🤖 AI

Multi-Field Hybrid Retrieval-Augmented Generation for Maritime Accident Root Cause Analysis

Este artigo propõe um framework de geração aumentada por recuperação híbrida de múltiplos campos que utiliza um conjunto de dados estruturados de 13.329 relatórios de acidentes marítimos para melhorar significativamente tanto a recuperação de precedentes relevantes quanto a qualidade da redação automatizada da análise de causa raiz em comparação com os métodos de base.

Autores originais: Seongjin Kim, Sungil Kim

Publicado 2026-06-12

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Seongjin Kim, Sungil Kim

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive de segurança marítima tentando resolver um novo acidente. Para fazer bem o seu trabalho, você precisa analisar milhares de arquivos de casos antigos dos últimos 50 anos para ver como acidentes semelhantes foram resolvidos anteriormente. Isso é chamado de Análise de Causa Raiz (RCA).

O problema é que esses arquivos antigos são bagunçados. Eles são enormes, escritos em uma linguagem jurídica e técnica complexa, e as pistas importantes estão enterradas em diferentes seções. Um detetive humano poderia passar dias apenas lendo e cruzando informações desses arquivos.

Este artigo apresenta um novo "Assistente Detetive de IA" projetado para acelerar esse processo. Veja como ele funciona, explicado de forma simples:

1. O Problema: A "Parede de Texto"

Imagine tentar encontrar uma receita específica em uma biblioteca onde cada livro é uma parede gigante e contínua de texto contendo a história de uma refeição, a lista de ingredientes e o veredito final do juiz, tudo misturado. Se você procurar por "fogo", o computador pode mostrar você uma história sobre um incêndio, mas também pode mostrar um veredito sobre um fogo que não tem nada a ver com o seu caso atual.

No passado, os sistemas de IA tratavam esses relatórios de acidentes como essa parede gigante de texto. Eles ficavam confusos porque a parte da "história", a parte da "causa" e a parte da "punição" estavam todas misturadas.

2. A Solução: O Sistema de "Fichas de Índice"

Os pesquisadores pegaram 13.329 relatórios de acidentes antigos e os transformaram em "Fichas de Incidente" estruturadas.

Pense nisso como pegar aquela parede gigante de texto e cortá-la em três fichas de índice distintas e rotuladas para cada caso:

Ficha A (Resumo): O que aconteceu? (A história)
Ficha B (Causas): Por que aconteceu? (A razão técnica)
Ficha C (Disposição): Qual foi a decisão oficial? (O resultado)

Ao separar esses elementos, a IA pode procurar por um tipo específico de pista. Se você estiver procurando o porquê de um navio ter afundado, ela sabe que deve olhar para as fichas de "Causas", e não para as fichas da "História".

3. O Mecanismo de Busca: A "Corrida de Duas Pernas"

Para encontrar as fichas certas, a IA usa uma estratégia de busca híbrida, que é como ter dois detetives diferentes trabalhando juntos:

Detetive 1 (O Caçador de Palavras-Chave): Este é ótimo em encontrar correspondências exatas, como termos jurídicos específicos ou códigos técnicos (ex: "gás propano"). É como pesquisar em uma biblioteca pelo título exato do livro.
Detet even 2 (O Caçador de Significados): Este entende a ideia por trás das palavras. Ele sabe que "navio bateu em uma rocha" é o mesmo que "embarcação encalhou em recife", mesmo que as palavras sejam diferentes. É como pesquisar pelo enredo da história.

O sistema combina os resultados de ambos os detetives. Se um encontrar uma correspondência e o outro encontrar uma correspondência semelhante, eles votam em qual é a melhor. Isso garante que a IA não perca nada apenas porque a redação era ligeiramente diferente.

4. O Resultado: Um Relatório Melhor

Uma vez que a IA encontra os melhores exemplos históricos (os "precedentes"), ela os utiliza para escrever um novo relatório para o acidente atual.

Sem este sistema: A IA tenta adivinhar a causa baseando-se apenas em seu treinamento geral. Ela pode inventar uma razão que soa plausível, mas errada (uma "alucinação"), como adivinhar que um incêndio começou devido a vapores de álcool quando, na verdade, era gás.
Com este sistema: A IA consulta as reais "Fichas de Causa" históricas que encontrou. Ela vê que, em casos passados semelhantes, a causa foi "vazamento de propano". Ela então escreve um relatório dizendo: "Com base em casos passados semelhantes, isso foi provavelmente causado por vazamento de propano".

O Que os Números Dizem

Os pesquisadores testaram isso contra uma IA padrão que não utilizava essas fichas especiais ou a busca de dois detetives:

Encontrando os arquivos certos: O novo sistema encontrou casos passados relevantes três vezes melhor do que o método antigo.
Escrevendo o relatório: Os relatórios escritos com a ajuda de casos passados foram classificados com qualidade e precisão significativamente maiores. Eles foram menos propensos a inventar coisas e mais propensos a aderir aos fatos encontrados na história.

A Conclusão

Este artigo mostra que, ao organizar documentos jurídicos bagunçados em categorias limpas e separadas, e ao usar uma busca inteligente que observa tanto as palavras exatas quanto os significados gerais, podemos construir um assistente de IA que ajuda investigadores marítimos a resolver acidentes de forma mais rápida e precisa. Ele transforma uma biblioteca caótica de casos antigos em uma ferramenta de referência bem organizada que evita que a IA dê palpites e a força a depender de evidências.

Resumo Técnico: RAG Híbrido de Múltiplos Campos para Análise de Causa Raiz de Acidentes Marítimos

Declaração do Problema
Os relatórios de adjudicação de acidentes marítimos, como os do Tribunal de Segurança Marítima da Coreia (KMST), contêm achados críticos para a Análise de Causa Raiz (RCA). No entanto, aproveitar esses registros para novas investigações é uma tarefa laboriosa. Os relatórios abrangem décadas e são caracterizados por informações densas e fragmentadas que misturam terminologia jurídica e técnica em seções distintas (narrativas, raciocínio causal e disposições). Embora os Grandes Modelos de Linguagem (LLMs) ofereçam potencial para automatizar a síntese narrativa, eles são propensos a alucinações em domínios especializados, gerando frequentemente regulamentações ou mecanismos causais plausíveis, mas factualmente incorretos. Além disso, as abordagens padrão de Geração Aumentada de Recuperação (RAG) enfrentam dois desafios específicos neste contexto: (1) tratar os relatórios de adjudicação como blocos de texto monolíticos dilui os sinais específicos de campo necessários para uma recuperação precisa, e (2) avaliar a qualidade da recuperação em escala é difícil devido ao alto custo de obter rótulos de relevância de especialistas.

Metodologia
Os autores propõem um framework de RAG híbrido de múltiplos campos projetado para geração estruturada baseada em casos. A metodologia consiste em quatro componentes primários:

Construção de Base de Conhecimento Estruturada:
O sistema utiliza um conjunto de dados de 13.329 relatórios de adjudicação do KMST (1971–2025). Os documentos brutos são transformados em "cartões de incidentes" estruturados contendo três campos recuperáveis distintos: Resumo (descrição do incidente), Causas (raciocínio causal do tribunal) e Disposição (resultados administrativos). Cada cartão também é enriquecido com tags de causa hierárquicas L1/L2 e metadados (ex.: tipo de acidente, jurisdição, ano). Este processo gera aproximadamente 37.007 fragmentos (chunks) recuperáveis.
Etiquetagem de Taxonomia Baseada em Regras:
Para facilitar a geração estruturada sem a necessidade de anotação manual extensiva, os autores empregam uma abordagem de supervisão fraca. Utilizando aproximadamente 2.400 entradas de dicionário e 800 padrões de regex, eles mapeiam palavras-chave e causas dos relatórios para uma taxonomia de causas padronizada do KMST (grupos L1 e 24 fatores L2), alcançando 97,6% de cobertura.
Recuperação Híbrida de Múltiplos Campos:
A estratégia de recuperação utiliza uma abordagem híbrida consciente do campo. Para cada um dos três campos do documento, o sistema executa dois recuperadores complementares:
- Recuperação Esparsa (BM25): Para correspondência exata de palavras-chave técnicas.
- Recuperação Densa (BAAI/bge-m3): Para capturar paráfrases semânticas.
  Os resultados dessas seis classificações independentes (3 campos × 2 métodos) são fundidos usando Fusão de Classificação Recíproca (RRF) para produzir uma lista final classificada de fragmentos de evidência.
Geração Estruturada:
O gerador (Qwen3-Next-80B-A3B-Instruct) é condicionado aos $k$ fragmentos recuperados. Ele tem a tarefa de sintetizar uma narrativa de causa concisa ( $n$ ) e mapear o incidente para tags de taxonomia padronizadas ( $T$ ). A saída é restrita a um esquema JSON estrito com uma temperatura de 0,0 para minimizar a variância.

Protocolo de Avaliação
Devendo à falta de rótulos de relevância de especialistas em larga escala, os autores introduzem uma pontuação de relevância proxy derivada de metadados ($RelScore$) baseada em similaridade de palavras-chave, tipo de acidente, jurisdição e proximidade temporal. O desempenho da recuperação é medido usando Norm-Recall@100 e nDCG@100. A qualidade da geração é avaliada via ROUGE-L, similaridade de cosseno SBERT e uma pontuação de LLM-como-juiz (escala de 1–5) avaliando coerência e fundamentação.

Principais Resultados

Desempenho de Recuperação: A estratégia híbrida de múltiplos campos proposta supera significativamente os baselines.
- A transição do indexamento de documento completo para o indexamento de múltiplos campos melhorou o Norm-Recall@100 de 0,1819 para 0,4981 (Densa).
- A abordagem híbrida (fundindo BM25 e Densa) alcançou o maior desempenho com um Norm-Recall@100 de 0,5463 e nDCG de 0,7697, comparado a 0,1819 para o baseline denso de documento completo.
- A inclusão do campo "Disposição" proporcionou um aumento significativo, sugerindo que os resultados administrativos carregam sinais discriminativos para desambiguar casos causalmente diferentes.
Desempenho de Geração: O embasamento do gerador em precedentes recuperados melhorou a pontuação do LLM-como-juiz de 3,34 para 3,72 (+11,5%). Embora a sobreposição lexical (ROUGE-L) e a similaridade semântica tenham apresentado ganhos marginais, a melhoria qualitativa reside na consistência factual e na capacidade de citar precedentes específicos.
Estudos de Caso: Em exemplos específicos (ex.: casos de encalhe e explosão), o baseline de apenas LLM produziu ligações causais alucinadas (ex.: atribuindo uma explosão a vapores de álcool baseando-se na intoxicação da tripulação). O framework proposto identificou corretamente mecanismos técnicos (ex.: ignição de gás propano) ao alavancar os campos específicos de "Causas" e "Disposição" dos precedentes recuperados.

Significância e Contribuições
O artigo afirma que sua principal contribuição é demonstrar que o RAG consciente de campos pode agilizar substancialmente os fluxos de trabalho de investigação de segurança marítima. Ao isolar narrativas descritivas de raciocínios técnicos e jurídicos, o sistema reconstrói as vias de raciocínio diagnóstico usadas por investigadores especialistas. O estudo estabelece que:

O Alinhamento Estrutural Importa: Tratar documentos como blocos monolíticos dilui sinais críticos; separar os campos aumenta a precisão da recuperação.
A Recuperação Híbrida é Essencial: Combinar sinais esparsos e densos proporciona robustez contra incompatibilidades de vocabulário, preservando a recuperação de terminologia técnica precisa.
Viabilidade de Proxy de Avaliação: Uma pontuação proxy baseada em metadados pode servir como um baseline reprodutível e sistemático para comparar estratégias de recuperação em domínios administrativos especializados onde rótulos de padrão ouro não estão disponíveis.

Em última análise, o framework permite uma busca de precedentes mais rápida e uma redação de RCA mais consistente e baseada em evidências, reduzindo o risco de alucinação em análises de segurança marítima de alto risco.