RUVA: Personalized Transparent On-Device Graph Reasoning

1. O Problema: A Crise da "Caixa Preta" no RAG Pessoal

O artigo identifica uma crise fundamental nos sistemas atuais de Personal AI baseados em Retrieval-Augmented Generation (RAG).

• Falta de Responsabilidade (Black Box): Os sistemas atuais utilizam bancos de dados vetoriais que mapeiam a vida do usuário (e-mails, fotos, chats) em espaços de embeddings de alta dimensão. Embora eficientes para correspondência semântica, eles operam como "caixas pretas". O usuário não consegue inspecionar por que o sistema falhou ou alucinou, nem corrigir o erro de forma precisa.
• Privacidade Ineficaz: A exclusão de dados em espaços vetoriais é matematicamente imprecisa. "Apagar" um conceito apenas o suprime, deixando para trás "fantasmas probabilísticos" (vestígios de dados sensíveis que a IA pode acidentalmente reativar). Isso viola o verdadeiro "Direito ao Esquecimento".
• Limitações de Raciocínio: Sistemas vetoriais falham em raciocínio complexo (ex: relações temporais ou lógicas) porque dependem apenas da similaridade semântica, não da estrutura lógica dos dados.

2. Metodologia: Arquitetura RUVA (Neuro-Simbólica)

O RUVA (acrônimo para "Irmão" em etrusco) é proposto como uma arquitetura de "Caixa de Vidro" (Glass Box) que roda inteiramente on-device (no dispositivo do usuário), garantindo soberania de dados.

• Arquitetura Neuro-Simbólica (Tipo 3):
  • Componente Neural ("Olhos e Ouvidos"): Utiliza um Small Vision Language Model (SVLM), especificamente o Gemma-3n-E2b, para processar dados não estruturados (pixels, texto bruto) e convertê-los em sinais estruturados.
  • Componente Simbólico (Memória): Os sinais são injetados em um Personal Knowledge Graph (PKG) (Grafo de Conhecimento Pessoal). Diferente dos vetores, a memória aqui é determinística, inspecionável e editável.
• Armazenamento Híbrido: O sistema utiliza um banco de dados SQLite estendido com sqlite-vec, permitindo operações de GraphRAG diretamente no dispositivo móvel sem dependência de nuvem.
• Fluxo de Ingestão Multimodal:
  • Transforma dados heterogêneos (fotos, calendários, e-mails) em triplos semânticos (Sujeito-Predicado-Objeto).
  • Emprega Resolução de Entidades e detecção de comunidades (algoritmo Leiden) para unificar referências (ex: "Sarah Green" e "S. Green" são fundidos em um único nó de Pessoa), evitando fragmentação do grafo.
• Recuperação Baseada em Grafos (Graph-Grounded Retrieval):
  • Em vez de apenas buscar similaridade vetorial, o sistema executa uma Busca de Âncora (encontrar nós relevantes) seguida de uma Expansão Topológica (traversal N-hop).
  • Isso permite raciocínio explícito sobre timestamps e relações (ex: comparar a hora de uma chamada com a hora de chegada ao trabalho).
• Mecanismo de Exclusão Determinística:
  • Como cada memória é um nó discreto em um banco de dados relacional, a exclusão é feita via comando SQL DELETE CASCADE.
  • Isso remove o nó, suas propriedades e índices vetoriais associados instantaneamente, garantindo a eliminação matemática e irreversível dos dados.

3. Principais Contribuições

1. Paradigma "Glass Box": A primeira arquitetura projetada para curadoria de memória com Human-in-the-Loop, onde o usuário é o "Editor-Chefe" de sua própria vida digital.
2. Soberania de Dados On-Device: O PKG nunca deixa o dispositivo do usuário, eliminando vetores de ataque baseados em nuvem.
3. Direito ao Esquecimento Real: Substitui a supressão probabilística dos vetores pela exclusão determinística de grafos.
4. Raciocínio Temporal e Lógico: Capacidade de responder a perguntas complexas que exigem a correlação de múltiplas fontes e timestamps, algo que o RAG vetorial padrão falha em fazer.

4. Resultados e Avaliação

O sistema foi testado em um ambiente restrito (Google Pixel 8 Pro) e avaliado quanto à latência e precisão semântica.

• Desempenho (Latência):
  • Tempo médio de ingestão (processamento VLM + extração de triplas): 2,4 segundos.
  • Latência de recuperação do grafo para consultas de um salto (single-hop): 38 ms.
  • O sistema mantém interatividade mesmo em dispositivos móveis com recursos limitados.
• Precisão do Modelo:
  • Um benchmark com 71 objetos multissource e 52 consultas foi utilizado.
  • Raciocínio: 61% das respostas foram classificadas como positivas (Score 4-5) e 71% considerando neutras também.
  • Concordância entre Avaliadores: Alta consistência entre diferentes LLMs de ponta (Llama, Qwen, GPT, Kimi) como juízes, com um Coeficiente de Correlação de Spearman de 0,82 e Krippendorff's Alpha de 0,81.
• Cenários Demonstrados:
  1. Ingestão Multimodal: Fusão bem-sucedida de dados de calendário e fotos de bilhetes de trem.
  2. Raciocínio Complexo: Resposta correta a "Quanto gastei na viagem?" cruzando dados do calendário e da imagem.
  3. Exclusão Determinística: Ao apagar um recibo, o sistema deixa de responder à pergunta relacionada, provando a eficácia da exclusão.

5. Significado e Conclusão

O RUVA representa uma mudança de paradigma fundamental na IA Pessoal. Ao migrar de Correspondência Vetorial para Raciocínio em Grafos, o projeto demonstra que:

• A inteligência não requer mais a nuvem; ela pode residir com segurança no dispositivo do usuário.
• A confiança na IA é construída através da transparência e da capacidade do usuário de inspecionar e editar a "mente" da IA.
• A privacidade real é alcançada apenas quando a exclusão de dados é matematicamente precisa, não apenas estatisticamente provável.

Em suma, o RUVA transforma o usuário de uma fonte passiva de dados para o editor ativo de sua própria memória digital, oferecendo uma IA que pode ser verdadeiramente confiável.