› El pronóstico de series temporales en modo zero-shot -sin acceso previo a datos de entrenamiento del conjunto de destino- representa uno de los desafíos más complejos del aprendizaje automático.
› Una de las vías para elevar la precisión de estas estimaciones es el uso de recuperación aumentada (retrieval augmentation): antes de emitir un pronóstico, el modelo busca en una base de datos históricos secuencias similares a la consulta actual y las añade como contexto complementario.
› El problema central es que, incluso cuando los ejemplos recuperados ofrecerían por sí solos una estimación superior a la del modelo base, no siempre mejoran el resultado final al integrarse con él.
› Es decir, los datos externos pueden tener valor real y, aun así, ser desaprovechados.Cómo funciona el framework ROARPara solucionar esta limitación surge ROAR (Retrieval Opportunity-Aware Refinement), una arquitectura diseñada específicamente para explotar las oportunidades de mejora (improvement opportunities) mediante la coordinación de varios componentes.El primero es una nueva función objetivo de entrenamiento.