Automotive Engineering-Centric Agentic AI Workflow Framework

Título: Agentic Engineering Intelligence (AEI): Um Framework de Visão Industrial para Fluxos de Trabalho de Engenharia Automotiva

1. Problema e Motivação

Os fluxos de trabalho de engenharia automotiva (como otimização de design, diagnóstico baseado em simulação, ajuste de controle e Engenharia de Sistemas Baseada em Modelos - MBSE) são inerentemente iterativos, orientados por restrições e moldados por decisões anteriores. No entanto, os métodos de IA atuais frequentemente tratam essas atividades como tarefas isoladas (ex: otimização de parâmetros ou modelagem de substituição) em vez de partes de um processo de decisão sequencial mais amplo.

As principais lacunas identificadas são:

• Dependência de Intuição: O diagnóstico de falhas e a resolução de problemas dependem excessivamente da intuição e experiência humana, resultando em ciclos de "tentativa e erro" custosos.
• Subutilização de Dados Históricos: Grandes volumes de dados de fluxo de trabalho (logs de simulação, iterações de design, históricos de intervenção) são gerados, mas raramente são usados sistematicamente devido à falta de estrutura e rastreabilidade.
• Rigidez de Pipelines: As pipelines de otimização convencionais são fixas em objetivos e restrições, oferecendo pouca orientação sobre quais intervenções tomar quando o processo falha (ex: redefinir restrições ou reformular objetivos).

O artigo propõe uma mudança de paradigma: de otimizar artefatos individuais para modelar e melhorar o processo de engenharia em si.

2. Metodologia: O Framework Agentic Engineering Intelligence (AEI)

O AEI modela fluxos de trabalho de engenharia como processos de decisão sequenciais restritos e conscientes do histórico, onde agentes de IA atuam como controladores supervisionados por engenheiros sobre cadeias de ferramentas de engenharia.

O framework é dividido em duas fases acopladas (ilustradas na Figura 1 do artigo):

A. Fase Offline: Processamento de Dados e Construção de Memória

• Objetivo: Transformar artefatos de engenharia heterogêneos (documentos, logs, CAD, relatórios) em uma "memória de engenharia" reutilizável.
• Pipeline Multimodal: O artigo propõe um pipeline de três vias para processar dados não estruturados:
  1. Extração Estruturada: Texto e tabelas de slides e PDFs.
  2. Interpretação de Figuras Contextualizada: Uso de Modelos de Linguagem Visual (VLMs) que recebem o texto circundante e a narração falada como contexto para descrever figuras técnicas (ex: gráficos de contorno térmico) com significado físico, não apenas visual.
  3. Reconhecimento de Fala (ASR): Transcrição e alinhamento temporal de gravações de apresentações para capturar conhecimento tácito e justificativas de design que não estão nos slides.
• Armazenamento Híbrido: Os dados são indexados em um sistema que combina busca semântica (vetorial) e busca por palavras-chave exatas, permitindo recuperar tanto conceitos gerais quanto parâmetros técnicos específicos.

B. Fase Online: Planejamento e Controle em Malha Fechada

• Modelo Formal: O fluxo de trabalho é definido como $W = (S, O, A, Z, C, T, U)$, onde $S$ são estados, $O$ observações, $A$ intervenções, $Z$ memória recuperada, $C$ restrições, $T$ dinâmica de transição e $U$ modelo de utilidade.
• Heurística de "Energia do Fluxo de Trabalho": Para guiar a seleção de ações em ambientes parcialmente observáveis, o AEI introduz uma métrica de "energia" ($E_t$) baseada em três componentes:
  1. Lacuna de desempenho ($\hat{G}$).
  2. Violação de restrições ($\hat{V}$).
  3. Custo do fluxo de trabalho ($\hat{C}$).
     O agente seleciona a intervenção que minimiza essa energia, atuando como um sinal de estabilidade prática.
• Ciclo Sense-Reason-Act:
  • Sense: Estima o estado do fluxo de trabalho a partir de ferramentas e logs.
  • Reason: Recupera experiências passadas, analisa restrições e trade-offs.
  • Act: Recomenda intervenções (ex: ajustar parâmetros, alterar restrições, escalar para revisão humana) sob supervisão do engenheiro.

3. Contribuições Principais

1. Framework AEI: Propõe uma visão industrial que reclassifica fluxos de trabalho como processos de decisão sequenciais, focando na inteligência de processo em vez de apenas no artefato.
2. Formulação Compacta: Define formalmente estados, observações, recuperação de memória, restrições e intervenções para agentes de engenharia.
3. Interpretação de Controle: Apresenta uma interpretação teórica de controle, onde objetivos são sinais de referência, agentes são controladores e as ferramentas são a planta, introduzindo a heurística de "energia do fluxo" para priorizar ações.
4. Validação em Casos de Uso Automotivos: Ilustra o framework em cinco cenários distintos, demonstrando sua versatilidade.

4. Resultados e Casos de Uso (Estudos de Caso)

O artigo valida o framework através de cinco aplicações automotivas:

• Design de Suspensão (Otimização de Geometria): O agente monitora tentativas de otimização de pontos rígidos (hardpoints). Quando uma otimização falha (inviabilidade), o agente analisa padrões de violação, recupera casos anteriores e recomenda intervenções específicas (ex: relaxar uma restrição, reiniciar a busca), reduzindo a necessidade de diagnóstico manual.
• Ajuste de Controle por Aprendizado por Reforço (RL): O agente gerencia a sintonia de hiperparâmetros complexos. Ele combina conhecimento explícito de especialistas com histórico de execuções para interpretar dinâmicas de treinamento não lineares e recomendar ajustes de parâmetros, criando logs de raciocínio rastreáveis.
• Reutilização de Conhecimento Multimodal: Demonstra como o pipeline offline transforma documentos, figuras e áudios em uma base de conhecimento recuperável, permitindo que o agente responda a consultas técnicas complexas com contexto físico adequado.
• Design Aerodinâmico Externo (Assistido por Surrogates): O agente utiliza modelos de substituição (surrogates) rápidos para explorar o espaço de design e filtrar opções antes de acionar simulações CFD de alta fidelidade (custosas). O agente decide quando escalar para simulações mais precisas com base na "energia" do fluxo.
• Integração com MBSE (Simcenter): Em um estudo de gerenciamento térmico de veículos elétricos, o agente detecta conflitos entre requisitos (ex: temperatura da bateria vs. resfriamento da cabine), rastreia dependências entre modelos e ferramentas, e propõe um conjunto limitado de ações corretivas para o engenheiro revisar.

5. Significância e Conclusão

O artigo posiciona a IA na engenharia não como um substituto autônomo para o engenheiro, mas como um sistema de inteligência de nível de processo.

• Supervisão Humana: O framework enfatiza a "intervenção supervisionada por engenheiros", onde o agente organiza evidências e recomenda ações, mas o engenheiro mantém a autoridade final.
• Rastreabilidade: Ao contrário de caixas-pretas de otimização, o AEI gera logs estruturados de raciocínio, permitindo auditoria e reutilização de conhecimento institucional.
• Futuro: O trabalho serve como um roteiro para validação empírica futura, integração mais estreita com ambientes industriais de engenharia e desenvolvimento de recomendações conscientes de incerteza.

Em resumo, o AEI oferece uma estrutura unificada para transformar dados de engenharia dispersos em um ciclo de decisão inteligente, acelerando o desenvolvimento de produtos automotivos complexos enquanto preserva o conhecimento crítico da organização.