IndustryAssetEQA: A Neurosymbolic Operational Intelligence System for Embodied Question Answering in Industrial Asset Maintenance

Resumo Técnico: IndustryAssetEQA

1. O Problema (Contexto e Motivação)

A manutenção industrial está migrando de inspeções periódicas para a tomada de decisão contínua baseada em dados. Embora os Grandes Modelos de Linguagem (LLMs) permitam interações naturais, sua aplicação em ambientes de manutenção crítica enfrenta três falhas fundamentais:

• Explicações Genéricas: Os LLMs tendem a citar padrões de falhas de "livro texto" sem fundamentá-los nos dados reais dos sensores (telemetria) do ativo.
• Falta de Proveniência Verificável: As respostas raramente citam janelas temporais, sensores específicos ou registros de manutenção que sustentam a afirmação, dificultando a auditoria.
• Raciocínio Contrafactual Fraco: Os modelos falham ao sugerir ações ou prever o que aconteceria se uma intervenção fosse feita (ex: "se trocarmos esta peça, o risco diminui?"), pois não possuem um modelo de risco explícito.

O artigo propõe que a manutenção não deve ser tratada apenas como uma tarefa de geração de texto, mas como um problema de Question Answering Incorporado (Embodied QA), onde o agente deve perceber o ambiente (sensores), raciocinar sobre causas, prever efeitos de intervenções e decidir ações.

2. Metodologia (Arquitetura Neurosimbólica)

O sistema IndustryAssetEQA utiliza uma abordagem neurosimbólica, combinando o poder de linguagem dos modelos neurais (LLMs) com o rigor do raciocínio simbólico (Grafos de Conhecimento e Modelos de Risco). A arquitetura é composta por:

• FMEA-KG (Knowledge Graph): Um grafo de conhecimento baseado na análise de Failure Mode and Effects Analysis (FMEA). Ele mapeia ativos, componentes, modos de falha, sensores e ações de manutenção recomendadas, garantindo que as explicações sigam a semântica do domínio industrial.
• Fact Extractor & Episodic Store: Um módulo que converte telemetria bruta (séries temporais) em "fatos episódicos" estruturados (médias, desvios, tendências de sensores) e os armazena em um banco de dados SQLite para recuperação rápida e verificável.
• Risk Modeling & Causal Simulator: Um modelo de regressão logística multinomial que estima a probabilidade de falha. O simulador permite realizar experimentos "e se" (counterfactuals), substituindo valores de sensores ou manutenção para calcular a mudança no risco ($\Delta r$).
• EQA Builder & Prompt Builder: Componentes que transformam os fatos e o conhecimento do grafo em prompts estruturados para o LLM, exigindo que a resposta seja um JSON rigoroso contendo a resposta direta, o raciocínio, a proveniência (evidências) e a confiança.
• Verifier & Safety Gate: Um módulo de verificação determinística que checa se as citações do LLM realmente existem no banco de dados de fatos, bloqueando respostas que contenham alucinações ou informações não fundamentadas.

3. Principais Contribuições

1. Framework de QA Incorporado: Introdução de um framework de QA voltado para a manutenção de ativos, focado em cinco tipos de tarefas: Descritiva, Temporal, Diagnóstica, Contrafactual e Orientada à Ação.
2. FMEA-KG: Construção de um grafo de conhecimento especializado para fundamentação semântica de falhas industriais.
3. Estimador de Risco Paramétrico: Implementação de um simulador de intervenções que permite testar a eficácia de ações de manutenção de forma quantitativa.
4. Protocolos de Avaliação de Confiabilidade: Desenvolvimento de métricas que medem validade estrutural, fundamentação de evidências (provenance) e consistência contrafactual.

4. Resultados Experimentais

O sistema foi avaliado em quatro conjuntos de dados industriais (maquinário rotativo, motores turbofan, sistemas hidráulicos e sistemas ciber-físicos). Os resultados comparando o IndustryAssetEQA com baselines de LLM puro mostraram:

• Validade Estrutural: Aumento de até +0.51.
• Precisão Contrafactual: Aumento de até +0.47 (o que demonstra que o simulador de risco é essencial para prever efeitos de ações).
• Entailment (Fidelidade da Explicação): Aumento de até +0.64.
• Redução de Overclaims (Alucinações Graves): As afirmações incorretas feitas por especialistas caíram de 28% para apenas 2% (uma redução de ~93%).

Estudos de ablação confirmaram que a remoção de qualquer componente (especialmente o simulador de risco ou o verificador de proveniência) degrada severamente a confiabilidade do sistema para uso em ambientes de segurança crítica.

5. Significância e Conclusão

A importância deste trabalho reside na transição de "IA de chat" para "IA de operação". Ao integrar conhecimento simbólico (FMEA) e modelos matemáticos de risco com a fluência dos LLMs, o IndustryAssetEQA resolve o problema da confiança em sistemas de suporte à decisão industrial. O sistema não apenas responde "o que está acontecendo", mas fornece o "porquê" com evidências auditáveis e o "o que aconteceria se", tornando-o uma ferramenta viável para integração em sistemas de gestão de manutenção (como SAP Joule).