Resumen: El análisis tradicional de series de tiempo se ha basado durante mucho tiempo en el reconocimiento de patrones, basado en puntos de referencia estáticos y bien establecidos. Sin embargo, en entornos del mundo real, donde las políticas cambian, el comportamiento humano se adapta y se desarrollan eventos inesperados, el análisis eficaz debe ir más allá de las tendencias superficiales para descubrir las fuerzas reales que las impulsan. El reciente aumento de los modelos de lenguaje grande (LLM) presenta nuevas oportunidades para repensar el análisis de series de tiempo mediante la integración de entradas multimodales. Sin embargo, a medida que el uso de LLM se vuelve popular, debemos ser cautelosos y preguntarnos por qué usamos LLM y cómo explotarlos de manera efectiva. La mayoría de los métodos basados en LLM existentes todavía emplean su capacidad de regresión numérica e ignoran su potencial de razonamiento más profundo. Este artículo aboga por repensar las series temporales con LLM como una tarea de razonamiento que prioriza la estructura causal y la explicabilidad. Este cambio acerca el análisis de series temporales a la comprensión humana, lo que permite obtener información transparente y consciente del contexto en entornos complejos del mundo real.
Publicado originalmente en export.arxiv.org el 15 de octubre de 2025.
Ver fuente original
