No mundo moderno da inteligência artificial, as máquinas são cada vez mais solicitadas a resolver problemas lendo vastas quantidades de informações. Imagine um bibliotecário que deve responder a uma pergunta específica sobre uma biblioteca contendo milhões de livros. Uma abordagem é ler cada um dos livros, capa a capa, antes de tentar uma resposta. Outra abordagem é dar ao bibliotecário um conjunto de ferramentas simples — uma maneira de consultar um catálogo de fichas, caminhar até uma prateleira específica e ler apenas as páginas relevantes. Este segundo método baseia-se na ideia de que uma máquina pode aprender a navegar em uma estrutura complexa sem precisar memorizar tudo com antecedência. Este é o desafio central de construir agentes que possam raciocinar sobre grafos de conhecimento, que são mapas digitais conectando fatos, conceitos e tabelas de dados. O objetivo é criar um sistema que possa encontrar a informação certa em uma rede de dados massiva e em constante mudança, de forma muito semelhante a um especialista humano, em vez de tentar forçar toda a rede em um único e esmagador espaço de memória.

Pesquisadores da Oplit desenvolveram um novo sistema chamado GRA, um Agente de Raciocínio em Grafos (Graph Reasoning Agent), para testar essa abordagem de navegação contra um método mais tradicional. Eles construíram um ambiente de fábrica simulado, completo com um gêmeo digital de suas operações, incluindo regras sobre como os produtos são fabricados, dados sobre pedidos e registros do desempenho das máquinas. Este ambiente, conhecido como Modelo de Conhecimento de Fábrica Unificada, contém centenas de perguntas analíticas que exigem que o sistema encontre respostas específicas conectando diferentes partes da informação. Algumas perguntas pedem números simples, enquanto outras exigem que o sistema compreenda regras complexas, como se um novo cronograma de produção é possível dado o estado atual da fábrica. Os pesquisadores queriam ver se um agente que explora esta fábrica digital passo a passo, usando um pequeno conjunto de ferramentas genéricas para buscar informações, poderia ter um desempenho melhor do que um agente ao qual é simplesmente alimentado com todo o manual da fábrica e o esquema do banco de dados de uma só vez.

A equipe testou três maneiras diferentes de lidar com esta tarefa. O primeiro método, que eles chamam de abordagem de contexto total (full-context approach), despeja toda a descrição da fábrica, incluindo cada tabela e regra, na memória da inteligência artificial antes de ela começar. Isso é como entregar ao bibliotecário o catálogo de toda a biblioteca e todos os livros do edifício antes de fazer uma única pergunta. O segundo método remove o mapa inteiramente, dando ao agente apenas uma lista de documentos de texto e tabelas para pesquisar, sem quaisquer conexões entre eles. O terceiro método, o GRA, dá ao agente um conjunto de sete ferramentas simples: ele pode listar o que está por perto, ler os detalhes de um item específico, pesquisar palavras, pesquisar significados, executar uma consulta de banco de dados, pensar em um plano e, finalmente, dar uma resposta. Crucialmente, o agente não conhece os nomes das tabelas ou das regras com antecedência; ele deve descobri-los usando estas ferramentas para explorar o grafo.

Os resultados mostraram que o agente que navegou o grafo passo a passo foi mais preciso do que aquele que tentou ler tudo de uma vez. Em um conjunto de teste de 258 perguntas, o agente de navegação respondeu corretamente 88,4 por cento das vezes, enquanto o agente que leu o contexto total respondeu corretamente 83,3 por cento das vezes. Mais importante ainda, o agente de navegação alcançou esta precisão mais alta enquanto lia menos de um terço da informação que o agente de contexto total teve que processar. Isso sugere que, para tarefas complexas, é melhor ver menos, mas ver de forma mais seletiva. O agente que leu tudo foi frequentemente sobrecarregado pelo volume massivo de texto, ao passo que o agente de navegação focou apenas nas peças específicas de dados necessárias para resolver o problema em questão.

Os pesquisadores também descobriram que o sucesso deste método de navegação dependia fortemente da confiabilidade das ferramentas utilizadas pelo agente. Quando o modelo de inteligência artificial era bom em seguir instruções e usar suas ferramentas sem cometer erros, a abordagem de navegação funcionava muito bem. No entanto, quando o modelo tinha dificuldade em usar as ferramentas corretamente, a vantagem desaparecia, e o método que lia tudo de uma vez apresentava um desempenho melhor. Isto indica que o benefício de navegar em um grafo vem da capacidade de buscar exatamente o que é necessário, mas isso só funciona se o agente puder ser confiado para buscar corretamente. O estudo descobriu que a estrutura do próprio grafo não era a razão principal para a melhoria; em vez disso, a melhoria veio do ato de acessar a informação de forma seletiva. Mesmo quando o grafo foi removido e o agente pesquisou através de texto plano, ele ainda superou o método de contexto total, provando que a chave era a estratégia de procurar pela informação, e não o ato de ler tudo.

Para demonstrar como isso funciona em um cenário do mundo real, os pesquisadores mostraram como o agente lidou com uma solicitação de um operador de fábrica. O operador perguntou se uma regra específica poderia ser seguida: que quadros de alumínio deveriam ser soldados em uma de duas estações específicas em uma segunda-feira. O agente não sabia a resposta imediatamente. Ele começou procurando pelas estações de soldagem no mapa digital. Ele descobriu que uma estação era, na verdade, restrita à soldagem de quadros de carbono apenas, uma regra que não era óbvia na solicitação do operador, mas que estava armazenada no grafo. Isso imediatamente descartou uma opção. O agente então verificou a outra estação e calculou se ela teria tempo suficiente para lidar com a carga de trabalho. Ele comparou estimativas de tempo padrão com dados históricos reais e descobriu que o trabalho real demorava mais do que o esperado, tornando a solicitação impossível de cumprir naquele dia. O agente retornou uma recusa clara, explicando os dois motivos específicos pelos quais a regra não poderia ser seguida e até sugeriu duas formas de corrigir o cronograma.

Em um segundo exemplo, um operador perguntou se era possível limitar o número de mudanças de cor em uma linha de montagem a três por turno. O agente navegou novamente o grafo para encontrar a definição de um turno e os registros de produção passada. Ele reproduziu dez meses de histórico para ver com que frequência esse limite teria sido excedido. Ele descobriu que, em um pequeno número de dias, o limite teria sido ultrapassado, mas não com tanta frequência que a regra fosse impossível de adotar. O agente concluiu que a regra era viável, mas carregava um pequeno risco sazonal. Assim que o operador confirmou isso, o sistema traduziu automaticamente a regra para um formato matemático que um solver de computador pudesse usar para gerenciar o cronograma da fábrica e, em seguida, registrou esta nova regra de volta no mapa digital para uso futuro.

Este trabalho demonstra que a inteligência artificial pode gerenciar efetivamente o conhecimento industrial complexo agindo como um investigador habilidoso, em vez de um leitor passivo. Ao usar um pequeno conjunto de ferramentas simples para explorar uma rede estruturada de fatos, o sistema pode responder a perguntas difíceis com maior precisão e eficiência do que ao tentar processar tudo de uma vez. O estudo mostra que ver menos, mas ver com um propósito, permite que o agente responda melhor. Esta abordagem é particularmente valiosa à medida que os conjuntos de dados crescem e se tornam mais complexos, eventualmente tornando-se grandes demais para caber em um único prompt de memória. Nestas situações, a capacidade de navegar e recuperar informações específicas torna-se o único caminho viável para a tomada de decisões inteligentes. Os pesquisadores concluem que o próximo passo é refinar o sistema para que ele possa não apenas julgar se uma regra é possível, mas também escrever automaticamente o código de computador necessário para aplicá-la, fechando o ciclo entre a instrução humana e a execução da máquina.