From P&ID Drawings to Process Graphs: A Multimodal Language Model Approach

Imagine que você está caminhando por uma biblioteca imensa e antiga onde os livros não são feitos de papel, mas de teias gigantescas e emaranhadas de fios e tubos brilhantes. Estes não são apenas decorações; são os projetos de como uma fábrica respira, se move e pensa. No mundo da engenharia, esses projetos são chamados de P&IDs (Diagramas de Tubulação e Instrumentação). Eles são a linguagem secreta que diz a um computador como operar uma planta química, uma usina de energia ou uma estação de tratamento de água. Por décadas, esses projetos ficaram presos em papéis antigos ou como imagens digitais borradas. Eles são como um baú de tesouro trancado: cheio de ouro (dados valiosos), mas a chave para abri-los estava faltando. Engenheiros têm que encarar esses desenhos bagunçados e digitar manualmente cada conexão, uma tarefa lenta e propensa a erros que parece tentar copiar um romance à mão enquanto alguém continua mudando a fonte.

Recentemente, um novo tipo de "superleitor" chegou: o Modelo de Linguagem de Grande Escala Multimodal (MLLM). Pense neles como detetives de IA que podem olhar para uma imagem e ler o texto dentro dela ao mesmo tempo, entendendo não apenas como os símbolos se parecem, mas o que eles significam. A grande questão que os cientistas têm feito é: podemos simplesmente entregar a esses detetives de IA um projeto bagunçado e pedir que eles o transformem instantaneamente em um mapa digital perfeito? Ou o trabalho é complexo demais para um único olhar rápido? Este é o enigma que uma equipe de pesquisadores do Imperial College London decidiu resolver. Eles queriam saber se poderíamos ensinar esses detetives de IA a parar de tentar fazer tudo de uma vez e, em vez disso, dividir o trabalho em etapas menores e mais inteligentes, usando seu conhecimento de como as fábricas realmente funcionam para guiá-los.

Os pesquisadores decidiram testar duas maneiras diferentes de pedir a uma IA para digitalizar esses complexos projetos de fábrica. A primeira ideia foi a abordagem "Corrida Contra o Tempo": eles alimentaram a imagem completa do projeto (cortada em fatias para que a IA não ficasse sobrecarregada) e uma breve descrição do processo na IA, pedindo que ela cuspisse um mapa digital perfeito de uma só vez. Eles chamaram isso de método "End-to-End" (Ponta a Ponta). É como pedir a um aluno que leia um livro inteiro, entenda o enredo e depois escreva um resumo dos personagens e seus relacionamentos em uma única sessão, sem tirar nenhuma nota.

A segunda ideia foi a abordagem "Reunião de Equipe". Aqui, eles dividiram o trabalho em duas etapas distintas. Primeiro, um agente de IA atuou como um "Scanner" puro, olhando para as fatias do projeto e simplesmente listando cada peça de equipamento e instrumento que via, ignorando como eles estavam conectados. Era como um bibliotecário apenas listando todos os títulos de livros em uma prateleira sem se preocupar com a história. Em seguida, um segundo agente de IA pegou essa lista de nomes e, crucialmente, um conjunto de "regras da fábrica" (como "bombas precisam de um tubo entrando e um tubo saindo"). Este segundo agente usou seu cérebro para descobrir como essas peças deveriam se conectar com base na lógica da engenharia, em vez de tentar rastrear as linhas bagunçadas no desenho original. Isso foi o método "Decomposto".

Quando testaram esses métodos em dois diagramas de fábricas reais — uma planta de Adsorção por Oscilação de Pressão de Nitrogênio e uma planta de Dessulfurização de Gás de Flu simplesmente Úmido — os resultados foram claros. A abordagem "Corrida Contra o Tempo" teve dificuldades. Mesmo com uma pequena ajuda de uma descrição do processo, ela errou as conexões cerca de 40% das vezes. Era como o aluno adivinhando as reviravoltas do enredo; podia nomear os personagens (o equipamento) corretamente, mas continuava confundindo quem estava falando com quem. A abordagem "Reunião de Equipe", no entanto, foi um divisor de águas. Ao separar a tarefa de "ver" da tarefa de "pensar", e ao dar ao segundo agente de IA uma "folha de cola" de regras de engenharia, a precisão disparou.

Para a planta de Nitrogênio, o método "Reunião de Equipe" alcançou uma precisão total de 88,78%, comparado a apenas 68,56% para o método de etapa única. Ele acertou cada peça de equipamento (100% de precisão de nós) e descobriu corretamente as conexões 80,58% das vezes. Para a planta de Slime e Off-gas, que é mais complexa, a melhoria foi ainda mais dramática. O método de etapa única acertou as conexões apenas cerca de 59% das vezes, enquanto o método "Reunião de Equipe" saltou para 74,12% de precisão nas conexões e 85,21% de precisão geral. Os pesquisadores mediram isso usando uma pontuação de "Distância Simples", que conta quantos erros (peças faltando, peças extras, conexões erradas) a IA cometeu. O método "Reunião de Equipe" teve muito menos erros, com uma pontuação de 24,0 para a planta de Nitrogênio em comparação com 45,6 para o método de etapa única.

O artigo sugere que o ingrediente secreto não é apenas ter uma IA mais inteligente, mas sim um fluxo de trabalho mais inteligente. Acontece que pedir a uma IA para "ver" e "raciocinar" no exato mesmo momento gera uma carga cognitiva muito alta, especialmente quando os desenhos são bagunçados e as linhas estão quebradas. Ao permitir que uma parte do sistema se concentre puramente na leitura do texto e dos símbolos, e que outra parte se concentre puramente na aplicação da lógica de engenharia para descobrir as conexões, o sistema torna-se muito mais confiável. O estudo mostra que, embora um único prompt massivo possa funcionar, ele performa significativamente pior do que dividir a tarefa, particularmente para diagramas complexos onde a IA tende a se perder nos detalhes sem a orientação estruturada de um fluxo de trabalho decomposto.

Embora os resultados sejam promissores, os autores observam cautelosamente que esta é uma melhoria mensurável, não uma varinha mágica que resolve tudo instantaneamente. Eles descobriram que simplesmente adicionar uma descrição do processo ajudou um pouco, mas foi a combinação de dividir a tarefa e adicionar regras específicas de engenharia química que fez a verdadeira diferença. Eles também apontam um obstáculo prático: os modelos de IA que utilizaram são proprietários (de propriedade de grandes empresas), o que levanta questões de privacidade para fábricas que não querem compartilhar seus projetos secretos com servidores externos. No entanto, eles sugerem que o mesmo fluxo de trabalho de "Reunião de Equipe" poderia funcionar com modelos de código aberto no futuro.

No fim, esta pesquisa sugere que o futuro da digitalização do nosso mundo industrial não é construir um único supercérebro que faz tudo, mas sim construir uma equipe de especialistas especializados que conversam entre si. Ao ensinar a IA a separar o ato de olhar para um desenho do ato de entender a lógica de engenharia por trás dele, podemos transformar esses projetos empoeirados e emaranhados em mapas digitais limpos que computadores podem realmente usar para construir fábricas mais inteligentes e seguras. É um lembrete de que, às vezes, a melhor maneira de resolver um problema gigante e bagunçado é dividi-lo em partes menores e gerenciáveis e deixar os especialistas fazerem o que fazem de melhor.