SSKG Hub: An Expert-Guided Platform for LLM-Empowered Sustainability Standards Knowledge Graphs

1. O Problema

Os padrões de divulgação de sustentabilidade (como GRI, SASB, TCFD e IFRS S2) são documentos fundamentais para a conformidade regulatória e governança corporativa. No entanto, eles apresentam desafios significativos para a análise automatizada:

• Complexidade Estrutural: São documentos extensos, densos em terminologia técnica e altamente interconectados (com muitas referências cruzadas).
• Dificuldade de Operacionalização: A leitura manual ou a recuperação simples de texto (via RAG em PDFs) é insuficiente para workflows do mundo real que exigem representações acionáveis por máquinas.
• Necessidade de Rastreabilidade: Em contextos de alto risco (financeiro e regulatório), é crucial que qualquer interpretação tenha uma ligação explícita com a fonte original (proveniência) para auditoria e verificação.

2. Metodologia: O SSKG Hub

O SSKG Hub é um protótipo de pesquisa e plataforma web interativa que transforma padrões de sustentabilidade em Grafos de Conhecimento (KGs) auditáveis. O sistema segue um pipeline híbrido, centrado em Grandes Modelos de Linguagem (LLMs) mas guiado por especialistas humanos.

Pipeline de Processamento (Ingestão a KG Certificado)

1. Ingestão e Identificação:
   • Os usuários fazem upload de PDFs de padrões. O sistema extrai o texto bruto (usando PyMuPDF).
   • Um classificador baseado em LLM identifica o tipo de padrão (ex: gri, ifrs_s2) para rotear o processamento para prompts e estratégias de chunking específicos.
2. Chunking Configurável e Prompting:
   • Os documentos são divididos em blocos de texto sobrepostos (padrão: 4000 caracteres com 200 de sobreposição) para manter o contexto e evitar cortes abruptos.
   • Prompts de sistema específicos para cada padrão orientam a extração de relações relevantes (ex: Governança, Estratégia, Métricas).
3. Extração por LLM:
   • O modelo Qwen-Max é invocado para extrair tuplas estruturadas (sujeito, predicado, objeto) de cada bloco.
   • A saída é analisada com expressões regulares robustas para garantir formatação estrita.
4. Armazenamento e Metadados de Auditoria:
   • As tuplas são persistidas no Neo4j.
   • Proveniência como prioridade: Cada aresta (relação) é vinculada ao ID do documento, número da página e trecho de evidência original.
   • Metadados operacionais (quem criou, quando, status de exclusão) são registrados para garantir a rastreabilidade completa.

Governança e Curadoria (Fluxo de Trabalho Humano)

O sistema implementa um modelo de governança baseado em funções para garantir a qualidade:

• KG de Rascunho (Draft KG): Gerado automaticamente pelo LLM.
• Revisão Independente por Especialistas: Múltiplos especialistas revisam o mesmo documento em paralelo. Eles podem editar entidades, adicionar tuplas faltantes ou "soft-delete" (excluir temporariamente) tuplas questionáveis. Um verificador LLM sob demanda auxilia, mas a decisão final é humana.
• Certificação por Meta-Especialistas: Um nível superior de especialistas (Meta-experts) adjudica conflitos, consolida feedbacks e promove as tuplas validadas para o KG Certificado.
• Acesso de Convidado: Modo somente leitura para demonstração e exploração pública.

3. Principais Contribuições

1. Plataforma Unificada: O primeiro web platform com certificação baseada em funções que trata padrões de sustentabilidade como entrada primária, convertendo-os em KGs curados e com proveniência.
2. Pipeline de Extração Consciente de Padrões: Um fluxo de NLP que utiliza prompts específicos e chunking configurável para lidar com a natureza densa e referencial dos documentos regulatórios.
3. Fluxo de Trabalho de Governança: Implementação de um ciclo de curadoria que vai da extração automática à certificação final, garantindo responsabilidade e rastreabilidade.
4. Testbed de Fusão e Tarefas: Ferramentas para fusão de múltiplos KGs (alinhamento de entidades entre diferentes padrões) e um conjunto de tarefas downstream, incluindo:
   • KGQA: Perguntas e respostas sobre o grafo.
   • Raciocínio Multi-hop: Descoberta de caminhos entre entidades.
   • Análise Comparativa: Detecção de anomalias e comparação entre padrões (ex: IFRS S2 vs. TCFD).
5. Validação Empírica: Um estudo de caso completo demonstrando o ciclo de vida de curadoria e garantia de qualidade.

4. Resultados e Estudo de Caso

O sistema foi validado através de um estudo de caso com o padrão IFRS S2 (Volume 30 - Managed Care):

• Dados: 12 especialistas com experiência em sustentabilidade participaram da revisão.
• Processo: O LLM gerou inicialmente 73 tuplas candidatas.
• Curadoria: Após a revisão independente e a adjudicação do meta-especialista:
  • 24 tuplas (32,88%) foram removidas por serem não suportadas, de baixa qualidade ou redundantes.
  • 49 tuplas (67,12%) foram retidas (com ou sem edições) e promovidas ao KG Certificado.
• Conclusão: O KG certificado resultante é coerente, significativo e pronto para tarefas downstream, demonstrando a eficácia do fluxo colaborativo LLM-Especialista.

5. Significado e Impacto

• Operacionalização de Padrões: Transforma documentos estáticos e complexos em representações persistentes, consultáveis e auditáveis, facilitando a análise de lacunas de cobertura e cadeias de governança.
• Combate ao "Greenwashing": Ao democratizar o acesso a conhecimento estruturado de ESG e exigir proveniência explícita, o sistema aumenta a transparência e a responsabilidade corporativa.
• Segurança e Ética: O sistema aborda riscos de alucinação de LLMs através da validação humana obrigatória ("human-in-the-loop") e rastreamento estrito de fontes.
• Acesso Aberto: O código-fonte será lançado sob licença Apache-2.0, e a plataforma web está disponível publicamente, permitindo que analistas, auditores e pesquisadores utilizem a ferramenta.

Em resumo, o SSKG Hub preenche a lacuna entre a extração automatizada de texto e a necessidade crítica de precisão e auditoria no domínio de relatórios de sustentabilidade, oferecendo uma infraestrutura escalável e confiável para a construção de grafos de conhecimento regulatórios.