La verifica automatica di conformità nella progettazione antincendio si scontra con un ostacolo ricorrente: la struttura complessa dei codici tecnici, caratterizzati da terminologia specialistica, clausole gerarchiche e semantica regolatoria articolata. L’estrazione manuale delle entità rilevanti da tali disposizioni si rivela dispendiosa in termini di tempo e soggetta a errori per i professionisti del settore. Una recente ricerca pubblicata su Buildings (Vol. 16, Pages 2770) propone un approccio basato su Named Entity Recognition (NER) specifico per il dominio dei codici antincendio cinesi, con l’obiettivo di gettare le basi per sistemi di controllo automatico della conformità e gestione della conoscenza normativa.
Dataset annotato e categorie di entità per i codici antincendio
Per addestrare il modello è stato costruito un dataset esperto-annotato a partire da cinque codici antincendio rappresentativi. Il dataset comprende 2.748 disposizioni annotate, per un totale di 13.877 menzioni di entità distribuite su nove categorie. Le categorie coprono le principali componenti delle prescrizioni tecniche: elementi edilizi, sistemi di protezione, caratteristiche dei materiali, parametri geometrici, requisiti prestazionali e altri aspetti rilevanti per la progettazione antincendio. La struttura gerarchica delle clausole è stata preservata per garantire la tracciabilità delle informazioni.
Architettura del modello: RoBERTa-BiLSTM-CRF per l’estrazione di entità
Il sistema sviluppato combina tre componenti in una pipeline integrata. La base è costituita da RoBERTa, un modello linguistico pre-addestrato che fornisce rappresentazioni semantiche contestuali sensibili al dominio specifico. A valle, un livello BiLSTM (Bidirectional Long Short-Term Memory) cattura le dipendenze sequenziali bidirezionali all’interno delle disposizioni, modellando le relazioni tra termini consecutivi e non consecutivi. Infine, un livello CRF (Conditional Random Field) impone vincoli sulle transizioni tra etichette, assicurando che le sequenze di entità estratte siano coerenti con la struttura grammaticale delle norme.
Risultati quantitativi e performance del modello
I test condotti sul dataset annotato mostrano le seguenti metriche: precisione 88,34%, richiamo 88,31% e F1-score 88,32%. Tali valori indicano un equilibrio tra accuratezza e completezza nell’identificazione delle entità, con una ridotta incidenza di falsi positivi e falsi negativi. Il modello si dimostra in grado di gestire la varietà terminologica e le ambiguità semantiche tipiche dei codici antincendio, grazie alla combinazione di rappresentazioni contestuali e vincoli di sequenza.
Implicazioni operative per la gestione della conoscenza normativa
Le entità estratte possono essere organizzate in record strutturati e tracciabili, collegando ciascuna menzione alla disposizione di origine. Questo consente di costruire basi di conoscenza queryabili per il recupero automatico di requisiti, il confronto tra norme e la verifica di conformità. Per i professionisti della progettazione antincendio, l’adozione di strumenti NER specializzati riduce il carico di lavoro manuale nella lettura e interpretazione dei codici, facilitando l’integrazione con sistemi di Building Information Modeling (BIM) e piattaforme di controllo automatico della conformità.
La ricerca rappresenta un passo concreto verso l’automazione dei processi di compliance checking nel settore antincendio, con potenziali ricadute anche per altri ambiti normativi caratterizzati da una struttura documentale complessa.
Lascia un commento