Si bien los modelos basados en transformadores son excelentes para predecir patrones cotidianos, persisten las dudas sobre si internalizan conceptos semánticos, como las condiciones del mercado, o simplemente se ajustan a curvas. Además, surgen dudas sobre si estas representaciones internas pueden aprovecharse para simular eventos inusuales y riesgosos, como las caídas del mercado. Para abordar estas cuestiones, este artículo presenta una técnica de intervención causal denominada trasplante de activación. Esta técnica manipula el estado oculto aplicando momentos estadísticos de un evento (p. ej., una caída anterior) a otro evento (p. ej., un período de calma) durante un pase hacia adelante. Este procedimiento controla determinísticamente la predicción: la inyección de semántica de caída induce una predicción a la baja, mientras que la inyección de semántica de calma suprime la caída y restaura la estabilidad. Más allá del control binario, observamos que el modelo codifica una noción de severidad del evento y que la norma del vector latente está directamente correlacionada con la magnitud del shock del sistema. Validada en dos arquitecturas (Toto y Chronos), la técnica demuestra que las representaciones manipulables y semánticamente informadas son propiedades poderosas para los transformadores de series de tiempo a gran escala.
