Resumo Técnico: Um Framework Agêntico Utilizando Regras e LLMs para Incorporação e Anotação de Layouts de Documentos Descritivos

Declaração do Problema

A extração de dados estruturados de características botânicas a partir de literatura taxonômica não estruturada e histórica apresenta desafios significativos. Embora plataformas internacionais como o World Flora Online (WFO) e o Global Biodiversity Information Facility (GBIF) agreguem vastas quantidades de dados de distribuição e taxonomia de plantas, os textos descritivos subjacentes — frequentemente monografias de décadas atrás digitalizadas como PDFs escaneados — permanecem difíceis de processar em escala. Esses documentos sofrem com erros de Reconhecimento Óptico de Caracteres (OCR), formatação inconsistente e variações linguísticas complexas na descrição de características morfológicas.

Métodos existentes de Recuperação de Informação (IR) e Extração de Conhecimento, incluindo representações vetoriais densas/esparsas, indexação de passagens e aplicações padrão de Grandes Modelos de Linguagem (LLMs), muitas vezes carecem da adaptação ontológica específica de domínio necessária para corpora científicos especializados. Abordagens puramente neurais podem ter dificuldade com a precisão necessária para a extração de características estruturadas, enquanto sistemas baseados puramente em regras falham em capturar o vocabulário extenso e variável utilizado por botânicos. Além disso, a aplicação direta de LLMs via prompts de Question Answering (QA) demonstrou baixa precisão (aprox. 60%) e problemas de alucinação quando aplicada a tarefas de extração botânica fatual sem restrições rigorosas.

Metodologia

Os autores propõem um pipeline modular, baseado em agentes, projetado para preencher a lacuna entre a extração determinística baseada em regras e a flexibilidade semântica dos LLMs. O framework opera através de cinco estágios sequenciais, onde cada estágio é gerenciado por um conjunto de agentes dependentes dos outputs dos anteriores:

1. OCR e Pré-processamento: PDFs escaneados (variando de 1845 a 2000) são convertidos em texto legível por máquina usando Tesseract OCR (v5.5.0), que integra redes LSTM para melhor manipulação de dados sequenciais.
2. Reconhecimento e Normalização de Nomes de Espécies (WordGen): Para abordar erros induzidos pelo OCR e variações tipográficas, os autores desenvolveram o WordGen, um algoritmo de correspondência difusa (fuzzy matching). Ele utiliza regras de transformação (inserção, deleção, substituição) e correspondência de prefixo contra um dicionário curado de 1,2 milhão de nomes únicos de espécies (combinado do WCVP, TRY e WFO). Esta etapa normaliza nomes e trata subespécies como sinônimos de suas espécies parentais.
3. Segmentação e Indexação de Texto: O texto é segmentado em blocos específicos de gênero para reduzir a ambiguidade, uma vez que epítetos específicos podem ser compartilhados entre gêneros. Dentro desses blocos, o sistema identifica e indexa passagens que descrevem espécies individuais, mapeando linhas de início e fim para características taxonômicas específicas.
4. Extração de Conhecimento Baseada em Regras: Um conjunto de 28 características morfológicas (ex: forma da folha, textura do caule) é extraído usando parsers determinísticos. Esses parsers dependem de marcadores colocados no corpus (ex: marcadores primários como "folha" e marcadores secundários como intervalos numéricos com unidades). Cada parser opera como um agente independente.
5. Enriquecimento de Vocabulário Impulsionado por LLM (Aprendizado de Classe de Objeto - OCL): Para superar as limitações de regras estáticas, o framework emprega um algoritmo iterativo de OCL usando um ensemble de LLMs (GPT-4, LLaMA, Mistral). Este processo expande o vocabulário das regras de extração ao identificar novos termos associados a conceitos conhecidos (ex: descobrir novos tipos de caule como "rastejante" ou "trepador" com base em sentenças de exemplo). A intervenção humana é necessária para validar e integrar esses termos candidatos, garantindo a explicabilidade.

Principais Contribuições

O artigo destaca três inovações primárias:

• Arquitetura Agêntica Modular: Um pipeline que integra OCR, segmentação de documentos e indexação de passagens com raciocínio aprimorado por LLM especificamente para a extração de características interpretáveis e em larga escala de corpora botânicos.
• Anotação Híbrida Baseada em Regras e Impulsionada por LLM: Uma estratégia que combina padrões linguísticos determinísticos com enriquecimento iterativo de vocabulário. Isso mantém a transparência e a precisão dos sistemas baseados em regras, enquanto utiliza LLMs para melhorar a cobertura e lidar com a terminologia específica do domínio.
• Demonstração Escalável em Datasets Globais: O framework foi aplicado a milhares de descrições de espécies de floras regionais da Nova Caledônia, Senegal e Camarões, processando com sucesso mais de 55.000 anotações de características.

Resultados

O sistema foi avaliado em três datasets botânicos regionais compreendendo aproximadamente 550 monografias.

• Volume de Extração: O pipeline extraiu 55.737 anotações de características em 4.961 espécies, com uma média de 9,1 características por espécie.
• Impacto do Enriquecimento por LLM: A integração do enriquecimento de vocabulário via LLM melhorou significativamente o desempenho do sistema. Afetou 75% das características e aumentou o número total de anotações em 59% em comparação com a extração apenas baseada em regras.
• Robustez: Embora a escolha do motor de OCR tenha tido um efeito menor na precisão do reconhecimento de espécies, o número total de anotações permaneceu estável, demonstrando a resiliência do pipeline a variações de processamento upstream.
• Estudo de Ablação: A remoção do agente de enriquecimento por LLM resultou em menor cobertura, confirmando seu valor. No entanto, o estudo observa que a automação total é atualmente limitada pela necessidade de intervenção humana para selecionar termos candidatos do processo de OCL.
• Comparação com Baseline: Um teste de baseline usando um único LLM monolítico para Question Answering direto (sem o pipeline agêntico) rendeu apenas 56% de precisão para detecção de inflorescência e 67% para presença de frutos, reforçando a necessidade da abordagem híbrida estruturada.

Significância e Alegações

O artigo afirma que este framework oferece uma solução transparente e explicável para a construção de bancos de dados estruturados de características de plantas, que são recursos críticos para a pesquisa em taxonomia, ecologia e biodiversidade. Ao equilibrar a precisidade dos métodos baseados em regras com as capacidades de expansão de vocabulário dos LLMs, a abordagem aborda os desafios específicos da literatura botânica histórica e multilíngue.

Os autores posicionam seu trabalho não como um substituto totalmente autônomo para especialistas humanos, mas como uma ferramenta escalável que aumenta a cobertura enquanto mantém a interpretabilidade. A dependência do refinamento de regras guiado por humanos é reconhecida como uma limitação atual para a automação total, mas é enquadrada como um passo necessário para garantir a confiabilidade e a explicabilidade dos dados extraídos. O framework demonstra com sucesso que sistemas de LLM agênticos podem ser efetivamente adaptados para domínios científicos especializados onde modelos de recuperação genéricos costumam falhar.