Simulating the Resident: Generating Executable Smart Home Schedules via LLM Personas

Resumo Técnico: Simulando o Residente via Personas de LLM

Declaração do Problema
A pesquisa em Interação Humano-Computador (IHC), segurança e privacidade para casas inteligentes depende fortemente de conjuntos de dados que capturem interações de dispositivos, tráfego de rede e rotinas diárias autênticas. No entanto, a aquisição desses dados apresenta desafios metodológicos significativos. A coleta de dados em residências reais é lenta, cara e levanta profundas preocupações de privacidade devido à necessidade de observação de longo prazo e invasiva de espaços privados. Além disso, os conjuntos de dados do mundo real existentes são frequentemente limitados em escopo, falhando em generalizar para diversas composições domésticas, ecossistemas de dispositivos ou padrões de uso. Embora a geração de dados sintéticos tenha sido explorada, abordagens anteriores (por exemplo, modelos estatísticos ou Modelos Ocultos de Markov) carecem de um modelo semântico de intenção humana, e as simulações baseadas em LLM existentes (por exemplo, AgentSense) permanecem confinadas a ambientes virtuais sem conexão com hardware real.

Metodologia
Os autores propõem uma abordagem inovadora para simular os próprios residentes usando Grandes Modelos de Linguagem (LLMs) para gerar cronogramas de interação diversos e comportamentalmente fundamentados. Esses cronogramas são projetados para serem executáveis em bancadas de teste de casas inteligentes físicas. A metodologia consiste em dois componentes integrados:

1. Um Framework de Design para Residências:
   O framework configura residências simuladas através de cinco dimensões sócio-técnicas para moldar a atividade dos dispositivos:

• Rotinas Ocupacionais: Padrões de trabalho (ex: 9 às 5, trabalho por turnos) que estruturam a vida diária e a presença.
• Intervalo de Tempo de Simulação: O escopo temporal (ex: instantâneo de um único dia, semanal, longitudinal).
• Dinâmica Doméstica: Estruturas sociais e coordenação (ex: residente único, coabitantes cooperativos, cronogramas conflitantes).
• Ecossistema de Dispositivos e Estilo de Interação: O hardware instalado e a literacia técnica, determinando a complexidade da automação.
• Contexto Ambiental: Cenários físicos e clima (ex: apartamento urbano, condições de inverno) que influenciam comportamentos espaciais e disparados.

2. Um Pipeline de LLM de Múltiplas Etapas:
   Adaptado da arquitetura de agentes generativos, o pipeline traduz as dimensões configuradas em traços executáveis através de quatro etapas:

• Etapa 1: Inicialização de Persona e Contexto: O LLM recebe a configuração da residência, o contexto ambiental e um esquema JSON estrito dos dispositivos disponíveis. Ele gera um "cartão de memória de persona" para cada residente, resumindo seu cronograma e hábitos, enquanto mapeia explicitamente preferências para nomes exatos de dispositivos e valores de parâmetros do esquema.
• Etapa 2: Geração de Plano de Dia Narrativo: Usando os cartões de memória, o LLM gera uma narrativa em linguagem natural de atividades dentro de uma janela de tempo discreta. Esta etapa enfatiza o raciocínio sobre localizações físicas e coordenação social (ex: evitar acordar outro residente). Restrições críticas impõem carimbos de tempo exatos, gerenciamento de estado explícito, linguagem definitiva e adesão estrita ao esquema do dispositivo.
• Etapa 3: Extração e Formatação de Ações: Um prompt de formatação estrito instrui o LLM a agir como um parser de ações, extraindo interações concretas de dispositivos da narrativa para um array JSON estruturado. Este passo separa o raciocínio da formatação para reduzir erros de sintaxe e alucinações. A saída inclui carimbos de tempo, nomes de residentes, dispositivos, ações, valores e intenções.
• Etapa 4: Atualização de Estado e Memória: Para simulações longitudinais, o pipeline atualiza os cartões de memória de persona com base nas ações geradas. Este mecanismo de memória rotativa garante a consistência espacial e comportamental ao longo de simulações estendidas sem exceder as janelas de contexto.

Principais Contribuições
O artigo apresenta três contribuições primárias:

1. Um Framework de Design Configurável: Um conjunto de cinco dimensões sócio-técnicas que permitem aos pesquisadores moldar sistematicamente cenários de residência simulados.
2. Um Pipeline de LLM de Múltiplas Etapas: Uma arquitetura detalhada que transforma personas de residentes de alto nível e contexto em cronogramas de interação de dispositivos estruturados e executáveis.
3. Uma Prova de Conceito: Uma demonstração inicial validando que o pipeline pode produzir traços de interação temporalmente coerentes, consistentes com a persona e em conformidade com o esquema.

Resultados
Em um experimento de prova de conceito simulando dois coabitantes (um profissional que trabalha em casa e um trabalhador de escritório) em uma manhã de inverno na Alemanha, o pipeline gerou com sucesso uma rotina matinal (06:00–10:00) para oito dispositivos inteligentes.

• Coerência Contextual: As saídas refletiram o contexto sazonal (ex: aumento do uso de aquecimento devido ao nascer do sol no inverno) e padrões temporais distintos para cada residente (ex: as ações de Bob agrupadas antes da partida, as de Alice distribuídas ao longo da manhã).
• Conformidade com o Esquema: Os cronogramas JSON gerados aderiram estritamente ao esquema de dispositivos fornecido, separando corretamente ações de parâmetros e utilizando apenas nomes de dispositivos definidos.
• Viabilidade: O pipeline traduziu com sucesso traços de alto nível e restrições ambientais em um formato pronto para execução em bancadas de teste físicas (ex: Home Assistant, TTDAS).

Significância e Alegações
Os autores posicionam este trabalho como um "trabalho em progresso" visando apoiar a experimentação de casas inteligentes escalável e consciente da privacidade, sem depender de coleta de dados do mundo real intrusiva. Eles alegam que a abordagem oferece três implicações específicas:

• Execução Direta em Bancada de Teste: A capacidade de conduzir hardware físico com rotinas geradas permite que pesquisadores capturem tráfego de rede e estados de dispositivos autênticos.
• Benchmarks Padronizados: As dimensões sócio-técnicas facilitam a criação de configurações de residência compartilháveis e prontas para uso para avaliar sistemas contra comportamentos de linha de base.
• Prototipagem Rápida: A simulação serve como uma ferramenta para designers testarem preventivamente conflitos de múltiplos usuários e lógica de automação.

O artigo reconhece modestamente que a validade ecológica ainda não foi estabelecida, particularmente quanto à capacidade dos LLMs de capturar a natureza irregular ou esquecida do comportamento doméstico real. Além disso, a execução de ponta a ponta em uma bancada de teste física ainda não foi demonstrada neste estudo inicial. O trabalho futuro é direcionado para a avaliação sistemática através de diversas configurações, conexão com bancadas de teste ao vivo e, potencialmente, a construção de um grande conjunto de dados de código aberto de comportamentos simulados.