TransResAI: A Compound AI System for Coastal Transportation Resilience

Resumo Técnico: TransResAI – Um Sistema de IA Composta para a Resiliência do Transporte Costeiro

Declaração do Problema
As inundações costeiras representam uma ameaça severa à infraestrutura de transporte, mas a gestão eficaz da resiliência é dificultada pela inacessibilidade das ferramentas analíticas atuais. As abordagens existentes sofrem de um compromisso persistente entre capacidade e acessibilidade:

• Métodos de simulação de tráfego (ex.: MATSim) exigem especialização técnica para calibração e interpretação, limitando seu uso a especialistas técnicos.
• Avaliações baseadas em SIG frequentemente reduzem análises complexas de resiliência a sobreposições espaciais estáticas, falhando em capturar respostas comportamentais ou impactos em cascata em toda a rede.
• Abordagens de aprendizado de máquina (machine learning) carecem de mecanismos causais e interpretabilidade para novos cenários de inundação.
• Modelos de Linguagem de Grande Escala (LLMs) de uso geral carecem do conhecimento especializado do domínio, capacidades de raciocínio espacial e da habilidade de executar computações numéricas ou orquestrar ferramentas externas necessárias para análises de nível de engenharia. Além disso, a dependência de APIs hospedadas na nuvem levanta preocupações de privacidade de dados e governança para agências governamentais que lidam com dados demográficos e operacionais sensíveis.

Consequentemente, profissionais não especialistas e agências com poucos recursos são sistematicamente excluídos da realização de análises de resiliência sofisticadas, apesar de serem os stakeholders mais expostos aos riscos de inundação.

Metodologia: Arquitetura TransResAI
O estudo introduz o TransResAI, um sistema de IA composta passível de implantação local, projetado para preencher a lacuna entre a interação por linguagem natural e a análise especializada de infraestrutura. O sistema opera como um pipeline de quatro módulos coordenado por um LLM implantado localmente (GPT-OSS:20B) dentro de um ambiente seguro e isolado (SafeContext).

1. Módulo de Entrada: Transforma consultas em linguagem natural em parâmetros computacionais estruturados. Ele emprega parsing por engenharia de prompt, reconhecimento de palavras-chave e detecção de entidades geográficas para extrair métricas alvo, tipos de cenário (base vs. inundação), filtros geográficos e requisitos de visualização. Inclui um mecanismo de detecção de ambiguidade para solicitar esclarecimentos quando informações essenciais estão ausentes.
2. Módulo de Decomposição de Tarefas: Converte parâmetros estruturados em um grafo acíclico dirigido (DAG) de subtarefas. Utilizando geração de código baseada em LLM, constrói funções Python executáveis (def solve(ctx):) que definem o fluxo de trabalho computacional, incluindo filtragem de dados, cálculo de métricas, agregação e classificação. O sistema infere operações (ex.: variação percentual vs. diferença absoluta) com base em pistas semânticas na consulta.
3. Módulo de Recuperação de Informação: Executa fluxos de trabalho acessando uma base de conhecimento híbrida:
   • Dados Estruturados: Um GeoDataFrame que integra saídas de simulação de tráfego MATSim (estados de nível de ligação, registros de viagens), redes de risco de inundação derivadas do OpenStreetMap (com fatores de redução de capacidade/velocidade) e indicadores demográficos do U.S. DOT Equitable Transportation Community Explorer (ETCE).
   • Dados Não Estruturados: Um sistema de Geração Aumentada por Recuperação (RAG) que indexa documentos de políticas regionais (ex.: do HRPDC, VDOT, FEMA) usando LlamaIndex e FAISS para busca semântica.
   • Segurança: Todas as operações ocorrem dentro de um sandbox SafeContext que impõe imutabilidade de dados, lista bibliotecas permitidas (pandas, geopandas), restringe o uso de recursos e impede acesso não autorizado a arquivos ou rede.
4. Módulo de Geração de Resposta: Sintetiza os resultados em três formatos integrados:
   • Relatórios Numéricos: Saídas tabulares estruturadas com precisão específica por métrica.
   • Visualizações Interativas: Mapas coropléticos dinâmicos renderizados via Folium, automaticamente configurados com escalas de cores e tooltips apropriados baseados no contexto da consulta.
   • Explicações em Linguagem Natural: Respostas fundamentadas que combinam achados quantitativos com citações de documentos de política recuperados.

Principais Contribuições

• Framework de Implantação Local: Um framework metodológico que transforma consultas em linguagem natural em fluxos de trabalho analíticos específicos do domínio sem depender de APIs externas de nuvem, garantindo privacidade e controle de dados dentro dos ambientes das agências.
• Capacidade Analítica com Consciência Espacial: Um sistema que processa camadas geoespaciais e gera visualizações, superando a limitação dos LLMs convencionais no tratamento de dados espaciais e geometria relacional.
• Integração de Múltiplas Fontes: Um mecanismo que consolida dados heterogêneos fragmentados (saídas de simulação, redes geoespaciais, indicadores demográficos e documentos de política) em um framework unificado de recuperação e execução.

Resultos
O sistema foi validado através de um estudo de usuário estruturado com cinco especialistas do domínio (engenheiros de transporte, planejadores urbanos e cientistas da computação) na região de Hampton Roads, Virgínia. Os participantes realizaram 60 tarefas abrangendo consulta analítica, visualização espacial e RAG de políticas.

• Eficiência: O TransResAI reduziu o tempo de conclusão de tarefas em 80–88% em comparação com fluxos de trabalho manuais de GIS convencionais.
  • Tarefas analíticas: Redução de uma média de 197,1 segundos para 29,7 segundos.
  • Tarefas de visualização: Redução de uma média de 364,0 segundos para 46,1 segundos.
  • Tarefas de RAG de política: Concluídas em uma média de 9,8 segundos.
• Precisão e Confiabilidade: O sistema manteve uma pontuação média de precisão de 4,60/5,00 e alcançou taxas de conclusão de tarefas superiores a 94% em todas as categorias.
• Satisfação do Usuário: Os participantes avaliaram o sistema positivamente quanto à clareza e utilidade, com a categoria RAG de Política alcançando as pontuações de satisfação mais altas (4,85/5,00).

Significância e Alegações
O artigo afirma que o TransResAI demonstra que arquiteturas de IA composta podem efetivamente preencher a lacavra entre modelos de linguagem de uso geral e o conhecimento especializado do domínio. Ao integrar decomposição de tarefas, geração de código segura e recuperação híbrida, o sistema democratiza o acesso a análises de infraestrutura de alto nível.

Os autores sustentam que a principal barreira à resiliência da infraestrutura não é a falta de dados, mas o gargalo técnico necessário para processá-los. O TransResAI aborda isso ao permitir que usuários não especialistas realizem análises sofisticadas de GIS e transporte sem conhecimento prévio de programação. Essa mudança permite que agências de transporte e comunidades tomem decisões mais rápidas, acessíveis e baseadas em dados sob crescente incerteza climática, afastando-se da dependência de uma perícia técnica escassa em direção a uma interface acessível e orientada pela linguagem. O estudo posiciona isso como um passo fundamental para frameworks replicáveis de tomada de decisão intensiva em dados em agências públicas que enfrentam desafios climáticos.