Large Language Models Powered Expert Systems for Decision Making in Facility Management

La crescente complessità dei processi decisionali nel Facility Management richiede sistemi intelligenti capaci di integrare l’esperienza umana con tecnologie adattive. I sistemi esperti tradizionali, pur affidabili ed esplicabili, restano statici e limitati, e faticano ad affrontare domini dinamici e ricchi di dati come la sicurezza antincendio, dove occorre conciliare informazioni non strutturate, vincoli normativi e di salvaguardia della vita. I Large Language Models (LLMs) offrono capacità rilevanti di estrazione e ragionamento, ma mancano della struttura e della trasparenza necessarie nei contesti ad alto rischio. Questa tesi propone un framework ibrido di knowledge engineering umano ed AI, che unisce il formalismo di CommonKADS al ragionamento adattativo degli LLM mediante la metodologia Chain-of-Agents (CoA). Il framework CoA interpreta il knowledge engineering come un processo di progettazione continuo. Invece di costruire un sistema esperto statico, esso genera un sistema decisionale che si adatta ai casi specifici. Basandosi sulla Knowledge Level Theory di Allen Newell, si distingue un meta-livello (progettazione della conoscenza) e un livello applicativo (esecuzione), permettendo una co-evoluzione tra formulazione del problema e risoluzione. Al meta-livello, sotto la supervisione umana, gli LLM trasformano informazioni non strutturate (come narrazioni e planimetrie) in parametri strutturati e poi producono il workflow CoA. Gli esperti validano ogni output, garantendo tracciabilità e coerenza. Al livello applicativo, la catena validata di agenti LLM esegue i compiti di ragionamento autonomo, generando raccomandazioni interpretabili. La ricerca applica il CoA alla sicurezza antincendio, uno dei settori più complessi della gestione del patrimonio costruito. Attraverso casi di studio basati su incidenti storici riportato dalla National Fire Protection Association (NFPA), il sistema mostra come gli LLM possano estrarre parametri, derivare regole e proporre strategie di prevenzione ed evacuazione a partire dalle informazioni presenti nei testi e planimetrie bidimensionali. Esperimenti preliminari eseguiti con GPT-4.1, Gemini 2.5 Flash e Ollama LLaMA-3 (one-shot, few-shot e Chain-of-Thought) hanno valutato le prestazioni dei modelli e identificato Gemini 2.5 Flash come il più adatto per le esecuzioni CoA. Infatti, il confronto tra CoA e prompt one-shot mostra che, mentre quest'ultimo ha prodotto output incompleti e generici, CoA ha generato risultati strutturati e sensibili al contesto. Le valutazioni effettuate da ingegneri qualificati nel settore della progettazione antincendio, confermano che il sistema CoA migliora spiegabilità, coerenza e solidità tecnica rispetto ai singoli LLM. Gli LLM mostrano tuttavia una tendenza all’eccessivo ottimismo, evidenziando la necessità di audit umani d coinvolgere neo ragionamento. Il meccanismo AI-in-the-loop permette infatti agli esperti di verificare e correggere iterativamente la conoscenza generata, riducendo allucinazioni e garantendo la presa di responsabilità. Combinando adattabilità degli LLM e rigore del knowledge engineering, il framework offre un’automazione affidabile ed esplicabile. In conclusione, la ricerca propone un modello epistemico che considera la creazione della conoscenza come un processo dinamico e iterativo, supervisionato dall’uomo e supportato dall’AI. Questo modello orienta il Facility Management verso un paradigma centrato sulla conoscenza, permettendo la generazione in pochi minuti di sistemi adattati al caso specifico. Sebbene validato sulla sicurezza antincendio degli edifici, la metodologia offre basi per la generazione di sistemi adattivi anche in altri ambiti dell’ambiente costruito, spiegabili e affidabili. Ricerche future potranno valutare l’allineamento agli standard e l’applicazione in altri domini di applicazione rappresentativi.