Desarrollo de un sistema multiagente basado en Modelos de Lenguaje Grande para la predicción de radiación solar utilizando datos meteorológicos

Resumen

Este artículo corto presenta un trabajo en desarrollo basado en un enfoque híbrido para la estimación de la radiación solar global horaria bajo condiciones de cielo variables, combinando técnicas de aprendizaje automático supervisado y herramientas de inteligencia artificial generativa. Específicamente, se desarrolla un modelo predictivo basado en algoritmos de Gradient Boosting, utilizando como variables de entrada datos meteorológicos y el índice de claridad (Kt), parámetro derivado de la radiación solar, que permite clasificar la cobertura nubosa y mejorar la precisión del modelo. La radiación solar global horaria es la variable objetivo del sistema. El modelo con mejor desempeño, evaluado mediante métricas como el coeficiente de determinación (R²), error absoluto medio (MAE) y raíz del error cuadrático medio (RMSE), se integra en un chatbot interactivo diseñado para facilitar su uso y promover el acceso a  análisis exploratorios sin requerimientos técnicos por parte del usuario. Por ejemplo, un usuario puede consultar: “¿Cuál fue la radiación solar promedio en abril de 2022?” y obtener una respuesta acompañada de una visualización automática. Este sistema se implementa mediante la tecnología Semantic Kernel de Microsoft, que permite la ejecución de funciones programadas a partir de la interpretación del lenguaje natural, y se complementa con modelos de lenguaje locales gestionados a través de la plataforma Ollama, incluyendo instancias de LLaMA y Qwen. La solución propuesta mejora la precisión en la predicción de la radiación solar y facilita el acceso a modelos científicos mediante interfaces inteligentes y accesibles.