Knowledge Graphs and Explainable AI as Complementary Resources for Urban Mining

Resumo Técnico: Grafos de Conhecimento e IA Explicável como Recursos Complementares para Mineração Urbana

Problema
A mineração urbana, especificamente a avaliação pré-demolição (PDA) de estoque de edifícios existentes, baseia-se em um processo de auditoria regulamentado onde auditores qualificados devem inventariar componentes e determinar seu destino (reutilização, reciclagem ou descarte). Embora a Inteligência Artificial (IA) possa apoiar esses auditores, a principal restrição para a escala da mineração urbana não é a precisência de predição dos modelos técnicos, mas a defensibilidade das decisões que eles suportam. As decisões devem ser legíveis no vocabulário regulatório, plausíveis sob restrições de domínio, rastreáveis na documentação e contestáveis.

As técnicas atuais de IA Explicável (XAI) (ex: atribuição de características, contrafatuais) operam no espaço de entrada de modelos de caixa-preta, produzindo saídas que frequentemente carecem de alinhamento com categorias regulatórias ou restrições de domínio físico. Por outro lado, os Grafos de Conhecimento (KGs) fornecem conhecimento de domínio estruturado, mas carecem de responsividade a instâncias específicas de modelos. A literatura existente taxonomizou a integração de KGs e XAI, mas permanece estruturalmente subespecificada; falta-lhe uma conta teórica de por que integrações específicas produzem artefatos que nenhum dos recursos isolados pode fornecer sozinho.

Metodologia e Lente Teórica
O artigo adota uma interpretação de complementaridade teórica fundamentada na tradição de recursos de Sistemas de Informação (IS). Nesta visão, dois recursos são complementares quando a contribuição marginal de um aumenta com o nível do outro. Os autores argumentam que a integração de KGs e XAI é estrutural, e não apenas agregativa: o objeto conjunto possui propriedades (legibilidade, plausibilidade, rastreabilidade de origem, contestabilidade) que os objetos unilaterais não possuem.

O framework opera na "superfície explicativa" de preditores de caixa-preta. Ele define um grafo de estado de propriedade $\Sigma(x)$ para uma instância $x$, consistindo em tuplas $(e, p, v, r)$ representando entidades, propriedades, valores e anotações de confiabilidade. A metodologia propõe quatro modos de integração consolidados, cada um definido por uma operação tipada sobre artefatos de XAI e estruturas de substrato de KG:

1. Elevação (Lifting): Mapeia atribuições de XAI (ex: valores SHAP) para instâncias de KG. Utiliza uma função de fundamentação $\gamma$ para mapear características de entrada para instâncias tipadas (ex: uma região saliente para um product:DoorLeaf) e agrega massas de saliência ao longo de uma hierarquia merológica.
   • Propriedade de Defensibilidade: Legibilidade (as explicações existem no vocabulário regulatório na granularidade exigida).
2. Restrição (Constraining): Filtra candidatos contrafatuais de XAI através de um predicado de plausibilidade baseado em axiomas de compatibilidade de KG. Garante que intervenções propostas (ex: alterar um material) satisfaçam dependências de definição e restrições estruturais (ex: topologia de compartimento de incêndio).
   • Propriedade de Defensibilidade: Plausibilidade (contrafatuais correspondem a intervenções admissíveis para decisões reais de auditoria).
3. Tipagem (Typing): Constrói anotações de confiabilidade para asserções de propriedade baseadas em cadeias de evidência (confiança do modelo, cadeias de inferência, dados de calibração). Aplica uma tipologia de confiabilidade (ex: Assumido, Confirmado, Excluído) a asserções específicas.
   • Propriedade de Defensibilidade: Rastreabilidade de Origem (Sourcing) (diferenciar a resposta do auditor com base na evidência que sustenta cada propriedade).
4. Revisão (Revising): Um operador bidirecional onde ações do auditor (aceitar, contestar ou adicionar reivindicações) atualizam o grafo de estado de propriedade e geram trilhas de proveniência (usando PROV-O). Ações trans-instância alimentam um pool de evidências para revisão da ontologia.
   • Propriedade de Defensibilidade: Contestabilidade (a decisão de auditoria é um artefato inspecionável, revisável e com histórico consultável).

Principais Contribuições
O artigo apresenta três contribuições primárias:

1. Interpretação Teórica: Fornece uma conta de complementaridade teórica para a integração KG–XAI em processos especialistas que carregam responsabilidade (accountability), indo além de taxonomias descritivas para uma análise estrutural de como pares técnicos se tornam artefatos de auditoria.
2. Modos Consolidados: Formaliza quatro modos específicos de integração (Elevação, Restrição, Tipagem, Revisão), vinculando cada um a uma propriedade de defensibilidade distinta exigida para conformidade regulatória.
3. Framework Ilustrativo: Demonstra o framework utilizando um exemplo de porta corta-fogo dentro do contexto da stack W3C Linked Building Data (LBD) e do Índice de Mineração Urbana.

Resultos e Exemplo Ilustrativo
O artigo não apresenta resultados experimentais empíricos, mas oferece um exemplo prático de uma avaliação de porta corta-fogo para ilustrar os modos:

• Elevação (Lifting) traduz a saliência do modelo (selo, folha, ferragens) em uma descrição estruturada dos componentes da porta, permitindo que o auditor copie a explicação diretamente para os campos de auditoria.
• Restrição (Constraining) filtra contrafatuais; por exemplo, rejeita uma sugestão de alterar o núcleo da porta para uma substância não resistente ao fogo porque a porta está em uma parede de compartimento de incêndio (uma restrição codificada no KG), mas aceita uma mudança de dobradiças coladas para parafusadas como uma intervenção válida.
• Tipagem (Typing) atribui pontuações de confiabilidade (ex: Assumido com confiança de 0.68) à classe de resistência ao fogo, alertando o auditor para realizar uma inspeção de esclarecimento específica em vez de uma refotografia genérica.
• Revisão (Revising) permite que o auditor conteste a classificação após a inspeção (descobrindo que a porta é de controle de fumaça, não resistente ao fogo). Isso atualiza o estado da propriedade, registra a proveniência da mudança e sinaliza a ontologia para potencial refinamento.

Os autores observam que remover qualquer um dos modos degrada o perfil de defensibilidade: remover a Elevação deixa apenas mapas de calor; remover a Restrição permite substituições regulatoriamente proibidas; remover a Tipagem deixa pontuações de confiança sem origem; e remover a Revisão resulta em inventários estáticos sem trilhas de proveniência.

Significância e Alegações
O artigo posiciona-se como um trabalho posicional, e não empírico. Sua significância reside em oferecer um vocabulário estrutural para integrar KGs e XAI em domínios especialistas de IA onde um humano qualificado permanece responsável.

Os autores alegam que achados cautelares sobre XAI em domínios especialistas (ex: explicações falhando em melhorar a precisão) podem ser estruturalmente explicados pela falta de um substrato que desbloqueie propriedades de defensibilidade. Ao construir implantações de IA que inerentemente suportam legibilidade, plausibilidade, rastreabilidade de origem e contestabilidade, o framework visa atender às demandas de regimes regulatórios como o EU AI Act e padrões setoriais (ex: DIN SPEC 91484).

O artigo reconhece explicitamente limitações: o framework não resolve a governança de ontologias (a autoridade para revisões deve vir de corpos institucionais externos) e não se estende a modelos inerentemente interpretáveis sem modificação. O trabalho futuro é identificado como a operacionalização do framework em estudos de caso de PDA para avaliar seu impacto na capacidade dos auditores de documentar, contestar e revisar avaliações apoiadas por IA.