Semi-Automated Knowledge Engineering and Process Mapping for Total Airport Management

Este artigo apresenta um quadro metodológico que combina Engenharia de Conhecimento simbólica e Modelos de Linguagem de Grande Escala (LLMs) para construir um Grafo de Conhecimento de alta fidelidade e rastreável, visando superar os silos de dados e inconsistências semânticas que impedem a Gestão Total do Aeroporto (TAM) ao transformar documentação operacional complexa em fluxos de trabalho estruturados.

O essencial

Imagine que um aeroporto é como uma orquestra gigante. Tem pilotos, controladores de tráfego aéreo, equipes de limpeza, pessoal de bagagem, companhias aéreas e autoridades de segurança. Cada um toca seu instrumento e segue sua partitura (os manuais e regras).

O problema é que, muitas vezes, cada grupo está tocando uma música diferente, ou pior, está usando partituras escritas em idiomas que os outros não entendem. Eles têm seus próprios cadernos de anotações, planilhas e arquivos secretos. Isso cria "ilhas de informação" (silos). Quando algo precisa ser coordenado, a comunicação falha, e isso pode levar a erros perigosos, como o desastre histórico de Tenerife, onde uma simples confusão de palavras quase (e quase causou) uma tragédia.

Este artigo apresenta uma solução inteligente para unir essa orquestra: um "Tradutor Mágico e Organizador" chamado Knowledge Graph (Grafo de Conhecimento).

Aqui está como funciona, passo a passo, usando analogias simples:

1. O Problema: O Caos dos Manuais

Os manuais de operação de um aeroporto são enormes, cheios de jargão técnico e escritos de formas diferentes por diferentes pessoas. Tentar ler tudo isso manualmente para entender como uma bagagem vai do avião para o terminal, ou como um avião é preparado para decolar, é como tentar montar um quebra-cabeça de 10.000 peças sem ver a imagem da caixa.

2. A Solução: O "Cozinheiro" e o "Chefe de Cozinha"

Os autores criaram um sistema que mistura duas tecnologias:

• O "Chefe de Cozinha" (Engenharia de Conhecimento Simbólica): São os especialistas humanos que definem as regras rígidas. Eles dizem: "Na nossa cozinha, o sal só pode ser usado em pratos salgados, nunca em doces". Eles criam um modelo lógico e seguro.
• O "Cozinheiro Rápido" (Inteligência Artificial - LLM): É uma IA superinteligente que consegue ler milhares de páginas em segundos e entender o significado das palavras.

O segredo do artigo é que eles não deixam o "Cozinheiro Rápido" trabalhar sozinho (o que poderia gerar alucinações ou erros). Em vez disso, eles usam o "Chefe" para criar um andaime (uma estrutura de suporte). O "Cozinheiro Rápido" só pode criar receitas (informações) se elas se encaixarem perfeitamente nas regras do "Chefe".

3. A Grande Descoberta: Ler o Livro Todo de Uma Vez

Geralmente, quando usamos IAs para ler textos muito longos, elas tendem a esquecer o meio da história (um fenômeno chamado "perdido no meio"). A lógica dizia que era melhor ler o texto em pedaços pequenos (página por página).

Mas, neste estudo, eles descobriram algo surpreendente: ler o documento inteiro de uma vez (o livro todo) funcionou melhor!

• Por que? Porque os processos de um aeroporto são como uma história com reviravoltas. Às vezes, o manual diz o resultado de uma ação antes de explicar a ação em si. Se você lê apenas um pedaço, a IA fica confusa. Se ela lê o contexto completo, ela entende a lógica de trás para frente e organiza tudo corretamente.

4. O Resultado: O Mapa de Responsabilidades (Swimlane)

Depois que a IA organiza todas as informações, ela não apenas guarda os dados; ela cria mapas visuais chamados "diagramas de faixa" (swimlane diagrams).

• Imagine um rio com várias faixas paralelas. Cada faixa é um grupo (ex: uma faixa para a companhia aérea, outra para a limpeza, outra para a segurança).
• O sistema desenha automaticamente quem faz o quê e em que ordem. Se a limpeza atrasa, o mapa mostra exatamente onde o processo trava e quem é o responsável.
• O mais importante: Cada passo nesse mapa tem um "link" direto para a frase exata no manual original. Nada é inventado. Se você clicar em um passo, ele mostra a fonte oficial. Isso é crucial para a segurança: nada é uma "caixa preta".

5. Por que isso é revolucionário?

Hoje, muitas IAs são como "oráculos": elas dão respostas, mas você não sabe de onde tiraram. Em um aeroporto, onde vidas estão em jogo, isso é inaceitável.

Este sistema cria um rastro de prova. Ele diz: "O avião X precisa ser abastecido pelo grupo Y antes das 14h, e isso está escrito na página 42 do manual Z". Isso transforma documentos chatos e confusos em um cérebro digital unificado que todos podem usar, entender e confiar.

Resumo Final

O artigo descreve uma ferramenta que pega a bagunça de documentos de um aeroporto, usa uma IA inteligente guiada por regras humanas rigorosas para organizar tudo, e transforma isso em mapas claros e verificáveis. É como transformar uma sala de arquivos cheia de papéis soltos em um GPS em tempo real para a operação do aeroporto, garantindo que todos saibam exatamente o que fazer, quando fazer e quem é o responsável, evitando erros e salvando vidas.

Resumo técnico

Título: Engenharia de Conhecimento Semi-Automatizada e Mapeamento de Processos para a Gestão Total do Aeroporto (TAM)

1. O Problema

A documentação das operações aeroportuárias é inerentemente complexa devido à terminologia técnica extensa, regulamentações rigorosas, informações regionais proprietárias e comunicação fragmentada entre múltiplas partes interessadas (stakeholders). Isso resulta em:

• Silos de Dados e Inconsistências Semânticas: Diferentes departamentos usam terminologias distintas para o mesmo objeto, dificultando a interoperabilidade.
• Riscos de Segurança: A falta de padronização pode levar a mal-entendidos críticos (exemplificado pelo desastre de Tenerife em 1977).
• Limitações das IAs Atuais: Modelos de Linguagem de Grande Porte (LLMs) convencionais funcionam como "caixas pretas", carecendo de proveniência de dados (rastreabilidade até a fonte original) e consistência determinística, o que é inaceitável em ambientes críticos de segurança como a aviação.
• Falta de Visualização Ação: Existem lacunas na conversão automática de conhecimento estruturado (Grafos de Conhecimento) em artefatos operacionais visuais (como diagramas de fluxo) que atribuem responsabilidades claras.

2. Metodologia

O artigo propõe um framework metodológico que funde a Engenharia de Conhecimento (KE) simbólica com a geração de LLMs, utilizando uma estratégia de fusão simbólica em andaime (scaffolded fusion). O processo é dividido em quatro etapas principais:

• A. Ingestão e Fundamentação Ontológica:

  • Utiliza-se a Ontologia de Gerenciamento de Tráfego Aéreo (ATM) da NASA e mapas de Petri do Aeroporto de Changi como base estrutural.
  • O esquema é implementado no editor de ontologias Protégé, definindo classes (Procedimento, Item Sequenciado, Parte Interessada) e propriedades (hasNext, hasStakeholder).
  • Adota-se uma estratégia de divulgação modular para lidar com restrições de privacidade entre stakeholders concorrentes.

• B. Extração com LangExtract:

  • Utiliza-se a biblioteca LangExtract para extrair triplas de conhecimento (entidade-relação-entidade) de documentos não estruturados (Manual A-CDM da EUROCONTROL).
  • Estratégia de Prompting: O LLM é guiado por exemplos few-shot e prompts estruturados baseados na ontologia curada por especialistas. Isso restringe a probabilidade do modelo a um esquema lógico determinístico.
  • Proveniência Determinística: Cada tripla extraída é ancorada à sua fonte textual original (frase/documento) usando algoritmos de alinhamento de strings determinísticos (text.find() e difflib.SequenceMatcher), eliminando alucinações não rastreáveis.

• C. Análise de Janela de Contexto:

  • O estudo compara duas modalidades de inferência:
    1. Nível de Página (Segmentado): Processamento em chunks menores para maximizar a densidade de atenção.
    2. Nível de Documento (Longo Contexto): Processamento do documento inteiro (16 páginas, ~10k tokens) de uma só vez.

• D. Síntese de Artefatos Operacionais:

  • O Grafo de Conhecimento (KG) resultante é convertido automaticamente em Diagramas de Faixa (Swimlane Diagrams).
  • Um algoritmo de ordenação topológica (BFS) determina a posição vertical (dependências temporais) e o mapeamento de stakeholders determina a posição horizontal (faixas de responsabilidade).

3. Principais Contribuições

• Framework de Fusão Híbrida: Integração bem-sucedida de estruturas KE curadas por especialistas para guiar LLMs, garantindo que a extração probabilística respeite a lógica determinística da aviação.
• Rastreabilidade Absoluta: Mecanismo que vincula cada saída do LLM à sua fonte textual exata, atendendo aos requisitos de auditoria e segurança da aviação.
• Descoberta de Dependências Não-Lineares: Demonstração de que o processamento de longo contexto (documento completo) supera o processamento segmentado em cenários onde a lógica procedural é invertida ou dispersa.
• Automação de Visualização: Pipeline automatizado que transforma KGs em diagramas de fluxo atribuídos a stakeholders, facilitando a identificação de lacunas de responsabilidade.

4. Resultados Experimentais

O framework foi avaliado no manual de 16 páginas do A-CDM (Milestones 1-16):

• Desempenho Geral: O sistema alcançou métricas superiores a 95% em Precisão, Revocação (Recall) e F1-Score.
  • Inferência de Longo Contexto: Obteve F1 = 0.975 (Precisão: 0.967, Revocação: 0.982).
  • Inferência de Curto Contexto: Obteve F1 = 0.966 (Precisão: 0.961, Revocação: 0.971).
• Contra-intuição: Ao contrário da literatura que sugere degradação em janelas de contexto longas ("lost-in-the-middle"), o processamento de documento completo reduziu os Falsos Negativos em 38,5% (de 13 para 8). Isso ocorreu porque o contexto expandido permitiu ao modelo entender inversões lógicas (onde o efeito é descrito antes da causa) que eram perdidas em segmentos curtos.
• Proveniência: 100% das triplas extraídas foram mapeadas com sucesso para suas sentenças de origem, com classificação de alinhamento (Exato, Fuzzy, Menor) validada.

5. Significado e Impacto

Este trabalho é fundamental para a iniciativa Total Airport Management (TAM) da EUROCONTROL, que visa operações proativas e orientadas a desempenho.

• Segurança e Conformidade: Ao eliminar a natureza de "caixa preta" dos LLMs e garantir a proveniência dos dados, o método torna viável o uso de IA em ambientes de aviação críticos.
• Interoperabilidade: Cria uma fonte única de verdade semântica que integra operações de terra (landsides) e ar (airside), superando silos organizacionais.
• Escalabilidade Futura: O framework serve como base para sistemas de verificação em tempo real, que poderão fundir dados de sensores (vídeo, transponders) com o KG para detectar desvios procedimentais automaticamente.

Em resumo, o artigo apresenta uma solução prática para transformar documentação técnica complexa e fragmentada em conhecimento estruturado, verificável e acionável, permitindo uma gestão aeroportuária mais segura, eficiente e transparente.