Fine-tuning LLMs for Tourist Trajectory Prediction using Field Experiment Data
Este artículo demuestra que el ajuste fino de Modelos de Lenguaje Extensos con datos de experimentos de campo del Parque del Castillo de Wakayama permite la predicción precisa y sensible al contexto de las trayectorias de los turistas, incluso en escenarios con baja frecuencia de muestreo como días lluviosos, estableciendo así una base sólida para evaluar intervenciones de movilidad mediante el análisis contrafáctico.
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
Imagine estar al borde de un vasto y bullicioso parque, observando a cientos de personas zigzaguear por los senderos, detenerse en los jardines y caminar hacia los castillos. Para los planificadores urbanos y los responsables del turismo, comprender por qué estos visitantes eligen un camino u otro no es solo una cuestión de curiosidad; es una herramienta crítica para gestionar las multitudes, proteger los sitios frágiles y asegurar que el dinero fluya hacia los lugares adecuados. Cuando un destino intenta introducir un nuevo transbordador eléctrico o un sistema de bicicletas compartidas para ayudar a la gente a desplazarse entre atracciones dispersas, se enfrentan a una pregunta difícil: ¿cambiará este nuevo servicio realmente la forma en que la gente explora, o los visitantes simplemente lo usarán para llegar más rápido a los mismos lugares concurridos? Los modelos informáticos tradicionales luchan por responder a esto porque suelen tratar el movimiento humano como una simple serie de pasos, ignorando los factores desordenados del mundo real que influyen en nuestras elecciones, como una lluvia repentina, un niño cansado o el simple deseo de encontrar un banco tranquilo. Estos sistemas antiguos requieren cantidades masivas de datos históricos para aprender patrones y, cuando se enfrentan a una situación nueva que nunca han visto, a menudo fallan al intentar adivinar correctamente.
Un equipo de investigadores de la Universidad de Osaka y del Centro RIKEN para la Ciencia Computacional ha adoptado un enfoque diferente al recurrir a un tipo de inteligencia artificial conocida como modelo de lenguaje de gran tamaño. Estos son los mismos sistemas informáticos potentes que pueden escribir historias, responder preguntas compleas y mantener conversaciones, entrenados en vastas bibliotecas de texto humano. Los investigadores se dieron cuenta de que estos modelos ya poseen una comprensión profunda e intuitiva del comportamiento humano. "Saben" que la gente busca refugio cuando llueve, que las familias necesitan descansos frecuentes y que la hora del almuerzo suele significar la búsqueda de comida. En lugar de construir un nuevo modelo desde cero, el equipo decidió enseñar a este sistema existente y con conocimientos cómo navegar por una ubicación específica. Se centraron su estudio en el Parque del Castillo de Wakayama en Japón, un destino extenso con una torre de castillo histórica, jardines, un zoológico y numerosas áreas de descanso. Durante un programa piloto en diciembre de 2023, los investigadores recopilaron registros detallados de movimiento de 56 gráficos de turistas, rastreando a dónde fueron, cuándo llegaron y qué hicieron, registrando también el clima y la hora del día.
Para enseñar a la computadora, los investigadores tradujeron estos registros de movimiento brutos a un formato que el modelo de lenguaje pudiera entender: una historia simple y estructurada. Describieron a cada visitante como un personaje con rasgos específicos, como la edad o el tipo de grupo, y ambientaron la escena con el clima actual. Luego, enumeraron el viaje del visitante paso a paso, anotando el tiempo, la acción y el lugar específico visitado, de forma muy parecida a escribir la entrada de un diario de un día en el parque. Después, pidieron a la computadora que leyera estas historias y aprendiera los patrones de cómo la gente se movía realmente por el parque. El objetivo era ver si el modelo podía observar la historia de un visitante hasta un cierto punto y predecir con precisión a dónde iría después. Este proceso, conocido como ajuste fino (fine-tuning), permitió al modelo combinar su conocimiento general de la naturaleza humana con la disposición y los hábitos específicos del Parque del Castillo de Wakayama.
Los resultados fueron sorprendentes. Al probarlo con nuevos visitantes que el modelo nunca había visto, predijo correctamente el siguiente lugar específico que un turista visitaría aproximadamente el 49 por ciento de las veces. Esto supuso una mejora significativa respecto a los métodos estadísticos tradicionales, que lograban adivinar correctamente solo entre un 9 y un 15 por ciento de las veces. Los métodos antiguos solían fallar porque no podían tener en cuenta el contexto; no entendían que un día lluvioso haría que un visitante se saltara los jardines abiertos y se dirigiera directamente al museo de interior. El modelo de lenguaje, sin embargo, utilizó su sentido común integrado para realizar estos ajustes. Incluso en situaciones difíciles donde los datos escaseaban, como en días lluviosos cuando solo se registraron unos pocos visitantes, el modelo mantuvo un alto nivel de precisión, prediciendo correctamente que la gente buscaría refugio en interiores. También generó con éxito itinerarios completos de un día entero que resultaban realistas, comenzando con visitas matutinas a monumentos principales, pasando por el almuerzo y terminando con el descanso de la tarde, todo ello sin haber sido programado explícitamente con estas reglas.
Los investigadores descubrieron que la capacidad del modelo para entender el "porqué" detrás de una decisión era tan importante como su capacidad para adivinar el "dónde". Aunque fue ligeramente menos preciso al predecir el nombre específico de una tienda o jardín concreto, fue muy bueno prediciendo el tipo de lugar que un visitante elegiría, como un restaurante o un sitio histórico. Esto sugiere que el modelo había aprendido las intenciones generales de los turistas. Curiosamente, el equipo también probó una versión del modelo que había sido entrenada específicamente en la lengua y cultura japonesa, pero la versión general y multilingüe funcionó mejor. Esto indica que, para comprender cómo se mueven las personas y toman decisiones, el conocimiento amplio y diverso del comportamiento humano que se encuentra en un modelo general es más valioso que el entrenamiento lingüístico especializado.
Este trabajo no pretende afirmar que haya resuelto perfectamente el problema de predecir el comportamiento humano, ni demuestra que estos modelos puedan predecir exactamente cómo una nueva política cambiará el futuro. Los investigadores advierten cuidadosamente que su modelo es una herramienta poderosa para pronosticar qué hará la gente bajo las condiciones actuales, pero utilizarlo para simular los efectos de una nueva intervención, como un nuevo autobús lanzadera, requiere más pruebas. Sin embargo, el estudio demuestra que estos modelos de lenguaje de gran tamaño pueden servir como espejos altamente precisos del comportamiento humano, capaces de comprender las decisiones sutiles y dependientes del contexto que definen un día en el parque. Al capturar la lógica de por qué un padre cansado elige un banco en lugar de una larga caminata, o por qué un grupo evita una colina en un día caluroso, esta tecnología ofrece una nueva forma para que los gestores de destinos planifiquen el futuro, yendo más allá de las simples estadísticas hacia una comprensión más profunda de las personas que visitan sus tierras.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.