Multimodal Modular Chain of Thoughts in Energy Performance Certificate Assessment

Este artigo apresenta o MMCoT, um framework de baixo custo baseado em modelos de linguagem visuais e raciocínio modular em cadeia que melhora significativamente a pré-avaliação automatizada de Certificados de Desempenho Energético (EPC) em cenários com dados limitados.

O essencial

Imagine que você quer saber se a sua casa é "eco-friendly" (amigável ao meio ambiente) e quanto ela gasta de energia, mas não tem dinheiro para contratar um especialista, nem tempo para esperar por uma vistoria completa. É aí que entra o MMCoT, o "detetive digital" criado por Zhen Peng e Peter Bentley.

Aqui está uma explicação simples do que eles fizeram, usando analogias do dia a dia:

1. O Problema: O "Exame de Saúde" da Casa

Normalmente, para saber se uma casa é eficiente energeticamente (e receber um certificado chamado EPC), você precisa chamar um perito. Ele vai até a casa, mede tudo, olha as janelas, o aquecedor, a idade do prédio e faz uma conta complexa.

• O problema: Isso é caro, demorado e, em muitos lugares do mundo, não existe nenhum perito por perto. Além disso, muitas casas antigas não têm esses dados registrados. É como tentar fazer um diagnóstico médico sem ter um médico e sem exames de sangue.

2. A Solução: O "Detetive com Lupa e Caderno" (MMCoT)

Os autores criaram um sistema inteligente que usa Inteligência Artificial (IA) para olhar apenas algumas fotos da casa (de fora e de dentro) e tentar adivinhar essa eficiência.

Mas a IA comum (como o ChatGPT ou o Google Imagens) costuma errar muito quando tenta adivinhar tudo de uma vez só. É como pedir para uma criança adivinhar o preço de um carro só olhando uma foto: ela pode chutar qualquer coisa.

O MMCoT é diferente. Ele não tenta adivinhar o resultado final de uma vez. Ele funciona como um investigador que segue um roteiro passo a passo:

1. Passo 1: Olhar a fachada. A IA olha a foto da frente da casa e diz: "Pelo estilo da janela e do telhado, essa casa parece ter sido construída entre 1950 e 1970".
2. Passo 2: Olhar as janelas. Agora, ela olha as fotos das janelas. Importante: Ela usa a informação do Passo 1. "Como a casa é dos anos 60, é provável que as janelas sejam de vidro duplo, mas vamos ver a foto para confirmar".
3. Passo 3: Olhar o aquecedor. Ela olha a foto do aquecedor. Novamente, usa o que sabe sobre a idade da casa e o tipo de janela para ajudar na decisão.
4. Passo 4: Olhar as luzes. Ela verifica se as lâmpadas são econômicas.
5. Passo 5: O Veredito Final. Só agora, com todas essas "pistas" reunidas, ela calcula a nota final de eficiência energética (de A a G).

3. As Duas "Armas Secretas" do Sistema

O sistema usa duas técnicas inteligentes para não se perder no caminho:

• A "Corrente de Pensamento" (Chain of Thoughts): Imagine que você está resolvendo um quebra-cabeça. Em vez de tentar encaixar a peça final sem saber onde ela vai, você primeiro monta as bordas, depois as cores. O MMCoT faz isso: ele guarda cada resposta parcial (idade, janela, aquecedor) e usa essa informação como "pista" para a próxima etapa. Se ele errar um pouco na idade, ele ainda pode corrigir no final usando as fotos reais.
• O "Exemplo Visual" (Few-Shot): Às vezes, a IA fica confusa. "Será que é um aquecedor a gás ou elétrico?". Para ajudar, o sistema mostra para a IA fotos de exemplo de como são esses objetos. É como se você estivesse ensinando uma criança a identificar um cachorro mostrando a ela 3 fotos de cachorros antes de perguntar "qual é o cachorro?".

4. O Resultado: Um "Orçamento" para o Futuro

Os autores testaram isso com 81 casas no Reino Unido.

• Comparação: Eles compararam o MMCoT com métodos antigos (que exigem muitos dados) e com IAs comuns (que tentam adivinhar tudo de uma vez).
• Vencedor: O MMCoT foi muito melhor. Ele não acertou 100% das vezes (porque é difícil adivinhar só com fotos), mas acertou muito mais do que os outros e, quando errou, errou "perto" (ex: achou que era nota C, mas era D), o que ainda é útil para uma avaliação inicial.
• Custo: O custo para rodar esse sistema é ridículo de baixo (cerca de 5 centavos de dólar por casa), enquanto um perito humano custa centenas.

Resumo em uma Frase

O MMCoT é como um assistente virtual de construção que, em vez de tentar adivinhar o futuro de uma casa de um pulo, olha para ela peça por peça, usa o que aprendeu em cada etapa para ajudar na próxima, e entrega uma estimativa barata e rápida para quem precisa saber se vale a pena reformar ou não.

É uma ferramenta perfeita para lugares onde não há dinheiro ou especialistas, permitindo que milhões de casas sejam "avaliadas" rapidamente para ajudar o planeta a ficar mais verde.

Resumo técnico

1. Problema e Contexto

A avaliação precisa do desempenho energético de edifícios é fundamental para políticas de sustentabilidade e mercados de carbono. No entanto, a obtenção de Certificados de Desempenho Energético (EPC) é frequentemente limitada por:

• Custo e Escalabilidade: Avaliações tradicionais exigem inspeções presenciais por especialistas, sendo caras (£60–£120 por unidade) e demoradas.
• Escassez de Dados: Em muitas regiões (especialmente em desenvolvimento), não há dados históricos rotulados suficientes para treinar modelos de aprendizado de máquina supervisionados, nem recursos para realizar avaliações regulatórias padronizadas.
• Limitações dos Modelos Atuais: Modelos de Visão-Linguagem (VLMs) aplicados diretamente com prompting instrucional (zero-shot) tendem a falhar em tarefas de classificação energética complexas e hierárquicas, tratando atributos de forma independente e sem raciocínio conjunto.

O objetivo deste trabalho é desenvolver uma ferramenta de suporte à decisão de baixo custo para pré-avaliação de EPC em cenários com poucos dados (few-shot) ou dados escassos, utilizando apenas informações visuais limitadas (imagens públicas de imóveis).

2. Metodologia: MMCoT

Os autores propõem a arquitetura MMCoT (Multimodal Modular Chain of Thoughts), um framework de raciocínio estruturado que decompõe a tarefa complexa de estimar o EPC em uma sequência de sub-tarefas inter-relacionadas.

Estrutura do Pipeline

O processo segue uma inferência em estágios, onde as previsões intermediárias são explicitamente propagadas para etapas subsequentes como contexto estruturado:

1. Estimativa da Idade do Edifício: Classificação visual baseada em características arquitetônicas.
2. Características das Janelas: Estimativa do tipo de vidraria (simples, dupla, tripla), condicionada à idade do edifício.
3. Identificação do Sistema de Aquecimento: Detecção do tipo de aquecimento (lareira, caldeira, elétrico), usando imagens de componentes e contexto das etapas anteriores.
4. Eficiência de Iluminação: Estimativa da proporção de iluminação de baixo consumo baseada em imagens de interiores.
5. Inferência da Classificação EPC: Síntese final de todas as imagens e atributos intermediários para prever a nota final (A a G).

Componentes Chave

• Propagação em Cadeia (Chain Propagation): As previsões de cada estágio são injetadas como prompts estruturados nos estágios seguintes. Isso permite que o modelo utilize o contexto lógico (ex: edifícios mais velhos tendem a ter janelas de vidro simples) sem que essas informações sobreponham evidências visuais claras (tratadas como "priors fracos").
• Exemplos Few-Shot Multimodais: Em estágios críticos onde a inferência visual é ambígua e não pode ser resolvida por convenções padrão (como a idade do edifício e o tipo de aquecimento), o sistema incorpora exemplos visuais de referência (few-shot) para ancorar a percepção do modelo.
• Prompting Modular: Um template unificado permite adicionar ou remover componentes (propagação ou few-shot) para análise de ablação.

3. Contribuições Principais

• Arquitetura Modular para EPC: Introdução de um framework de raciocínio em cadeia que alinha a inferência de VLMs com a lógica procedural das avaliações oficiais de EPC (como o método RdSAP do Reino Unido).
• Abordagem Low-Data: Demonstração de que é possível realizar pré-avaliações de desempenho energético sem treinamento supervisionado massivo, utilizando apenas imagens públicas e prompts estruturados.
• Mecanismo de Propagação de Atributos: Evidência de que propagar atributos intermediários inferidos melhora a precisão da classificação final, mesmo quando a precisão individual de alguns sub-tarefas não aumenta estatisticamente.
• Custo Extremamente Baixo: A solução opera com custos de inferência de aproximadamente US$ 0,05 por propriedade, tornando-a viável para triagem em larga escala.

4. Resultados Experimentais

O estudo foi realizado em um conjunto de dados de 81 propriedades residenciais no Reino Unido (imagens públicas + registros reais de EPC).

• Desempenho Geral: O MMCoT superou consistentemente todas as linhas de base (baselines), incluindo:
  • RdSAP baseado em regras (usando os mesmos atributos previstos).
  • Zero-shot CLIP e Zero-shot GPT (apenas com instruções textuais).
  • Classificador Linear sobre embeddings do CLIP (aprendizado few-shot leve).
• Métricas:
  • Precisão e Recall: O MMCoT alcançou ganhos estatisticamente significativos na estimativa final de EPC e no desempenho geral.
  • Erro Médio Absoluto (MAE): Redução drástica do erro de 1,988 (baseline RdSAP) para 0,741 com o MMCoT.
  • Matriz de Confusão: A maioria dos erros ocorre entre classes adjacentes (ex: prever 'C' quando é 'D'), indicando que o modelo captura a estrutura ordinal das classificações. Erros em classes extremas (A e G) são mais frequentes devido à menor discriminabilidade visual.
• Análise de Ablação:
  • A propagação em cadeia foi o componente mais crítico, trazendo ganhos significativos na estimativa final de EPC.
  • Os exemplos few-shot multimodais mostraram tendências positivas (especialmente na idade do edifício), mas não alcançaram significância estatística isolada em todas as tarefas.
  • A substituição das previsões propagadas por strings aleárias resultou em queda significativa de desempenho, confirmando que a propagação de informação é essencial para o raciocínio.

5. Significado e Conclusão

O trabalho demonstra que a decomposição de tarefas complexas em etapas de raciocínio modular, combinada com a propagação de contexto e exemplos visuais, é uma estratégia eficaz para superar as limitações de modelos de linguagem visuais em cenários de dados escassos.

• Aplicabilidade: O MMCoT não visa substituir avaliações oficiais de especialistas, mas serve como uma ferramenta de triagem inicial de baixo custo para identificar imóveis que necessitam de retrofit, aumentar a conscientização e permitir análises em larga escala em regiões onde dados estruturados são inexistentes.
• Limitações e Futuro: O estudo foi limitado a um pequeno conjunto de dados (81 imóveis) e focado no contexto do Reino Unido. Trabalhos futuros devem expandir a validação para conjuntos de dados maiores e mais diversos, e explorar fontes de dados adicionais para melhorar a precisão nas faixas extremas de eficiência energética.

Em resumo, o MMCoT oferece um caminho promissor para democratizar o acesso a avaliações de desempenho energético, transformando imagens públicas em insights acionáveis sobre sustentabilidade de edifícios sem a necessidade de infraestrutura de dados massiva.