Factored Reasoning with Inner Speech and Persistent Memory for Evidence-Grounded Human-Robot Interaction

Resumo Técnico: Raciocínio Fatorado com Fala Interna e Memória Persistente para Interação Humano-Robô Baseada em Evidências

Definição do Problema
A transição de robôs assistivos de demonstrações controladas para implantações de longo prazo no mundo real (por exemplo, em ambientes de cuidados de saúde ou domésticos) exige sistemas que possam manter um comportamento consistente ao longo de dias ou meses, não apenas de sessões únicas. As arquiteturas atuais baseadas em Grandes Modelos de Linguagem (LLMs) frequentemente lutam com três restrições críticas em interações de longo horizonte: (i) detectar quando informações essenciais estão faltando, (ii) distinguir evidência recuperada de inferências não sustentadas e (iii) decidir quando solicitar esclarecimentos em vez de prosseguir com planos subespecificados. Um desafio significativo é a tensão "expressividade vs. controle"; embora os LLMs ofereçam raciocínios poderosos, eles frequentemente colapsam deliberação, invocação de ferramentas e explicação em uma única etapa de geração. Esse acoplamento torna as decisões intermediárias difíceis de verificar, corre o risco de acumular suposições não verificadas em modelos de usuário e pode levar a respostas "confiantes, mas incorretas" que minam a confiança e a segurança.

Metodologia: A Arquitetura JANUS
O artigo apresenta o JANUS, uma arquitetura cognitiva projetada para enfrentar esses desafios, modelando a interação humano-robô como um Processo de Decisão de Markov Parcialmente Observável (POMDP). A inovação central é um controlador fatorado que decompõe a interação em módulos especializados e tipados com interfaces explícitas, separando a lógica de controle interna da comunicação externa.

Os principais componentes arquitetônicos incluem:

1. Pipeline de Raciocínio Fatorado: O sistema decompõe o mapeamento entrada-saída em um grafo computacional de agentes:

   • Detecção de Escopo: Identifica o domínio de interação ativo.
   • Reconhecimento de Intenção e Pós-processamento: Mapeia solicitações de formato livre para esquemas de tarefas estruturados com parâmetros tipados.
   • Agente de Memória: Um componente de estado que gerencia uma estrutura de memória de três níveis: um buffer de histórico recente limitado ($H_t$), uma memória central compacta ($C_t$) e um armazenamento de arquivo ($A_t$). Ele emprega um portão de suficiência de informação para decidir se a recuperação de arquivo é necessária, garantindo que o contexto de trabalho ($W_t$) permaneça limitado e coerente.
   • Fala Interna (Inner Speech): Um canal de controle interno que valida a intenção, verifica a completude dos parâmetros e impõe a prontidão de execução. Ele decide se o robô deve prosseguir, pedir esclarecimentos, mudar de domínio ou rejeitar uma solicitação. Crucialmente, este canal é distinto da saída para o usuário.
   • Geração de Consulta (Query Generation): Produz chamadas de ferramentas executáveis (por exemplo, consultas de banco de dados) apenas quando evidência externa é necessária.
   • Fala Externa (Outer Speech): Gera respostas voltadas para o humano condicionadas ao feixe de evidências ($B_t = W_t \cup E_t$), garantindo que as afirmações sejam fundamentadas em dados recuperados ou explicitamente marcadas como padrões seguros.

2. Fala Interna e Controle: Inspirada em teorias cognitivas, a "Fala Interna" no JANUS atua como um fluxo textual de controle orientado. Ela valida se todos os parâmetros necessários para um esquema de tarefa estão presentes antes de permitir o embasamento. Se a informação estiver faltando, ela aciona um turno de esclarecimento via Fala Externa em vez de alucinar valores padrão.

3. Gerenciamento de Memória: A memória é tratada como um recurso gerenciado, não como um log ilimitado. O sistema utiliza políticas controladas de consolidação e revisão. Quando o buffer histórico excede a capacidade, os traços são resumidos e fundidos na memória central; quando a memória central excede seu orçamento, fatos de menor prioridade são transferidos para o armazenamento de arquivo. Isso garante que a persistência seja limitada, coerente e auditável.

4. Camada de Customização: Para suportar a operação em múltiplos domínios, o JANUS inclui uma camada de customização em tempo de execução que encapsula esquemas, ferramentas e prompts específicos de domínio sem alterar a lógica de raciocínio central. Isso permite que o sistema mude entre domínios (por exemplo, aconselhamento dietético, planejamento de viagens) dinamicamente.

Contribuições Principais
O artigo reivindica três contribuições primárias:

1. Uma Arquitetura Fatorada Modular e Aumentada por Memória: O JANUS separa explicitamente a fala interna (controle/verificação) da fala externa (comunicação). Essa separação permite que a deliberação interna seja otimizada para verificação e prontidão, enquanto a comunicação externa é otimizada para clareza e calibração de confiança.
2. Uma Interface de Gerenciamento de Diálogo para Mudança de Múltiplos Domínios: A arquitetura permite a mudança de domínio em tempo de execução ao encapsular esquemas e ferramentas específicos de domínio, mantendo invariantes os módulos de raciocínio central.
3. Um Agente de Memória Dedicado: Um componente de estado com capacidades de consolidação hierárquica que trata a persistência como um módulo gerenciado com políticas de atualização explícitas, evitando o acúmulo de histórico não estruturado.

Avaliação Experimental e Resultados
Os autores avaliaram o JANUS usando testes de unidade em nível de módulo em um domínio de assistência dietética (o domínio "Advisor"), fundamentado em um grafo de conhecimento (Neo4j). A avaliação focou na correção das variáveis intermediárias, em vez de apenas na qualidade da resposta de ponta a ponta.

• Resultados Quantitativos:
  • Detecção de Escopo: Alcançou 98,50% de precisão em 11 domínios mais um fallback, mantendo alto desempenho mesmo com domínios semanticamente sobrepostos.
  • Reconhecimento de Intenção: Alcançou 100,00% de precisão na seleção de tarefas e um F1 score de 1,00 para extração de parâmetros.
  • Fala Interna: Atingiu 100,00% de precisão ao determinar a prontidão de execução (ou seja, identificando corretamente quando o esclarecimento é necessário).
  • Geração de Consulta: Gerou consultas Cypher com 100,00% de validade (todas foram executadas com sucesso) e uma pontuação de sobreposição de 96,70% com os resultados de referência curados.
• Latência e Eficiência: Os tempos de resposta medianos por turno variaram de 0,26s (Reconhecimento de Intenção) a 0,81s (Fala Interna). O sistema observou que a latência depende do cenário, sendo que respostas baseadas em evidências levam aproximadamente 2,46s. A Geração de Consulta foi o módulo que mais consumiu tokens.
• Avaliação Qualitativa: Um protocolo misto (classificações humanas e julgamento automático G-Eval) avaliou as saídas textuais. Os resultados confirmaram a hipótese arquitetônica: a Fala Externa foi classificada com maior pontuação para clareza e utilidade, enquanto a Fala Interna e a Detecção de Escopo (traços de controle) foram classificadas com pontuações mais baixas quando julgadas como texto isolado. Isso apoia a afirmação de que o texto de controle interno é otim-imizado para tomada de decisão, não para legibilidade humana. O julgamento automático (G-Eval) mostrou-se sistematicamente superior ao superestimar a qualidade dos traços orientados ao controle em comparação com os avaliadores humanos.

Significância e Alegações
O artigo postula que o raciocínio fatorado é um caminho promissor para uma assistência robótica escalável, auditável e baseada em evidências. Ao separar explicitamente as decisões de controle da comunicação, o JANUS visa:

• Prevenir o acúmulo de suposições não verificadas em modelos de usuário de longo prazo.
• Garantir que as afirmações do robô estejam ligadas a um feixe de evidências, aumentando a fidelidade e a calibração de confiança.
• Fornecer um loop de controle verificável onde as decisões intermediárias (seleção de domínio, intenção, prontidão) podem ser inspecionadas e medidas.

Os autores permanecem modestos quanto ao escopo atual, observando que a avaliação depende de testes de unidade curados e um único domínio. Eles reconhecem que os resultados ainda não capturam loops de feedback de múltiplos turnos, recuperação de erros de etapas anteriores ou a dinâmica de confiança em implantações corporificadas no mundo real. O trabalho futuro é identificado como necessário para avaliar esses fatores através de estudos longitudinais de ponta a ponta com usuários reais.