La verifica automatizzata di conformità normativa per la progettazione antincendio richiede l’estrazione accurata di entità tecniche da disposizioni spesso redatte con linguaggio specialistico e strutture gerarchiche complesse. I codici di prevenzione incendi contengono una terminologia altamente settoriale, clausole articolate in livelli e una semantica regolatoria che rende il lavoro manuale di estrazione lungo e soggetto a errori. Un gruppo di ricercatori ha sviluppato un approccio di riconoscimento di entità nominate (NER) specificamente calibrato sui codici cinesi di progettazione antincendio, con l’obiettivo di fornire una base strutturata per sistemi di controllo di conformità automatici.
Il dataset annotato e le categorie di entità
Per addestrare e validare il modello è stato costruito un dataset con la supervisione di esperti del settore, partendo da cinque codici rappresentativi della normativa antincendio cinese. Il corpus finale comprende 2748 disposizioni annotate, all’interno delle quali sono state identificate 13.877 occorrenze di entità, distribuite in nove categorie distinte. Le categorie coprono gli elementi cardine della disciplina: tipologie di edifici, sistemi di protezione attiva e passiva, requisiti dimensionali, materiali, distanze di sicurezza, percorsi di esodo, compartimentazioni, dispositivi di rilevazione e spegnimento, nonché parametri prestazionali. La copertura semantica del dataset consente di affrontare la varietà lessicale e le ambiguità proprie dei testi normativi.
Architettura del modello di riconoscimento
Il sistema proposto integra tre componenti in una pipeline sequenziale. La base è costituita da RoBERTa, un modello preaddestrato di tipo transformer che fornisce rappresentazioni contestuali del testo, catturando le relazioni semantiche tra parole anche in presenza di terminologia tecnica. A valle è inserito un livello BiLSTM (bidirectional long short-term memory) che modella le dipendenze sequenziali bidirezionali, essenziali per comprendere la struttura delle clausole e la dipendenza tra entità vicine. Il terzo strato è un Conditional Random Field (CRF) che introduce vincoli sulle transizioni tra etichette, assicurando che le sequenze di entità predette siano coerenti con le regole sintattiche delle disposizioni (ad esempio, evitando etichette consecutive non ammesse). L’architettura RoBERTa-BiLSTM-CRF combina quindi la profondità semantica del linguaggio con la modellazione delle sequenze e i vincoli strutturali tipici della codifica normativa.
Prestazioni e risultati
Le valutazioni condotte sul dataset annotato mostrano risultati omogenei tra le tre metriche principali: precisione all’88,34%, recall all’88,31% e F1-score all’88,32%. La sostanziale equivalenza tra precisione e recall indica un equilibrio tra la capacità di evitare falsi positivi e quella di non omettere entità rilevanti. Il modello si dimostra efficace nel gestire le ambiguità lessicali e le strutture gerarchiche dei testi, restituendo entità estraibili in forma di record strutturati e tracciabili. Questi record possono essere organizzati in database o grafi di conoscenza, collegando ogni entità alla disposizione normativa di origine.
La possibilità di disporre di entità estratte automaticamente e riconducibili alla fonte normativa apre la strada a sistemi di knowledge management per la prevenzione incendi e, a cascata, a strumenti di verifica di conformità automatizzata. Per il progettista e il direttore dei lavori, ciò significa ridurre il tempo di consultazione manuale dei codici e disporre di un supporto digitale per la verifica puntuale dei requisiti, ferma restando la responsabilità professionale della corretta interpretazione e applicazione della norma.
Lascia un commento