Desenvolvimento de chatbot para apoio à gestão de manutenção com base em dados de ordens de serviço

Abstract

Este trabalho apresenta a implementação e a avaliação de um primeiro passo no desenvolvimento de um chatbot de apoio à gestão da manutenção, com foco em Text-to-SQL, permitindo que analistas de planejamento e controle da manutenção façam perguntas em linguagem natural e obtenham respostas por meio da geração automática de consultas SQL. A solução foi integrada a um sistema de gestão da manutenção utilizado por indústrias na Bahia, tendo como fonte de dados um banco relacional em Microsoft Access, e emprega modelos de linguagem da família Qwen 2.5 (variantes Instruct e Coder), quantizados em 4 bits e executados localmente via llama.cpp, sem dependência de serviços em nuvem. A metodologia combinou revisão bibliográfica, estudo de caso e implementação experimental, incluindo a construção de um conjunto de validação com perguntas típicas do domínio de manutenção, organizado por níveis de dificuldade, e o desenvolvimento de um fluxo de processamento de dados em quatro etapas (seleção de tabelas, seleção de colunas, avaliação de joins e geração da SQL final), orquestrada em Python com LangChain. Experimentos em notebook e desktop avaliaram executabilidade e acurácia da SQL, aderência ao gabarito e latência. O modelo Coder gerou mais consultas executáveis, enquanto o Instruct teve melhor alinhamento semântico em parte dos casos. O desempenho caiu com o aumento da complexidade (especialmente com múltiplos joins e filtros temporais), e a latência variou fortemente conforme o hardware. Conclui-se que a abordagem é tecnicamente viável como alternativa para ampliar o acesso a dados de manutenção por profissionais que não dominam SQL em contextos com infraestrutura limitada, e que a arquitetura proposta e o conjunto de validação constituem uma base reutilizável para evoluções do protótipo e para estudos futuros em Text-to-SQL aplicado à manutenção industrial.

This work presents the implementation and an evaluation of a first step toward developing a maintenance management support chatbot, focused on Text-to-SQL, enabling maintenance planning and scheduling analysts to ask questions in natural language and obtain answers through the automatic generation of SQL queries. The solution was integrated into a computerized maintenance management system used by industries in Bahia, using a relational Microsoft Access database as the data source, and employs Qwen 2.5 family models (Instruct and Coder variants), quantized to 4 bits and executed locally via llama.cpp, without reliance on cloud services. The methodology combined a literature review, a case study, and experimental implementation, including the construction of a validation set with typical maintenance-domain questions organized by difficulty levels, and the development of a four-stage pipeline (table selection, column selection, join assessment, and final SQL generation), orchestrated in Python with LangChain. Experiments on a laptop and a desktop evaluated SQL executability and accuracy, alignment with the gold-standard SQL queries, and latency. The Coder model produced more executable queries, while the Instruct model showed better semantic alignment in some cases. Performance degraded as question complexity increased (especially with multiple joins and temporal filters), and latency varied strongly with hardware. The results indicate that the approach is technically feasible as an alternative to broaden access to maintenance data for professionals who do not master SQL in resource-constrained settings, and that the proposed architecture and validation set provide a reusable foundation for evolving the prototype and for future studies on Text-to-SQL applied to industrial maintenance.