (LLM) han mostrado potencial para automatizar flujos de trabajo de ciencia de datos, sin embargo, los métodos existentes enfrentan limitaciones significativas en escenarios intensivos en datos. Los enfoques actuales suelen depender de un conjunto limitado de conjuntos de datos proporcionados directamente con una tarea. No obstante, las aplicaciones del mundo real, particularmente en la computación urbana, involucran repositorios heterogéneos y a gran escala que contienen miles de archivos en diversos dominios (por ejemplo, movilidad, transporte, uso de suelo, economía).

El desafío central es doble:

Descubrimiento de Conjuntos de Datos: Los agentes deben identificar conjuntos de datos relevantes dentro de un fondo masivo donde los nombres de los archivos son a menudo ambiguos o están anonimizados, y la mayor parte de los datos son irrelevantes para la consulta específica.
Integración Compleja: Los conjuntos de datos urbanos exhiben relaciones espaciales, temporales y semánticas intrincadas. Los agentes no solo deben encontrar los datos, sino también comprender cómo unir e integrar estas fuentes heterogéneas (por ejemplo, emparejar un region_id en un conjunto de datos de población con un id en un conjunto de datos de límites geográficos) para realizar el análisis posterior.

Los benchmarks existentes suelen proporcionar los conjuntos de datos necesarios de antemano, fallando al evaluar la capacidad de un agente para descubrir y conectar fuentes de datos dentro de un repositorio ruidoso y a gran escala.

Metodología: Marco de Trabajo UrbanDS

Para abordar estos desafíos, los autores proponen UrbanDS, un sistema multi-agente guiado por grafos diseñado específicamente para tareas urbanas intensivas en datos. El sistema opera en dos etapas distintas: Construcción del Grafo de Conjuntos de Datos y Ejecución de Tareas.

1. Construcción del Grafo de Conjuntos de Datos

Antes de ejecutar cualquier tarea específica, UrbanDS organiza el repositorio de datos brutos en un grafo de conocimiento estructurado ( $G = (V, E)$ ) para evitar el costo de inspeccionar cada archivo ante cada consulta.

Agente de Perfilado de Datos: Este agente explora cada conjunto de datos una sola vez utilizando código Python para generar una Habilidad de Conjunto de Datos (Dataset Skill) reutilizable. Esta habilidad resume el contenido, esquema, estadísticas, cobertura espacio-temporal e instrucciones de uso del conjunto de datos.
Agente de Relaciones: Este agente identifica las relaciones entre los conjuntos de datos para formar las aristas del grafo ( $E$ $E$ ). Modela tres tipos de relaciones:
- Relaciones Espaciales y Temporales: Determinadas por la superposición de la cobertura geográfica y los rangos de tiempo encontrados en las habilidades de los conjuntos de datos.
- Relaciones Semánticas: Identificadas mediante un Libro de Códigos Semántico (Semantic Codebook). El sistema construye un libro de códigos incremental de identificadores de entidades (por ejemplo, IDs de regiones) mientras realiza el perfilado. Un Agente de Relaciones verifica entonces las conexiones entre campos asignados al mismo código, determinando si pueden integrarse a pesar de tener nombres de campo distintos.
Resultado: Un grafo de conjuntos de datos donde los nodos representan conjuntos de datos (con sus respectivas habilidades) y las aristas representan conexiones espaciales, temporales o semánticas.

2. Ejecución de Tareas

Cuando se recibe una consulta de usuario, el sistema ejecuta el siguiente flujo de trabajo:

Agente Planificador: Recupera los conjuntos de datos relevantes del grafo. Emplea una estrategia de recuperación progresiva:
1. Primero revisa los nombres y descripciones cortas para seleccionar candidatos prometedores.
2. Luego lee las Habilidades de Conjunto de Datos completas de los candidatos.
3. Recorre las aristas del grafo para descubrir conjuntos de datos vecinos que podrían ser relevantes, verificando cada elección contra su habilidad antes de finalizar un Plan de Análisis.
Agentes de Ejecución: Múltiples agentes colaboran en la ejecución del plan. Cada agente maneja una subtarea específica escribiendo y ejecutando código. Comparten una memoria común que contiene el progreso de la ejecución, resultados intermedios y registros, permitiendo que los agentes subsecuentes reutilicen salidas sin necesidad de re-computación. Si el plan inicial carece de suficientes datos, los agentes pueden recuperar conjuntos de datos adicionales desde el grafo.
Agentes de Informe y Revisión: Un Agente de Informes sintetiza los registros experimentales en un informe final. Un Agente de Revisión permite el refinamiento iterativo basado en la retroalimentación del usuario, actualizando el informe o los artefactos sin reiniciar toda la tarea.

Principales Contribuciones

Sistema UrbanDS: La propuesta de un sistema multi-agente que organiza grandes volúmenes de datos urbanos en un grafo de habilidades y relaciones reutilizables, permitiendo el descubrimiento automático de conjuntos de datos, planificación, ejecución y generación de informes.
UrbanDS-Bench: La construcción de un benchmark integral para la ciencia de datos urbana. Incluye:
- 94 conjuntos de datos de 10 ciudades principales de China (que cubren datos geoespaciales, de movilidad y socioeconómicos).
- 450 tareas de análisis de datos (espaciales, temporales y espacio-temporales) y 8 tareas de modelado de datos.
- Un grupo de datos "plano" (flat) donde los conjuntos de datos están anonimizados, obligando a los agentes a depender de la inspección de contenido en lugar de los nombres de archivos.
Validación Empírica: Experimentos extensos demuestran que UrbanDS supera a otros agentes de ciencia de datos y agentes de codificación generales en escenarios intensivos en datos.
Despliegue en el Mundo Real: Despliegue exitoso en la plataforma de operaciones urbanas del Distrito de Dongxihu, Wuhan, apoyando el análisis práctico sobre datos municipales reales.

Resultados Experimentales

Los autores evaluaron UrbanDS frente a bases como DS-Agent, Data Interpreter, DeepAnalyze, AutoGen y Claude Code tanto en UrbanDS-Bench como en CoDA-Bench.

Desempeño en UrbanDS-Bench: UrbanDS alcanzó una precisión general del 70.0%, superando a la base más fuerte (Claude Code, 62.9%) por un 11.2%. Lideró en todas las categorías de razonamiento: Espacial (65.7%), Temporal (83.6%) y Espacio-Temporal (73.9%).
Desempeño en CoDA-Bench: UrbanDS logró un 46.2% de precisión, una mejora del 10.0% respecto a Claude Code, demostrando efectividad en tareas generales de descubrimiento de datos.
Modelado de Datos: UrbanDS obtuvo los mejores resultados en las ocho tareas de modelado de datos. Notablemente, para la predicción de check-in de puntos de interés (POI), alcanzó un $R^2$ de 0.464, mientras que todos los demás sistemas produjeron valores negativos de $R^2$ , indicando su capacidad superior para aprovechar conjuntos de datos auxiliares para la construcción de modelos.
Estudio de Ablación: Eliminar las Relaciones de Conjuntos de Datos redujo la precisión general en un promedio de 13.3%. Eliminar las Habilidades de Conjunto de Datos causó una caída mayor (promedio de 20.6%), particularmente en tareas espacio-temporales, confirmando que el conocimiento estructurado del contenido de los datos es crítico para una integración correcta.
Escalabilidad: El desempeño de todos los métodos disminuyó conforme aumentó el número de conjuntos de datos requeridos (las tareas que requieren 4 o más conjuntos de datos vieron precisiones inferiores al 53% para todos los métodos), aunque UrbanDS mantuvo el rendimiento relativo más alto.

Significado y Reivindicaciones

El artículo afirma que UrbanDS aborda una brecha crítica en la investigación actual de agentes LLM: la capacidad de operar en entornos intensivos en datos donde el cuello de botella principal no es la generación de código, sino el descubrimiento e integración de datos.

Más allá de Entradas Predefinidas: A diferencia de los benchmarks previos que proporcionan los conjuntos de datos necesarios, UrbanDS-Bench evalúa la capacidad del agente para navegar en un repositorio grande y heterogéneo para encontrar "la aguja en el pajar".
Eficiencia Guiada por Grafos: El sistema demuestra que organizar previamente los datos en un grafo de habilidades y relaciones reduce significamente la carga de la ventana de contexto para los LLM y mejora la precisión en la selección de conjuntos de datos.
Utilidad Práctica: El despliegue en Wuhan y el estudio de usuarios (mostrando una aceleración de 5.6 veces en el tiempo de análisis) sugieren que el sistema no es solo una mejora teórica, sino una herramienta viable para acelerar el análisis de datos urbanos en el mundo real.
Limitaciones: Los autores señalan modestamente que el sistema actualmente se enfoca en la ejecución de solicitudes especificadas por el usuario. Todavía no posee la capacidad de explorar activamente los repositorios sin preguntas predefinidas ni de proponer hipótesis de investigación novedosas a partir de patrones de datos. El trabajo futuro apunta a extender el sistema hacia estas capacidades más abiertas.