Por que um planejador "compreensivo" é necessário
Cada passageiro escolhe uma rota à sua maneira. Para um, o mais importante é chegar mais rápido; para outro, fazer menos baldeações; um terceiro evita conscientemente ônibus ou quer reduzir caminhadas. Aplicativos de navegação padrão geralmente oferecem apenas algumas opções impessoais, ordenadas por tempo ou preço. As preferências individuais ficam de fora.
O framework ChatPlanner, descrito no preprint arXiv:2606.15315, propõe mudar essa situação. Os autores — Tingting Yang, Chenhao Xue e Jun Chen — desenvolveram uma abordagem em que o usuário explica seus desejos em palavras comuns, e o sistema os traduz em requisitos de rota. Isso expande significativamente os limites do roteamento clássico: o diálogo com o passageiro torna-se um sinal de entrada tão importante quanto o horário e o mapa de transporte.
A solução é construída em torno de grandes modelos de linguagem e já foi submetida ao periódico Transportation Research Part C. Pelo texto do trabalho, não se trata apenas de mais um chatbot: o modelo influencia diretamente a lógica de otimização da busca de rotas.
Arquitetura da solução
No centro do ChatPlanner está uma interface de diálogo que processa consultas em linguagem natural. O usuário pode escrever algo como "quero mais rápido, mas sem metrô" ou "não suporto longas esperas". A tarefa do framework não é apenas reconhecer as palavras, mas extrair delas parâmetros de roteamento: prioridades de tempo, número de baldeações, modos de transporte e outras características.
Para isso, utiliza-se uma combinação de dois mecanismos:
- LLM ajustada (fine-tuning) — responsável pela saída estruturada e treinada para reconhecer padrões típicos de preferências. Ela "entende" como os desejos são normalmente formulados e os padroniza em um formato único.
- Retrieval-Augmented Generation (RAG) — adiciona contexto relevante à consulta. Isso ajuda a resolver expressões ambíguas ou coloquiais e a calibrar com mais precisão avaliações contínuas — por exemplo, o grau de aversão a baldeações.
O resultado do processamento é um conjunto de pontuações de preferência (preference scores) para diferentes critérios. Essas pontuações são então integradas à função objetivo do algoritmo de roteamento de transporte público. Em outras palavras, a LLM não apenas reescreve uma rota pronta, mas participa ativamente de sua construção, ajustando a otimização ao passageiro específico.
Treinamento: personas e contextos
Para que o modelo tivesse o que aprender, os autores criaram conjuntos de dados que incluem oito personas e cinco contextos. Personas são tipos generalizados de passageiros com diferentes prioridades e hábitos: por exemplo, um estudante para quem o preço importa, um idoso com mobilidade limitada ou um viajante a negócios que valoriza cada minuto. Os contextos descrevem situações típicas — viagem ao aeroporto, horário de pico, passeio turístico e assim por diante.
Essa anotação é importante não apenas para o treinamento. Ela é usada para estabelecer padrões de referência de avaliação — "rubricas" — com as quais as respostas do sistema são comparadas. Graças a isso, é possível avaliar objetivamente o quão corretamente o framework extraiu preferências e parâmetros de rota do diálogo.
Experimentos e resultados
Para confirmar a viabilidade da abordagem, os pesquisadores realizaram quatro experimentos. Cada um verificava um aspecto específico:
- Viabilidade das soluções — se o sistema sempre oferece rotas reais e exequíveis.
- Extração de informações — o quão precisamente os parâmetros de roteamento e preferências são reconhecidos.
- Qualidade e completude do conjunto de soluções — quantas alternativas adequadas o framework gera e quão boas elas são.
- Latência e viabilidade computacional — se o sistema responde em tempo aceitável.
Os resultados mostraram que o ChatPlanner gera consistentemente soluções viáveis. O ajuste fino proporcionou a estrutura de saída necessária e permitiu que o sistema aprendesse padrões gerais de preferências. A RAG, por sua vez, forneceu o contexto da consulta específica — com ela, foi possível lidar com formulações imprecisas e coloquiais e calibrar corretamente as pontuações. A melhor precisão é alcançada com o uso conjunto de ambas as abordagens: a extração de informações torna-se não apenas mais precisa, mas também consistente com a rubrica.
Nos estudos de caso, o framework encontrou soluções que atendiam a diferentes desejos dos passageiros e abrangiam os mais variados aspectos da viagem. Essas rotas eram ignoradas pelos planejadores existentes. Além disso, o ChatPlanner gerava mais alternativas, dando ao usuário uma escolha significativa.
Desempenho
Os autores deram atenção especial à aplicabilidade prática. As medições de latência confirmam que o framework é computacionalmente viável: apesar do envolvimento de modelos de linguagem pesados e mecanismos adicionais de RAG, o sistema pode operar em tempo real. Esse é um argumento importante de que a abordagem não ficará apenas no laboratório, mas pode servir de base para serviços reais de planejamento de viagens.
Conclusões
A pesquisa do ChatPlanner é um passo em direção a um novo paradigma, no qual a compreensão da linguagem natural e a otimização de transporte não existem mais separadamente. Em vez de exigir que o passageiro defina parâmetros claramente, o sistema os extrai da conversa. O diálogo torna-se parte integrante do processo de otimização, e a busca de rotas, um serviço personalizado.
Por enquanto, é um desenvolvimento científico, mas seus resultados parecem convincentes: a combinação de fine-tuning e RAG permite alta precisão, e o desempenho permanece aceitável. Provavelmente, interfaces semelhantes logo aparecerão em aplicativos de transporte urbano, e a escolha de rota se tornará tão natural quanto conversar com um concierge.
