Uma metodologia baseada em Agentes com Avaliação Autônoma para Extração de Conhecimento em Textos Técnicos
Geração Aumentada por Recuperação (RAG), Modelos de Linguagem de Grande Escala, Sistemas Multiagente, Redes Industriais, Recuperação de Conhecimento, Documentação Técnica.
Este trabalho desenvolve uma metodologia para recuperar e sintetizar conhecimento a partir de documentação técnica complexa, utilizando arquiteturas de Inteligência Artificial generativa. A abordagem é investigada através da análise e comparação de três configurações: (i) um modelo de linguagem de grande escala (LLM), (ii) um modelo RAG (Geração Aumentada por Recuperação) de agente único, e (iii) uma configuração RAG multiagente. Para validar esta metodologia, foi realizado um estudo de caso representativo com base em textos técnicos do protocolo PROFIBUS. O desempenho foi avaliado usando métricas quantitativas (como ROUGE, METEOR, MATTR, BERTScore) e qualitativas (LLM-as-a-Judge). Os resultados indicam que a orquestração multiagente melhora a precisão contextual e a estrutura do conteúdo ao processar textos industriais complexos, demonstrando o potencial da IA generativa para apoiar a automação centrada no ser humano na Indústria 5.0.