Resumo Técnico: Abordagem Impulsionada por GenAI para Exploração da Cadeia de Suprimentos RISC-V

1. Declaração do Problema

A rápida adoção do RISC-V no setor automotivo introduz complexidade significativa na gestão da cadeia de suprimentos. Diferentemente dos ecossistemas proprietários verticalmente integrados, o cenário do RISC-V é uma rede descentralizada de partes interessadas, incluindo designers de núcleos de IP, provedores de ferramentas EDA, fundições e integradores de sistemas. Essa fragmentação resulta em dados críticos da cadeia de suprimentos dispersos em fontes heterogêneas, não estruturadas e semiestruturadas, como artigos técnicos, especificações de padrões e artefatos visuais (diagramas, esquemas de blocos e documentos digitalizados).

Métodos analíticos tradicionais, que dependem de bancos de dados estruturados e curadoria manual, são insuficientes para capturar a escala e a riqueza dessa informação multimodal. Além disso, o domínio automotivo impõe requisitos regulatórios rigorosos (por exemplo, ISO 26262) para rastreabilidade e validação, necessitando de mecanismos robustos para mapear interdependências e monitorar riscos. O desafio central abordado neste trabalho é a falta de ferramentas automatizadas capazes de sintetizar dados textuais e visuais para gerar modelos formais, interpretáveis por máquinas, das dependências da cadeia de suprimentos do RISC-V.

2. Metodologia

O trabalho propõe um fluxo de trabalho impulsionado por GenAI que integra Modelos de Linguagem de Grande Porte (LLMs), Modelos Visão-Linguagem (VLMs) e Engenharia Orientada a Modelos (MDE) para transformar dados brutos em conhecimento estruturado e modelos de processos formais. O fluxo de trabalho opera através das seguintes etapas:

2.1 Ingestão e Extração de Dados Multimodais

O sistema ingere entradas heterogêneas, incluindo documentos técnicos, relatórios de fornecedores e artefatos visuais.

• Processamento Textual: LLMs são empregados para extrair entidades (partes interessadas, componentes, blocos de IP) e relacionamentos de texto não estruturado.
• Processamento Visual: VLMs interpretam diagramas, fluxogramas e tabelas para extrair informações estruturais que modelos baseados apenas em texto poderiam perder.
• Estratégia de Prompting: A extração é guiada por prompts específicos. Por exemplo, para gerar grafos de conhecimento, o sistema utiliza prompts instruindo o modelo a outputar definições de nós e relacionamentos compatíveis com Neo4j, sem comentários supérfluos. Da mesma forma, para extração de processos, prompts direcionam a geração de diagramas de atividade PlantUML com múltiplas faixas representando interações de atores.

2.2 Construção de Grafo de Conhecimento

Entidades e relacionamentos extraídos são organizados em um Grafo de Conhecimento (KG) usando Neo4j.

• Esquema: O grafo captura participantes (por exemplo, empresas de semicondutores), produtos (processadores, núcleos de IP) e interdependências (licenciamento, relações de suprimento).
• Consulta: Analistas podem utilizar a linguagem de consulta Cypher para explorar dependências de múltiplos saltos e identificar gargalos. O framework inclui uma camada de raciocínio onde LLMs auxiliam na formulação de consultas Cypher com base em diretrizes em linguagem natural fornecidas por analistas humanos.

2.3 Extração de Processos e Modelagem Formal

Para abordar a análise de fluxo de trabalho, o sistema gera modelos de processos formais usando diagramas de atividade PlantUML.

• Representação Intermediária: A semântica de processo extraída é convertida em texto PlantUML, que é então transformado em um formato JSON para processamento por máquinas.
• Validação Baseada em Regras: Um framework baseado em regras é introduzido para validar a ordenação e coordenação de atividades. Restrições são definidas usando operadores como before, after, after-true e after-false para modelar caminhos de execução condicional (por exemplo, verificações de validação). Regras anotadas com função (por exemplo, Role: Action) são usadas para atribuir responsabilidades a atores específicos (designers, fornecedores, fundições).
• Humano no Loop: O fluxo de trabalho incorpora um analista humano que pode refinar modelos extraídos, ajustar regras e validar suposições, garantindo que a expertise de domínio seja integrada à inteligência automatizada.

2.4 Implementação

O fluxo de trabalho é implementado usando a ferramenta de orquestração de código aberto n8n, que conecta o tratamento de entrada, o prompting de modelos GenAI e a análise MDE.

• Modelos: O sistema utiliza modelos implantados localmente para garantir privacidade de dados, particularmente relevante para domínios automotivos sensíveis. A avaliação utiliza openai/gpt-oss-120b para texto e Qwen/Qwen3.5-122B-A10B para tarefas visuais, executando em um cluster com três GPUs H200 NVL.
• Interação: Os usuários podem interagir por meio de uma interface de chat interativa ou através de webhooks que aceitam uploads de arquivos (diagramas, documentos) para acionar a execução do fluxo de trabalho.

3. Principais Contribuições

• Integração Multimodal: O trabalho apresenta um framework unificado que combina LLMs para compreensão semântica textual e VLMs para extração estrutural visual, abordando a limitação de ferramentas de análise de cadeia de suprimentos centradas em texto.
• Modelagem Formal via MDE: Ao integrar Engenharia Orientada a Modelos, a abordagem transforma dados não estruturados em representações formais (Grafos de Conhecimento e diagramas PlantUML) que suportam análise baseada em restrições e detecção de riscos.
• Validação de Processos Baseada em Regras: A introdução de uma camada baseada em regras para validar a ordenação de atividades e atribuições de funções permite a detecção sistemática de comportamentos inseguros ou inconsistentes na cadeia de suprimentos no momento do projeto.
• Estratégia de Implantação Local: A demonstração de um pipeline implantável localmente usando ferramentas de código aberto e modelos hospedados localmente oferece uma alternativa que preserva a privacidade em relação aos serviços GenAI baseados em nuvem, o que é crítico para a indústria automotiva.

4. Resultados Experimentais

A abordagem foi avaliada usando uma descrição representativa da cadeia de suprimentos RISC-V e diagramas correspondentes. Dados de verdade fundamental foram estabelecidos com a assistência do GPT-5.3.

• Extração de Grafo de Conhecimento:

  • Desempenho do LLM: Alcançou 88% de precisão na extração de conceitos (22/25), 83% em relacionamentos (19/23) e 75% em atributos (6/8).
  • Desempenho do VLM: Alcançou 72% em conceitos, 65% em relacionamentos e 63% em atributos.
  • Geração de Consultas: O sistema gerou consultas Cypher com 75% de correção ponta a ponta (15/20 consultas totalmente corretas).

• Análise de Processos:

  • Desempenho do LLM: Identificou 91% das atividades (10/11), 100% dos participantes, 82% dos relacionamentos e 78% dos artefatos. Gerou com sucesso 80% das regras de validação.
  • Desempenho do VLM: Identificou 73% das atividades, 75% dos participantes e 64% dos relacionamentos. Os VLMs não foram usados para geração de regras devido a limitações no raciocínio abstrato.

• Métricas de Desempenho: O tempo de resposta médio foi de aproximadamente 11,5 segundos para LLMs e 14 segundos para VLMs.

Os resultados indicam que, embora os LLMs se destaquem no raciocínio semântico e na geração de regras, os VLMs fornecem valor complementar na extração de elementos estruturais de entradas visuais. A combinação de ambas as modalidades produz uma análise mais abrangente do que qualquer modalidade isolada.

5. Significado e Alegações

O trabalho alega que essa abordagem impulsionada por GenAI aborda efetivamente os desafios de analisar cadeias de suprimentos RISC-V descentralizadas e heterogêneas. Ao sintetizar dados multimodais em modelos formais, o framework aumenta a transparência, apoia a tomada de decisão e melhora a resiliência em cadeias de suprimentos de semicondutores complexas.

Os autores enfatizam que o uso de modelos implantáveis localmente, combinado com validação iterativa e representações intermediárias, traz o desempenho próximo ao de modelos comerciais de última geração, mantendo a soberania de dados. Isso é apresentado como uma vantagem significativa para domínios sensíveis como o automotivo, onde a privacidade de dados e a conformidade regulatória são primordiais. O trabalho conclui que essa metodologia fornece uma base escalável para monitorar desenvolvimentos na cadeia de suprimentos, identificar atores emergentes e avaliar riscos sistêmicos no ecossistema RISC-V.