Resumo Técnico: Regras Rígidas, Preferências Suaves

Formulação do Problema

O artigo aborda o desafio de gerar listas de verificação (checklists) de bagagem personalizadas para viagens aéreas, uma tarefa caracterizada pela tensão entre restrições de viabilidade rígidas e preferências do usuário esparsas e dependentes de contexto. Viajantes devem aderir a restrições regulatórias (ex: TSA/FAA), de segurança, de capacidade e de dependência de itens não negociáveis, enquanto se adaptam a contextos específicos de viagem (destino, duração, atividades).

As soluções existentes enquadram-se em duas categorias inadequadas:

1. Sistemas baseados em templates: São genéricos, ignoram o contexto (ex: clima, atividades específicas) e falham em lidar com dependências entre itens ou nuances regulatórias.
2. Recomendadores sem restrições (incluindo LLMs): Embora capazes de personalização, não conseguem garantir a viabilidade. Frequentemente violam regras de segurança (ex: sugerir líquidos proibidos) ou falham em respeitar limites de capacidade. Além disso, abordagens de aprendizado padrão sofrem de viés de sobrevivência ao serem treinadas em feedback implícito (ex: itens mantidos em uma lista vs. itens removidos), pois os rótulos de classificação só são observados para os itens retidos.

O objetivo central é gerar um checklist $S$ que maximize a utilidade prevista do viajante $U(S|c)$ sujeito a um conjunto de restrições rígidas $R$, garantindo que a saída seja tanto complacente quanto personalizada.

Metodologia

Os autores propõem um framework de aprendizado guiado por raciocínio consistindo em três estágios distintos que unem o raciocínio simbólico, o aprendizado de máquina e a otimização com restrições.

Estágio 1: Raciocínio Simbólico (Conformidade e Recall)

Para garantir a viabilidade e lidar com cenários de cold-start (onde o histórico do usuário é esparso), o sistema emprega um mecanismo de inferência simbólica.

• Base de Conhecimento: Codifica 226 regras declarativas através de 378 itens atômicos e 103 tarefas pré-viagem. As regras são categorizadas por prioridade: regras Regulatórias e de Bem-estar (alta prioridade) são avaliadas antes das regras Contextuais, de Atividade e específicas do Viajante.
• Mecanismo de Inferência: Utiliza encadeamento direto (forward chaining) baseado em prioridade. Partindo de um contexto de viagem enriquecido (ex: destino, duração, necessidades especiais), o mecanismo dispara regras para emitir candidatos a itens e novos fatos (ex: inferir "requer_adaptador" a partir de "viagem_internacional").
• Saída: Um "checklist semente" de alto recall e em conformidade regulatória. Este estágio prioriza o recall (capturar todos os itens potencialmente relevantes) sobre a precisão, deliberadamente supergerando candidatos para serem filtrados em estágios posteriores.

Estágio 2: Aprendizado de Preferências (Personalização e Precisão)

Este estágio aprende sinais de personalização "suaves" a partir dos logs de edição do usuário para filtrar o checklist semente e classificar os itens, abordando especificamente o viés de sobrevivência.

• Modelagem em Dois Estágios: Os autores decompõem o problema em dois subproblemas acoplados:
  1. Inclusão (Binária): Prediz se um item sugerido pelo mecanismo simbólico deve ser mantido ou removido. Isso é modelado usando Árvores de Boosting de Gradiente (GBM) para prever a probabilidade de inclusão $p_{include}$.
  2. Classificação (Relativa): Prediz a ordem de prioridade entre os itens que são retidos. Isso é modelado usando LambdaMART (Learning to Rank) para otimizar métricas de NDCG.
• Mitigação de Viés: Ao separar a inclusão da classificação, o modelo evita superestimar a utilidade de itens que são frequentemente removidos pelos usuários (o que, de outra forma, estaria ausente de comparações de classificação pareada).
• Engenharia de Atributos (Features): Os modelos utilizam atributos de proveniência simbólica (ex: qual regra disparou o item, prioridade da regra) juntamente com o contexto da viagem, permitindo que o sistema aprenda com dados de interação esparsos.
• Construção de Utilidade: O escore de utilidade final para um item é uma composição multiplicativa da probabilidade de inclusão aprendida, do escore de classificação aprendido e de um prior simbólico que impõe alta utilidade para itens críticos de segurança, independentemente das preferências aprendidas.

Estágio 3: Otimização com Restrições (Viabilidade e Utilidade)

O estágio final seleciona um subconjunto de itens e os atribui a bolsas específicas (bagagem de mão, despachada, item pessoal) usando um solver CP-SAT (Programação de Restrições com SAT).

• Objetivo: Maximizar a utilidade retida esperada enquanto minimiza a perda monetária esperada (contabilizando probabilidades de perda de bagagem).
• Restrições: O solver impõe restrições rígidas incluindo:
  • Físicas: Limites de peso e volume de capacidade.
  • Regulatórias: Elegibilidade TSA/FAA (ex: baterias de lítio apenas na bagagem de mão).
  • Ambientais: Sensibilidade à temperatura (ex: insulina).
  • Dependências: "Devem-estar-juntos" (ex: corpo da câmera + lente) e "devem-estar-separados" (ex: líquidos + eletrônicos) as restrições.
• Consciência de Risco: A função objetivo penaliza a colocação de itens de alto valor em bolsas de alto risco (ex: bagagem despachada).

Principais Contribuições

1. Geração de Candidatos Consciente de Restrições: Um mecanismo simbólico alcançando 99,7% de recall e 0,96 de validade de rubrica, superando significativamente os LLMs de fronteira (0,78–0,81) em conformidade regulatória e de segurança.
2. Aprendizado de Preferências Consciente do Viés de Sobrevivência: Uma formulação de dois estágios (Inclusão + Classificação) que alcança um AUC-ROC de 0,943 para inclusão e NDCG@5 de 0,923 para classificação, mitigando efetivamente o viés em feedback implícito.
3. Viabilidade por Construção: Uma formulação CP-SAT que garante 100% de satisfação de restrições, comparado a 28% para heurísticas gulosas e 10% para baselines aleatórios.
4. Padrão de Design Geral: A arquitetura demonstra um padrão reutilizável para personalização com restrições onde a viabilidade rígida coexiste com sinais de preferência esparsos, aplicável além de viagens (ex: planejamento de alta clínica).

Resultados Experimentais

O framework foi avaliado em 604 cenários de viagem rotulados contendo 29.000 rótulos de inclusão e 343.000 comparações pareadas.

• Mecanismo Simbólico: Alcançou recall quase perfeito (99,7%) em todas as durações de viagem. A precisão foi moderada (54–83%) por design, já que o semente é intencionalmente supergerado.
• Modelos de Preferência: O modelo de inclusão GBM e o modelo de classificação LambdaMART superaram os baselines (Regressão Logística, Random Forest, Aprendizado Colaborativo Neural). Atributos de proveniência simbólica foram identificados como os preditores mais fortes.
• Otimização: O solver CP-SAT satisfez todas as restrições (0 violações), enquanto métodos gulosos e aleatórios falharam significativamente em restrições de dependência (ex: separar líquidos de eletrônicos).
• Desempenho Ponta-a-Ponta: O pipeline alcançou 80,9% de precisão e 34,5% de recall contra um checklist de referência humana. O recall é limitado pela capacidade física da bagagem (empacotar ~14 itens vs. uma referência humana de ~32), o que significa que o sistema recupera aproximadamente 80% do máximo ortodoxamente-viável.
• Comparação com LLM: O mecanismo simbólico pontuou 0,96 em uma rubrica de validade (conformidade com TSA, clima, atividade, completude), superando substancialmente o GPT-5 (0,78), Claude Opus 4.5 (0,80) e Gemini 3 Pro (0,81).

Implementação no Mundo Real

O sistema foi implementado no FlyEnJoy, um aplicativo de viagem iOS de produção que roda inteiramente no dispositivo.

• Impacto: As iniciações de checklists aumentaram em 200%, e os checklists concluídos aumentaram em 100%.
• Eficiência: O tempo por sessão diminuiu em 49,6%, impulsionado por uma redução na edição manual (menos ações de adicionar/remover necessárias).
• Significância: A implementação confirmou que o framework entrega valor mensurável no mundo real em relação a um baseline estático baseado em templates, equilibrando com sucesso a conformidade regulatória estrita com a utilidade personalizada.

Significância e Limitações

O artigo argumenta que o principal valor deste trabalho reside em sua arquitetura híbrida, que reconcilia a interpretabilidade e robustez do raciocínio simbólico com a adaptabilidade do aprendizado de máquina e o rigor da otimização de restrições. Demonstra que, para domínios críticos de segurança e com restrições, o aprendizado "suave" sozinho é insuficiente; regras rígidas devem ser codificadas simbolicamente e impostas via otimização.

Os autores observam uma limitação principal: o custo de autoria e manutenção de regras de domínio. No entanto, eles sugerem que a reutilização de regras entre famílias e a generalização do padrão de três estágios para outros domínios (como documentação de imigração) servem como mitigações e direções para trabalhos futuros. O artigo não pretende resolver o problema geral de empacotamento para todos os cenários, mas foca especificamente na interseção entre regulamentações de viagens aéreas e personalização.