Methodology for the selection of large language models (LLMs) in weather prediction applications through machine learning algorithms on Cloud computing environments and data captures through IoT
Year: 2024
Type: dissertation
Abstract: La predicción meteorológica es uno de los factores críticos que se aborda desde diversos enfoques, y resulta fundamental para una amplia gama de sectores, como la agricultura, la energía renovable, la gestión de desastres y la planificación urbana. Los avances recientes en Modelos de Lenguaje de Gran Tamaño (Large Language Models, LLMs), Internet de las Cosas (Internet of Things, IoT) y computación en la nube han abierto nuevas oportunidades para mejorar la precisión y la eficiencia de las predicciones en estos sectores. Sin embargo, existen varios desafíos relacionados con la variabilidad constante de las condiciones ambientales y la fiabilidad de los datos obtenidos de sensores. Esta investigación propone el desarrollo de una metodología integral para evaluar el impacto de la integración de LLMs con infraestructuras IoT y la computación en la nube, con el objetivo de determinar la precisión y mejorar la exactitud de las predicciones meteorológicas. La metodología comprende cinco fases iterativas: Identificación, Desarrollo, Prueba y Monitoreo, Evaluación y Análisis. Este enfoque permite la evaluación continua de los LLMs y la adaptación del sistema en función de los resultados obtenidos, abordando las necesidades cambiantes del entorno IoT. El estudio se enfoca en el diseño de métricas específicas para evaluar el rendimiento de los LLMs frente a los modelos tradicionales, desplegado dentro de una plataforma en la nube escalable que facilita la integración de los datos generados por dispositivos IoT. La metodología incorpora el uso de un agente ReAct (Reasoning and Acting), que mejora la precisión y exactitud del sistema al detectar anomalías en los datos y ajustar las respuestas en consecuencia. Este agente también demostró ser capaz de identificar cuando el rendimiento del modelo era insuficiente, recomendando el uso de fuentes de datos más fiables como alternativa para garantizar la calidad de las predicciones. En el caso de estudio, se evidenció que algunos modelos presentaron un bajo rendimiento, con métricas como el R² próximo a cero, indicando una incapacidad para capturar patrones subyacentes en los datos. Sin embargo, la inclusión del agente ReAct permitió mitigar estos problemas al tomar decisiones críticas para mantener la calidad de las predicciones. Los resultados mostraron la capacidad del sistema para ajustarse y mejorar conforme se recopilan nuevos datos, haciendo que el proceso sea adaptativo y más robusto. Se espera que los resultados de esta investigación contribuyan significativamente al avance de la predicción meteorológica, con beneficios directos para sectores críticos y diversas partes interesadas. La metodología desarrollada sienta las bases para futuras investigaciones y aplicaciones en este campo, facilitando predicciones meteorológicas más precisas y confiables. La combinación de LLMs con IoT y agentes reactivos no solo mejora la capacidad predictiva, sino también la adaptabilidad del sistema en entornos cambiantes, lo cual es esencial para aplicaciones meteorológicas modernas.
Author: Bello González, Iván Darío
Language: Spanish
Topic: Internet of Things and AI
Subfield: Information Systems
Field: Computer Science
Domain: Physical Sciences
SDG: Climate action
Open Access status: green
OpenAlex ID: W7132968190