Aplicación web con inteligencia artificial para recomendación de visualizaciones y narrativas explicativas en datos tabulares

Abstract

Esta memoria presenta el diseño, implementación y evaluación de una aplicación web automatizada para recomendación de visualizaciones y generación de narrativas explicativas sobre datos tabulares. La aplicación web integra un motor determinista —inferencia semántica, perfilamiento estadístico, generación de candidatos y ranking multiobjetivo— con un componente generativo acotado (LLM) que enriquece metadatos y redacta explicaciones ancladas a hechos. La arquitectura neuro-simbólica propuesta separa estrictamente el cálculo del lenguaje: el núcleo determinista asegura reproducibilidad y trazabilidad, mientras que el LLM aporta flexibilidad semántica sin inventar estadísticas. La aplicación web implementa siete métricas de interesancia, selección diversa mediante MMR y auditoría explícita de decisiones. La validación se realizó sobre datasets sintéticos de distintos dominios, midiendo pertinencia y diversidad de las sugerencias, tiempos de respuesta, trazabilidad de las decisiones y fidelidad factual de las narrativas generadas. Los resultados sugieren que el enfoque puede reducir la fricción inicial del EDA manteniendo control humano y explicabilidad de las recomendaciones. This thesis presents the design, implementation, and evaluation of an automated web application for visualization recommendation and explanatory narrative generation on tabular data. The web application integrates a deterministic engine —semantic inference, statistical profiling, candidate generation, and multi-objective ranking— with a constrained generative component (LLM) that enriches metadata and writes fact-grounded explanations. The proposed neuro-symbolic architecture strictly separates computation from language: the deterministic core ensures reproducibility and traceability, while the LLM provides semantic flexibility without fabricating statistics. The web application implements seven interestingness metrics, diverse selection through MMR, and explicit decision auditing. Validation was conducted on synthetic datasets from different domains, measuring suggestion relevance and diversity, response times, decision traceability, and factual faithfulness of the generated narratives. Results suggest that this approach can reduce the initial friction of EDA while maintaining human control and recommendation explainability.