Classificação automática de tarefas de mapas de quantidades e trabalhos
FOTO CAMPAIGN CREATORS/ UNSPLASH
A fase de adjudicação é crítica para os empreiteiros, determinando a capacidade de vencer concursos e gerar receita. Para concorrer, precisam apresentar propostas detalhadas avaliadas pelos donos de obra, analisando as tarefas do projeto e comparando-as com a base de dados interna de tarefas e preços, resultando no Mapa de Quantidades de Trabalho (MQT) [1].
Tradicionalmente, a classificação dos MQTs é manual e morosa, dependente da experiência do medidor orçamentista, sujeita a erros e atrasos. MQTs precisos são essenciais na construção para controlo orçamental, planeamento e alocação de recursos, prevenindo derrapagens, conflitos e atrasos [2].
Automatizar esta classificação é difícil devido à linguagem técnica não padronizada e à escassez de dados rotulados. O uso recente de inteligência artificial (IA) generativa e dados sintéticos abriu caminho para modelos de classificação mais eficazes. Modelos baseados em arquitetura transformer, como BERT ou GPTs, têm mostrado excelentes resultados em classificação multi-classe, aplicados com sucesso em análise de contratos, gestão de energia e avaliação de riscos [3].
Apesar de alguns estudos iniciais, a maioria dos estudos ignora a estrutura hierárquica complexa de capítulos e subcapítulos presente num MQT. Classificação eficaz exige compreensão técnica e preservação das relações hierárquicas [4]. Nenhum estudo aplicou esta tecnologia a MQTs em português, deixando uma lacuna que este trabalho pretende preencher.
Este estudo propõe um sistema que associa automaticamente descrições de tarefas a uma estrutura de MQT reconhecida, tornando o processo mais rápido, preciso e eficiente. Utiliza modelos de IA para aumentar eficiência e reduzir erros manuais. São comparadas três abordagens:
– Modelo few-shot ChatGPT;
– Rede neural BERT;
– Modelo LLaMA fine-tuned.
A análise avalia desempenho, adaptabilidade e aplicabilidade prática, explorando o potencial dos transformers na classificação automática de MQTs.
ESTADO DA ARTE DOS MODELOS TRANSFORMERS NA CLASSIFICAÇÃO DE TEXTO EM CONSTRUÇÃO
Impacto das inconsistências nos MQTs na construção
A construção é um dos setores mais relevantes da economia, mas continua a enfrentar frequentes derrapagens de prazos e orçamento [5]. Mesmo com avanços em planeamento e gestão, o controlo de custos permanece difícil, sendo os erros nos MQTs uma das principais causas [3]. Corrigir estas falhas logo na fase de adjudicação é essencial para garantir o cumprimento de prazos e orçamentos. O uso de dados e de abordagens baseadas em experiências anteriores melhora a precisão e reduz riscos [6].
Deep learning na classificação de texto na construção
O deep learning tem transformado a gestão de projetos, melhorando previsões, medições e decisões (...)
Luís Jacques de Sousa1,2, João Poças Martins1, Luís Sanhudo1,2
1 CONSTRUCT, Faculdade de Engenharia, Universidade do Porto
2 BUILT CoLAB – Collaborative Laboratory for the Future Built Environment
Outros artigos que lhe podem interessar