Diagnósticos Explicáveis para o Comportamento do Motorista: Uma Arquitetura Híbrida Borda-Nuvem com Memória Vetorial-Grafo e Geração Aumentada por Recuperação
Monitoramento do Motorista, Geração Aumentada por Recuperação (RAG), Busca Vetorial, Grafos de Conhecimento, Computação de Borda
O monitoramento da distração do motorista é um pilar da segurança viária, mas as tecnologias atuais são limitadas por analisarem o comportamento de forma isolada, frame-a-frame. Essa abordagem impede a compreensão do contexto temporal, a formação de uma memória de longo prazo e a capacidade de fornecer justificativas claras para os alertas. A hipótese central desta tese é que a integração de uma base de conhecimento híbrida — que une a busca por similaridade vetorial e a análise de padrões em grafo — com análise temporal na borda e Geração Aumentada por Recuperação (RAG) pode superar essas limitações. Para testar essa hipótese, propõe-se o Safe-Drive Inteligente, uma arquitetura inovadora (borda-nuvem) que dissocia a percepção imediata (na borda) da compreensão contextual profunda (na nuvem). Na nuvem, a solução constrói uma memória de longo prazo dual, utilizando busca vetorial para identificar precedentes por similaridade e um grafo de conhecimento para modelar as relações e os padrões causais entre os eventos. Por meio de um pipeline RAG otimizado, a solução consulta, prioriza e sintetiza informações de ambas as memórias para capacitar um Modelo de Linguagem a gerar diagnósticos que são não apenas precisos, mas também contextualizados e fundamentados em dois tipos de evidência: análoga e estrutural. Em síntese, este trabalho oferece um framework completo para o design e avaliação de soluções de monitoramento que unem raciocínio por similaridade e por padrão, resultando em uma solução não apenas eficiente, mas fundamentalmente mais transparente e confiável.