🤖 AI

Brick-DICL: Dynamic In-Context Learning for Automated Brick Schema Classification

Este artigo apresenta o Brick-DICL, um novo framework de aprendizagem em contexto dinâmico de dois estágios que aproveita metadata-RAG, class-RAG e filtragem multi-LLM para automatizar e melhorar significativamente a precisão do mapeamento de diversos pontos de Sistemas de Gestão de Edifícios para o esquema padronizado Brick, superando, assim, desafios relacionados ao extenso número de classes, conhecimento de domínio limitado e esforços de verificação manual.

Autores originais: Yiyue Qian, Shinan Zhang, Huan Song, Negin Sokhandan, Hannah Marlowe, Diego Socolinsky

Publicado 2026-06-17

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yiyue Qian, Shinan Zhang, Huan Song, Negin Sokhandan, Hannah Marlowe, Diego Socolinsky

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 tem uma biblioteca massiva de dados prediais, mas cada edifício fala uma língua diferente. Um edifício chama um sensor de "Temp_Sensor_01", outro o chama de "AHU_Room_Temp" e um terceiro apenas escreve "Zone 4 Heat". Este é o problema com os Sistemas de Gestão Predial (BMS). Eles são os cérebros dos edifícios modernos, mas como diferentes fabricantes usam seus próprios rótulos bagunçados e não padronizados, torna-se incrivelmente difícil conectá-los para economizar energia ou analisar o desempenho.

Para resolver isso, especialistas criaram um "dicionário universal" chamado Brick Schema. Ele possui quase 1.000 categorias específicas (como "Unidade de Tratamento de Ar" ou "Sensor de Temperatura de Ar de Descarga") que todo edifício deveria usar. O objetivo é pegar esses rótulos bagunçados e únicos e traduzi-los automaticamente para a categoria correta do Brick.

O artigo apresenta o Brick-DICL, um sistema inteligente que atua como um tradutor superinteligente para realizar esse trabalho automaticamente. Veja como ele funciona, dividido em conceitos simples:

1. O Problema: Muitas Escolhas e Pouco Conhecimento

Imagine que você está tentando adivinhar uma palavra em um jogo de "20 Perguntas", mas em vez de 20 perguntas, você tem que escolher a palavra certa entre 936 opções de uma só vez. Esse é o desafio que o computador enfrenta. Além disso, os modelos de IA padrão (Grandes Modelos de Linguagem) são como especialistas em conhecimento geral; eles sabem muito sobre o mundo, mas não conhecem as regras técnicas específicas da engenharia predial. Eles podem adivinhar "Sensor de Temperatura", mas podem perder a parte específica de "Descarga de Ar".

Verificar o trabalho da IA manualmente é como revisar um livro de 1.000 páginas; leva uma eternidade e é entediante.

2. A Solução: Um Processo de Detetive de Dois Estágios

O Brick-DICL resolve isso usando uma abordagem de "Aprendizado em Contexto Dinâmico de Dois Estágios" (Two-Stage Dynamic In-Context Learning). Pense nisso como um detetive resolvendo um caso em duas etapas, usando um arquivo especial de casos passados para ajudar.

Estágio 1: A Busca por "Casos Semelhantes" (Metadata RAG)

A Analogia: Imagine que você tem um novo mistério (um rótulo de edifício bagunçado). Em vez de adivinhar do zero, o sistema procura em um banco de dados gigante de casos resolvidos anteriores para encontrar aqueles que se parecem muito com o atual.
O que ele faz: Ele encontra 15 exemplos passados que são mais parecidos com o rótulo atual. Ele mostra esses exemplos para a IA, dizendo: "Olha, este rótulo passado era chamado de 'Temp_01' e decidimos que era um 'Sensor de Ambiente'. Como seu novo rótulo se parece muito com esse, você provavelmente deve adivinhar 'Sensor de Ambiente' também."
O Resultado: Isso fornece à IA o conhecimento específico de "engenharia predial" que lhe faltava, ajudando-a a fazer um bom primeiro palpite.

Estágio 2: A Busca de "Afunilamento" (Class RAG)

A Analogia: Mesmo com um bom primeiro palpite, a IA ainda pode ficar confusa entre 936 opções. Imagine que a IA adivinhou "Sensor de Temperatura". Agora, em vez de pedir para ela escolher entre todas as 936 opções, o sistema diz: "Ok, vamos ignorar todo o resto. Vamos olhar apenas para os 20 tipos de sensores de temperatura que são mais similares ao seu palpite".
O que ele faz: Ele pega o primeiro palpite da IA e encontra as 20 categorias mais relevantes no dicionário Brick. Ele então pede à IA para escolher a melhor apenas entre essas 20.
O Resultado: Isso torna o trabalho muito mais fácil. É como pedir a alguém para escolher a melhor maçã em uma cesta de 20, em vez de escolher a melhor fruta em todo um supermercado.

3. A Rede de Segurança: O "Painel de Juízes" (Multi-LLM Filtering)

Até detetives inteligentes cometem erros. Para evitar enviar traduções ruins para humanos corrigirem, o Brick-DICL usa um mecanismo de Multi-LLM.

A Analogia: Imagine que você tem três juízes especialistas diferentes. Todos eles analisam o mesmo caso de forma independente.
- Se os três juízes concordarem com a resposta, o sistema tem confiança e aceita a resposta automaticamente.
- Se os juízes discordarem (ex: o Juiz A diz "Sensor de Ambiente", o Juiz B diz "Sensor Externo"), o sistema sinaliza isso como "Baixa Confiança".
O Resultado: Os humanos só precisam intervir para corrigir os casos onde os juízes de IA estão discutindo. Isso economiza uma quantidade enorme de tempo porque o sistema lida com os casos fáceis e óbvios por conta própria.

O Ponto Principal

O artigo afirma que este sistema Brick-DICL é:

Generalista: Funciona em qualquer edifício, não importa quem o construiu ou quais rótulos estranhos eles usaram.
Poderoso: É o primeiro sistema a usar este método de busca dinâmica de dois passos para este problema específico, e obteve pontuações de precisão muito maiores do que outros métodos (como modelos de IA padrão ou adivinhação simples).
Eficiente: Ao usar o "Painel de Juízes" para filtrar respostas incertas, ele reduz drasticamente a quantidade de trabalho manual que os humanos precisam fazer para realizar a integração digital dos edifícios.

Em resumo, o Brick-DICL é um tradutor inteligente de dois passos que usa exemplos passados para aprender as regras, afunila as escolhas para facilitar o trabalho e utiliza uma equipe de juízes de IA para garantir que os humanos só precisem corrigir os erros complicados.

Resumo Técnico: Brick-DICL

Declaração do Problema

Os Sistemas de Gestão de Edifícios (BMS) são críticos para otimizar a eficiência energética e o desempenho operacional em edifícios modernos. No entanto, uma barreira significativa para a integração e utilização de dados é a falta de padronização nos metadados dos pontos de BMS entre diferentes fabricantes. Embora o esquema Brick ofereça uma ontologia padronizada e de código aberto para representar ativos, sistemas e suas relações, mapear os pontos brutos de BMS para as classes apropriadas do Brick continua sendo uma tarefa complexa. Os autores identificam três desafios primários:

Escala: O esquema Brick mais recente contém 936 classes distintas, criando um problema massivo de classificação multiclasse.
Lacuna de Conhecimento de Domínio: Modelos de Linguagem de Grande Escala (LLMs), apesar de suas capacidades gerais, frequentemente carecem do conhecimento de domínio específico necessário para classificar com precisão os pontos de BMS devido à exposição insuficiente a conjuntos de dados especializados.
Carga de Verificação: Verificar manualmente os resultados da classificação gerados por LLMs é trabalhoso e demorado, particularmente ao processar milhares de pontos em múltiplos edifícios.

Metodologia: Brick-DICL

Para enfrentar esses desafios, os autores propõem o Brick-DICL, um framework de Aprendizado de Contexto Dinâmico (DICL) de dois estágios, aprimorado por Geração Aumentada de Recuperação (RAG) e um mecanismo de filtragem multi-LLM.

1. Aprendizado de Contexto Dinâmico de Dois Estágios

Ao contrário do Aprendizado de Contexto em Contexto (ICL) tradicional, que utiliza um conjunto fixo de exemplos, o Brick-DICL recupera dinamicamente o contexto relevante para guiar o LLM.

Estágio Um: ICL Dinâmico de Metadados (Metadata RAG)
- Objetivo: Gerar uma previsão inicial para a classe Brick baseada nos atributos de metadados do ponto de BMS.
- Mecanismo: Um banco de dados vetorial é construído a partir de exemplos de treinamento. Para um novo ponto de BMS, o sistema calcula um embedding de seus atributos e recupera os $k$ exemplos mais similares usando similaridade de cosseno.
- Processo: Esses exemplos recuperados, que demonstram como combinações de atributos similares mapeiam para classes específicas, são concatenados com o novo input para formar um prompt dinâmico. O LLM gera uma previsão de classe inicial ( $c^{(1)}_{brick}$ ), uma justificativa ( $j$ ) e uma pontuação de confiança ( $s$ ).
Estágio Dois: ICL Dinâmico de Classe (Class RAG)
- Objetivo: Refinar a previsão inicial, estreitando o espaço de classificação de 936 classes para um subconjunto semanticamente relevante.
- Mecanismo: Usando a previsão do Estágio Um, o sistema recupera as $m$ classes (por exemplo, 20) mais similares do esquema completo do Brick.
- Geração de Dois Passos:
  1. O LLM avalia todas as classes recuperadas e seleciona 5 candidatos preliminares.
  2. O LLM realiza uma avaliação focada nesses 5 candidatos para selecionar as 3 classes mais prováveis com probabilidades normalizadas.
- Saída: A saída final inclui as 3 classes previstas, suas probabilidades, justificativas e pontuações de confiança.

2. Mecanismo de Filtragem Multi-LLM

Para reduzir os esforços de verificação manual, o framework utiliza múltiplos LLMs para gerar previsões para ambos os estágios. Uma estratégia de filtragem é aplicada para identificar gerações de baixa confiança que requerem revisão humana. Os autores propõem quatro estratégias para avaliar o consenso:

Acordo Total (All Agreement): Sinaliza baixa confiança se qualquer previsão (Estágio 1 ou o top-3 do Estágio 2) diferir entre os modelos.
Consenso Top-3 (Top-3 Consensus): Sinaliza baixa confiança se não houver uma sobreposição completa no top-3 das classes entre todos os modelos.
Acordo Top-1 (Top-1 Agreement): Sinaliza baixa confiança se a única previsão principal diferir entre os modelos.
Consenso Any-2 (Any-2 Consensus): Sinaliza baixa confiança se menos de duas classes comuns existirem entre as previsões top-3 dos modelos.

Casos sinalizados são encaminhados para uma interface de validação humana, enquanto casos de alta confiança são aceitos automaticamente.

Principais Contribuições

O artigo reivindica três inovações primárias:

Generalização: O Brick-DICL é um framework geral aplicável a qualquer BMS, independentemente do fabricante ou formato de metadados, utilizando metadados e Class RAG para mapear pontos para classes Brick.
Novidade e Poder: É a primeira abordagem a projetar aprendizado de contexto dinâmico especificamente para lidar com o grande número de classes Brick e a falta de conhecimento de domínio dos LLMs. Ele supera métodos existentes em conjuntos de dados de edifícios.
Eficiência: A estratégia de filtragem multi-LLM reduz significativamente o esforço de verificação manual ao sinalizar automaticamente apenas classificações ambíguas ou de baixa confiança para revisão humana.

Resultados Experimentais

O framework foi avaliado em dois conjuntos de dados de edifícios (B1 e B2) contendo metadados de BMS e rótulos Brick de referência (ground-truth).

Desempenho vs. Baselines: O Brick-DICL superou consistentemente oito modelos de base, incluindo métodos baseados em prompting (estático, estático, aleatório e ICL dinâmico) e modelos de linguagem pré-treinados com ajuste fino (BERT, DistilBERT, RoBERTa, SciBert). Especificamente, alcançou superioridade em precisão Hits@1 e Hits@3 em ambos os edifícios.
Impacto de Hiperparâmetros:
- Shots (Estágio 1): O desempenho geralmente melhorou com mais shots, com o ICL de 15-shot alcançando os melhores resultados.
- Classes Recuperadas (Estágio 2): A recuperação de 20 classes proporcionou o desempenho ideal; aumentar além disso introduziu ruído.
Estratégias de Filtragem: A estratégia Any-2 Consensus mostrou-se a que oferece o equilíbrio ideal, alcançando a menor taxa de discordância (minimizando a revisão manual) enquanto mantém uma forte precisão de classificação.
Estudo de Ablação: Remover o componente de Metadata DICL ou o de Class DICL levou a quedas moderadas de desempenho, enquanto remover ambos resultou em um declínio significativo, confirmando que todos os módulos são essenciais para a precisão ideal.

Significância

O artigo conclui que o Brick-DICL aborda eficazmente os desafios de padronização de diversos pontos de BMS. Ao combinar a recuperação dinâmica com o consenso multi-LLM, o framework acelera o caminho para sistemas de gestão de edifícios padronizados e interoperáveis. Ele permite o rápido onboarding digital de edifícios ao alcançar alta precisão de classificação com intervenção humana mínima, facilitando o melhor acesso aos dados para comissionamento de edifícios e gestão de energia.