Resumo Técnico: Composicionalidade Hierárquica para um Agente de IA Assistiva

Declaração do Problema

O artigo aborda o desafio da desambiguação de comandos para agentes de IA assistivos que operam em ambientes humanos. Embora os modelos de Linguagem de Grande Escala (LLMs) e Modelos de Linguagem-Visão (VLMs) modernos demonstrem capacidades impressionantes, eles frequentemente funcionam como preditores estocásticos opacos e intensivos em recursos que lutam com a desambiguação personalizada em situações inéditas. Especificamente, quando um usuário humano emite um comando ambíguo (por exemplo, "coloque uma fruta sobre a mesa" quando múltiplas frutas estão presentes, ou "ligue isso" quando múltiplos dispositivos estão disponíveis), modelos baseados em dados costumam falhar ao tentar se adaptar rapidamente às preferências específicas do usuário sem a necessidade de dados de treinamento extensos ou histórico explícito. As abordagens híbridas existentes muitas vezes dependem de supervisão humana substancial ou falham em transferir evidências acumuladas entre entidades relacionadas. O problema central é como projetar uma arquitetura que aproveite a composicionalidade hierárquica e heurísticas simples para resolver a ambiguidade com base em um histórico de interação limitado, restrições de domínio e hábitos específicos do usuário, sem exigir os massivos recursos de dados dos modelos de fundação.

Metodologia

A arquitetura proposta resolve a ambiguidade através de uma estrutura de três estágios que integra raciocínio simbólico, representação composicional e pontuação heurística.

1. Representação de Conhecimento e Raciocínio (ASP)

O sistema utiliza Programação de Conjuntos de Respostas (ASP - Answer Set Programming) para o raciocínio lógico não-monotônico.

• Modelagem de Domínio: O ambiente é modelado usando a Linguagem de Ação $AL_d$, definindo tipos (ex: sala, comida, móveis), estáticos (atributos imutáveis), fluentes (estados mutáveis) e ações.
• Filtragem de Viabilidade: Ao receber um comando, o agente constrói um programa ASP incorporando axiomas de domínio (leis causais, restrições de estado, condições de executabilidade) e o histórico atual. Ele filtra candidatos que violam restrições físicas (ex: um agente não pode entregar um objeto a um usuário em uma sala diferente) ou lógica de domínio.
• Planejamento: Uma vez selecionada uma interpretação, o ASP é usado para gerar e executar um plano de tarefa.

2. Representação Composicional Hierárquica

Para superar a escassez de dados e permitir a transferência de conhecimento, a arquitetura representa entidades através de uma hierarquia de três níveis:

• Nível 0 (Atributos Atômicos): As entidades são representadas por atributos atômicos finos e compartilhados extraídos do NOVA, um conjunto de dados de normas de características semânticas validadas por humanos (ex: emite_luz, possui_texto_impresso). Isso permite que a evidência seja transferida entre entidades que compartilham atributos.
• Nível 1 (Conceitos de Nível de Domínio): Combinações estatisticamente significativas de atributos do Nível 0 são mineradas para formar uma biblioteca de conceitos ($K$). Esses conceitos representam arquétipos de nível superior (ex: uma combinação de atributos que define um "material de leitura"). Esta camada é independente do usuário e específica do domínio.
• Nível 2 (Padrões de Fluxo de Trabalho Específicos do Usuário): O sistema minera o histórico de interação do usuário ($H_u$) para identificar pares de gatilho-alvo de conceitos. Para uma ação específica (ex: ligar_on), o sistema identifica quais conceitos (gatilhos) tipicamente precedem a seleção de quais outros conceitos (alvos) para aquele usuário específico. Isso captura hábitos personalizados (ex: um usuário que lê um livro antes de acender uma lâmpada).

3. Pontuação de Múltiplos Sinais e Desambiguação

Quando múltiplos candidatos viáveis permanecem após a filtragem por ASP, eles são classificados usando três sinais heurísticos complementares:

1. Compatibilidade Semântica ($S_{sem}$): Mede a similaridade entre o candidato e o contexto estabelecido pela ação precedente (usando a similaridade Wu–Palmer baseada em WordNet).
2. Saliência da Sessão ($S_{sal}$): Mede a recência da menção ou interação do candidato dentro da sessão atual, aplicando um decaimento geométrico para referências mais antigas.
3. Preferência Temática Específica do Usuário ($S_{them}$): A contribuição central, calculada pela fusão de:
   • Evidência de Conceito: Frequência dos conceitos do candidato no histórico do usuário para a ação específica.
   • Evidência de Padrão: A significância estatística (lift) e a taxa de seguimento dos pares de gatilho-alvo de conceitos identificados no Nível 2.

Política de Decisão: Os escores são fundidos usando somas ponderadas. O agente seleciona o principal candidato apenas se sua margem sobre o segundo melhor exceder um limiar de confiança; caso contrário, ele solicita esclarecimento ao humano.

Principais Contribuições

1. Arquitetura Composicional Hierárquica: O artigo introduz uma nova arquitetura que vai além das representações planas de objetos. Ao decompor entidades em atributos atômicos e recombiná-las em conceitos e padrões específicos do usuário, o sistema permite a transferência de preferência para entidades novas ou raramente observadas (ex: inferir uma preferência por um damasco baseada em um histórico de pêssegos).
2. Integração de Heurísticas e Raciocínio Simbólico: O trabalho demonstra como a racionalidade ecológica (usando heurísticas simples como contagem e busca lexicográfica) pode ser efetivamente combinada com o raciocínio lógico formal (ASP) para alcançar uma desambiguação robusta com dados limitados.
3. Mineração de Fluxo de Trabalho Específico do Usuário: O sistema aprende automaticamente padrões comportamentais específicos do usuário (Nível 2) sem programação explícita, permitindo que o agente antecipe preferências com base na sequência de ações e conceitos.
4. Esclarecimento Consciente de Incerteza: A arquitetura emprega uma política baseada em limiares para solicitar esclarecimentos apenas quando necessário, equilibrando a carga cognitiva do usuário com a necessidade de precisão.

Resultados Experimentais

O sistema foi avaliado em um ambiente doméstico simulado baseado em física com 66 entidades, 4 salas e 12 ações, e 5 perfis de usuários distintos. A avaliação envolveu 3.000 comandos ambíguos através de quatro níveis de ambiguidade (desde hiperônimos próximos até pronomes). Os modelos de referência incluíram um modelo baseado em dados referido no artigo como GPT-5.1 (citado como Singh et al. 2025 no texto original, que é um preprint de 2026).

• Desempenho vs. Baselines: O método proposto superou significativamente todos os modelos de referência, incluindo:
  • Baselines de LLM (GPT-5.1): Mesmo quando fornecidos com o mesmo histórico completo de interação e estado do mundo, os baselines de LLM (com e sem Cadeia de Pensamento/Chain-of-Thought) alcançaram uma precisão substancialmente menor (ex: 30,9% de média vs. 62,7% para o método proposto no modo noask) e solicitaram esclarecimentos com muito mais frequência.
  • Estudos de Ablação: Remover a hierarquia composicional (usando apenas identidades de objetos ou atributos brutos) ou remover os padrões de fluxo de trabalho resultou em quedas significativas de desempenho, particularmente sob alta ambiguidade.
• Transferência de Preferência: O sistema manteu alta precisão mesmo para alvos raros (entidades com pouco ou nenhum histórico direto) ao alavancar conceitos compartilhados, enquanto os baselines de nível de objeto falharam em generalizar.
• Especificidade do Usuário: O uso do histórico de um usuário incompatível degradou o desempenho para abaixo do nível de não ter histórico algum, confirmando a dependência do sistema em uma modelagem personalizada e precisa.
• Robustez: O método mostrou ganhos consistentes em todos os níveis de ambiguidade, com as maiores melhorias observadas quando a ambiguidade era máxima (referências de pronomes), onde os padrões de fluxo de trabalho tornaram-se críticos.

Significância e Alegações

O artigo afirma que a composicionalidade hierárquica e heurísticas simples oferecem uma alternativa viável aos abordagens puramente baseadas em dados para agentes assistivos. Os autores argumentam que:

• Eficiência e Adaptabilidade: Ao aproveitar estruturas composicionais, os agentes podem se adaptar rapidamente a perfis de usuários específicos a partir de um histórico de interação limitado, uma capacidade na qual os LLMs atuais têm dificuldade.
• Interpretabilidade e Controle: O uso de ASP e hierarquias de conceitos explícitas fornece um processo de raciocínio transparente, permitindo a auditoria e revisão do conhecimento do agente, ao contrário da natureza de "caixa preta" das redes profundas.
• Racionalidade Ecológica: O trabalho apoia a visão de que heurísticas, quando fundamentadas em capacidades centrais e estrutura de domínio, podem superar modelos estatísticos complexos em ambientes de mundo aberto e incertos, reduzindo a variância e focando em sinais relevantes.

Os autores posicionam este trabalho como um passo em direção a um objetivo de longo prazo de desenvolver agentes assistivos que utilizem ferramentas de IA modernas (como LLMs) como um componente dentro de uma arquitetura mais ampla, baseada em refinamento iterativo e aprendizado interativo.