3. Mapeamento Propriedade a Propriedade — Da Tarefa Humana à Tarefa Ciber-Física

A aplicação da Cognitive Continuum Theory a sistemas AI-IoT exige uma tradução cuidadosa. As onze propriedades da tarefa propostas na tradição de Hammond foram formuladas para caracterizar as condições que induzem modos de cognição mais intuitivos, mais analíticos ou mistos. Não são, portanto, atributos psicológicos estáveis do decisor; são propriedades da configuração informacional, temporal e estrutural do problema que esse decisor enfrenta. A tarefa pode induzir modos distintos conforme as pistas disponíveis, a sua apresentação, a incerteza do critério e o tempo para agir.

No domínio ciber-físico, esta distinção requer uma precaução adicional. O mesmo processo industrial pode constituir tarefas diferentes para componentes diferentes da cadeia de decisão. A política algorítmica pode receber uma matriz densa de séries temporais, variáveis derivadas e embeddings de sinais; o supervisor humano pode receber um painel resumido, uma classificação de risco, um alerta e uma recomendação. Não se deve, por isso, falar de "a tarefa" como se IA e humano enfrentassem necessariamente a mesma representação da realidade.

A classificação proposta distingue, consequentemente, três níveis:

$$\text{Ecologia física} \rightarrow \text{Representação disponível à IA} \rightarrow \text{Representação disponível ao supervisor}$$

A ecologia física é o processo real: equipamento, sensores, modos de falha, condições de operação e consequências. A representação algorítmica é o conjunto de sinais, transformações e variáveis efetivamente acessíveis à política input-output da IA. A representação supervisória é o conjunto de pistas apresentado ao humano: painel, alerta, score, relatório, explicação, histórico ou recomendação. O problema operacional pode ser único, mas as tarefas cognitivamente relevantes podem divergir entre estes três níveis.

Esta distinção é especialmente importante para a trilogia. O Artigo 3 classifica a estrutura da tarefa; o Artigo 4 perguntará que arquitetura de decisão é adequada a essa estrutura; e o Artigo 5 auditará se a política algorítmica e a política humana correspondem, de facto, ao ambiente e às pistas que lhes são disponibilizadas.

A tabela seguinte apresenta a tradução proposta das onze propriedades estruturais para tarefas AI-IoT. A polaridade intuitivo–analítico segue a tradição de Hammond: tarefas com muitas pistas, elevada redundância, baixa decomponibilidade, pouca certeza, apresentação simultânea e janela temporal curta tendem para o polo intuitivo; tarefas com menos pistas, medidas objetivas, baixa redundância, maior decomponibilidade, maior certeza, princípio organizador disponível, apresentação sequencial e tempo mais longo tendem para o polo analítico. A coexistência de propriedades em sentidos opostos é precisamente a condição típica da quasirracionalidade.

3.1. Número de pistas: o que conta como pista?

A tradução mais óbvia de "número de pistas" seria contar sensores. Essa solução é insuficiente. Dez sensores podem medir variações quase idênticas da mesma condição física; inversamente, um único sinal de vibração pode gerar dezenas ou centenas de atributos informativos — energia por banda de frequência, curtose, envelope, harmónicos, tendência temporal e indicadores de anomalia.

A unidade relevante não é, por isso, o sensor bruto, mas a pista efetivamente disponível na representação da tarefa. Para a IA, isso inclui as variáveis que entram realmente no pipeline de decisão, após pré-processamento e engenharia de atributos. Para o supervisor, inclui apenas aquilo que chega ao painel, ao alerta ou ao relatório. Um sistema pode operar sobre uma ecologia de muitas pistas, uma representação algorítmica de alta dimensionalidade e uma interface humana de três indicadores agregados.

Esta distinção impede um erro recorrente: concluir que uma tarefa é "complexa" para o supervisor porque o processo físico possui centenas de sinais, quando o painel apresenta apenas um score de risco, um nível de confiança e um alerta binário. Nesse caso, a tarefa humana pode ser simples em número de pistas, mas difícil por outras propriedades — por exemplo, pela opacidade do princípio organizador ou pela incerteza do critério.

3.2. Medição e distribuição: qualidade do sinal não é apenas precisão do sensor

A propriedade "medição das pistas" deve ser operacionalizada de modo mais amplo do que a precisão nominal de um sensor. Em AI-IoT, inclui:

• calibração e deriva ao longo do tempo;
• resolução e quantização;
• latência e sincronização entre fontes;
• falhas de comunicação;
• dados ausentes;
• alterações de firmware;
• mudanças na posição física do sensor;
• variabilidade introduzida pela carga, pelo ambiente ou pelo operador.

Uma temperatura pode ser medida com precisão elevada e, ainda assim, tornar-se uma pista fraca se o ponto de medição mudar, se a carga da máquina não for observada ou se diferentes regimes operacionais misturarem distribuições antes distintas.

A "distribuição dos valores" não deve ser reduzida à oposição simplista entre operação normal e eventos raros. Eventos de cauda rara são relevantes para o risco, mas a raridade, por si só, não determina uma posição no continuum. O que importa é se os valores observados produzem estados distinguíveis e interpretáveis ou se variam num espaço contínuo, instável e altamente dependente do contexto. A auditoria posterior deve registar esta propriedade como parte da ecologia da tarefa, sobretudo porque os casos críticos podem estar sub-representados nos dados de treino e de validação.

3.3. Redundância: propriedade da tarefa e antecedente da colinearidade

A redundância merece tratamento especial porque liga diretamente este artigo ao problema da colinearidade discutido no Artigo 5. Sensores de temperatura, vibração, potência elétrica e pressão podem todos responder, com diferentes atrasos e sensibilidades, ao mesmo processo de desgaste mecânico. A tarefa não passa a ter quatro fontes independentes de evidência apenas porque o painel mostra quatro gráficos.

Na CCT, elevada redundância desloca a tarefa para o polo intuitivo; pistas menos correlacionadas favorecem análise. No contexto AI-IoT, esta propriedade deve ser registada através de métricas empíricas — matriz de correlações, correlações parciais, condition number, variance inflation factors, redundância de informação ou dependência entre atributos derivados — mas a métrica não substitui a interpretação de engenharia. Duas variáveis podem apresentar correlação baixa na amostra e, ainda assim, constituir proxies do mesmo mecanismo físico em regimes operacionais específicos.

A contribuição conceptual é simple: a colinearidade não deve aparecer apenas no Artigo 5 como uma dificuldade estatística a reparar após a modelação. Ela é, antes disso, uma propriedade estrutural da tarefa. O Artigo 3 torna-a classificável ex ante; o Artigo 5 examinará as consequências dessa estrutura para estimar pesos, matching e uso humano da recomendação algorítmica.

3.4. Decomponibilidade e princípio organizador

A decomponibilidade pergunta se a tarefa pode ser separada em componentes relativamente independentes. Uma regra como "temperatura acima de $90^\circ\text{C}$ durante mais de 15 minutos" descreve uma subdecisão decomponível. Já a identificação de degradação incipiente a partir da combinação entre vibração, carga, lubrificação, regime térmico e alterações de frequência pode ser essencialmente multivariada.

A disponibilidade de um princípio organizador é diferente, embora relacionada. Uma tarefa pode ser pouco decomponível e, ainda assim, ter um modelo físico robusto. Por exemplo, um engenheiro pode saber que um padrão de harmónicos, sob determinada carga e temperatura, corresponde a desgaste de rolamento, embora o padrão não seja redutível a um único limiar. Inversamente, uma correlação estatística pode ser altamente preditiva sem oferecer princípio físico que permita ao supervisor compreender por que razão deve confiar nela.

Esta distinção permite evitar uma oposição simplista entre "regras" e "machine learning":

• uma regra baseada em engenharia é mais defensável quando há princípio organizador conhecido, medidas fiáveis e uma relação estável entre sinais e critério;
• modelos estatísticos ou de machine learning podem ser apropriados quando a tarefa é multivariada, pouco decomponível ou dependente de interações complexas;
• mas um modelo estatístico não torna a tarefa automaticamente analítica, nem a ausência de explicação a torna automaticamente intuitiva.

A classificação continua a ser da tarefa, não da tecnologia escolhida para a resolver.

3.5. Certeza, não linearidade e ponderação

A certeza diz respeito à estabilidade da relação entre a evidência disponível e o critério relevante. Uma relação pode ser fisicamente determinista em princípio e, na prática, incerta devido a observação parcial, mistura de regimes, dados em falta, alterações de manutenção ou múltiplas causas que produzem o mesmo padrão aparente.

A propriedade "relação pistas–critério" deve ser particularmente bem delimitada, porque será retomada no Artigo 5. Uma degradação térmica gradual pode aproximar-se de uma relação linear; falhas catastróficas podem depender de limiares, interações, histerese ou transições bruscas de regime. A formulação clássica da CCT associa relações lineares ao polo intuitivo e relações não lineares ao polo analítico — uma polaridade que pode parecer contraintuitiva a leitores habituados a associar cálculo formal a modelos lineares. O artigo deve manter a polaridade original, mas não deve transformar esta propriedade numa regra causal forte sobre tecnologias de IA.

Em particular, uma relação não linear no processo físico não equivale automaticamente a um valor elevado de $C$ na Lens Model Equation. $C$ é uma correlação residual entre componentes não explicadas pelos modelos lineares do ambiente e do juiz; pode refletir padrões não lineares partilhados, mas também outras formas de estrutura residual. O Artigo 3 classifica a possibilidade estrutural de não linearidade na tarefa; o Artigo 5 avaliará se existe correspondência residual observável entre política e ambiente.

A ponderação das pistas pergunta se todas contribuem de maneira aproximadamente comparável ou se a decisão depende de poucas pistas de peso muito desigual. No domínio industrial, os pesos podem mudar por modo de falha: vibração pode dominar a deteção de falhas de rolamento, enquanto pressão, temperatura e caudal podem ser mais relevantes para degradação hidráulica. Assim, a classificação deve ser feita por tarefa e modo de falha, não por ativo industrial em abstrato.

3.6. Apresentação e duração: formalizar o temporal aliasing

As propriedades de apresentação e duração estabelecem a ligação mais direta entre este artigo e o Artigo 2. O que ali foi descrito como erosão da validade ecológica da supervisão por temporal aliasing pode agora ser formulado como uma combinação classificável de duas propriedades da CCT:

• a apresentação das pistas determina se o supervisor recebe informação simultânea, fragmentada, sequencial, sumarizada ou filtrada por alertas;
• a duração da decisão determina se existe tempo para inspecionar contexto, consultar tendências, pedir validação ou rever uma recomendação antes de agir.

A duração não é o intervalo até a falha se manifestar. É a janela entre o momento em que a decisão se torna necessária e o momento em que uma ação deixa de ter valor prático, económico ou seguro. Uma falha pode ocorrer apenas dias depois, mas exigir uma decisão em segundos; ou pode representar risco imediato, mas permitir horas de diagnóstico antes da intervenção.

Um painel que revela um score de risco antes dos sinais subjacentes, por exemplo, pode deslocar a tarefa humana para uma forma de decisão ancorada pela recomendação. Um painel que apresenta primeiro tendências, contexto operacional e incerteza, e só depois a recomendação, pode induzir uma integração diferente das mesmas pistas. Isso não demonstra, por si só, melhor desempenho; torna, porém, a estrutura informacional da supervisão observável e classificável.

Regra de Aplicação

Para evitar classificações impressionistas, cada propriedade deve ser registada numa ficha de tarefa com quatro campos:

O resultado não deve ser apresentado como uma verdade objetiva sobre a tarefa. É uma classificação explícita, revisável e auditável. Dhami e Thomson (2012) alertam precisamente que as propriedades são difíceis de decompor de maneira completamente objetiva e que a CCT não especifica quanto cada propriedade desloca o modo cognitivo. Trabalho qualitativo recente sobre a aplicação da CCT a decisões de risco — por exemplo, Conlon, Raeburn & Wand (2024), sobre avaliação de risco em saúde mental por enfermeiros — continua a documentar precisamente este tipo de dificuldade na prática. A honestidade metodológica exige que cada atribuição seja justificada e que os casos ambíguos sejam mantidos como ambíguos, em vez de forçados para um dos polos.

Ilustração Preliminar: Argus

Considere-se, a título ilustrativo, duas tarefas que podem surgir no Argus.

A primeira é a deteção de anomalia térmica num motor, em regime operacional conhecido. Se a decisão assentar em poucos sensores calibrados, com tendência térmica estável, limiares de engenharia conhecidos, relação física compreensível e tempo suficiente para confirmar o alerta, a tarefa aproxima-se do polo analítico. Ainda assim, pode permanecer quasirracional se a carga do motor, a ventilação ambiente e os ciclos de operação alterarem a interpretação da temperatura.

A segunda é a previsão de falha de rolamento a partir de vibração. A tarefa pode envolver sinais de alta frequência, atributos derivados, forte redundância entre medidas, interação com carga e velocidade, múltiplos modos de falha e escassez de eventos positivos. Mesmo que a interface humana seja resumida a um score único, a ecologia e a representação algorítmica podem ser estruturalmente complexas, pouco decomponíveis e incertas. A classificação provável não é "intuitiva" ou "analítica" em sentido puro, mas quasirracional: diferentes propriedades apontam em direções opostas.

Essa diferença importa para o desenho posterior. Não se deve exigir do supervisor que reproduza mentalmente a inferência algorítmica numa tarefa de alta dimensionalidade e baixa decomponibilidade; mas também não se deve tratar uma recomendação opaca como critério suficiente de ação quando a interface impede avaliar a sua validade contextual.

A secção seguinte transformará estas classificações num Task Continuum Index adaptado. Esse índice não demonstrará que humano, IA ou sistema híbrido respondem no modo induzido pela tarefa. Mostrará apenas a posição estrutural da tarefa no continuum. A diferença entre o modo que a tarefa reclama e a política efetivamente executada pelo sistema é precisamente aquilo que o Artigo 5 poderá auditar através de $G$, $R_s$, dos pesos de pistas e da relação com o critério.