Editorial ilmu komputer
Open AccessOA2026
SHACR: Kerangka Semi-Otonom Berbantuan Graf untuk Resolusi Konflik Multi-Kelas dalam Otomasi IoT Rumah Pintar
Membumikan penalaran LLM pada graf pengetahuan formal menurunkan galat klasifikasi sebesar 36,7% dan menaikkan dari 0,59 ke 0,95 dalam deteksi konflik rumah pintar.
Leena Marghalani; Walid Aljoby; Suayb S. Arslan· 2026· DOI 10.48550/arXiv.2606.22312
Masalah inti
Sistem otomasi rumah pintar semakin bergantung pada aturan yang ditentukan pengguna yang mengoordinasikan perangkat IoT yang heterogen. Meskipun aturan individual tampak tidak berbahaya, eksekusi bersamaan mereka menciptakan interaksi lintas aturan yang tersembunyi melalui perangkat bersama, variabel lingkungan, dan topologi fisik. Interaksi ini dapat menghasilkan perilaku yang tidak aman, boros, atau mengancam privasi yang tetap tak terlihat bagi analisis berbasis teks saja. Detektor konflik yang ada bersifat terpisah-pisah: mereka menangkap konflik sintaksis statis atau interaksi spesifik yang dimediasi lingkungan, tetapi tidak menyatukan keduanya atau memberikan perbaikan yang dapat ditindaklanjuti bagi pengguna non-ahli. Makalah ini memperkenalkan SHACR, sebuah kerangka yang menambatkan ketidakpastian Large Language Model (LLM) dengan membumikan penalarannya pada graf pengetahuan berarah yang formal. SHACR mengodekan perangkat, kapabilitas, status fisik, dan aturan Trigger-Condition-Action (TCA) sebagai entitas bertipe yang dapat dilalui. Dengan mengangkat hubungan sebab-akibat fisik menjadi sisi graf kelas satu, SHACR mengubah deteksi konflik dari inferensi teks yang rapuh men
Inovasi
Evaluasi pada testbed 203 aturan di 70 apartemen menunjukkan peningkatan yang signifikan. Dengan menjaga LLM yang mendasarinya tetap dan memperkenalkan graf pengetahuan SHACR, galat klasifikasi turun sebesar 36,7%. Skor naik dari 0,59 ke 0,79. Kalibrasi few-shot lebih lanjut menaikkan ke 0,95, sedangkan kalibrasi yang sama hampir tidak membantu LLM tanpa graf. Hasil ini menunjukkan bahwa graf pengetahuan memberikan dorongan substansial pada akurasi deteksi konflik, dan bahwa kalibrasi lebih efektif bila dikombinasikan dengan pengetahuan terstruktur. Penurunan galat dan kenaikan konsisten di seluruh kelas konflik, menunjukkan bahwa pendekatan terpadu menangani konflik logis, semantik, dan fisik secara efektif. Alur kerja loop tertutup juga menghasilkan perbaikan yang dapat ditindaklanjuti yang divalidasi terhadap graf, memastikan bahwa perbaikan yang disarankan tidak menimbulkan konflik baru.
Sistem otomasi rumah pintar semakin bergantung pada aturan yang ditentukan pengguna yang mengoordinasikan perangkat IoT yang heterogen. Meskipun aturan individual tampak tidak berbahaya, eksekusi bersamaan mereka menciptakan interaksi lintas aturan yang tersembunyi melalui perangkat bersama, variabel lingkungan, dan topologi fisik. Interaksi ini dapat menghasilkan perilaku yang tidak aman, boros, atau mengancam privasi yang tetap tak terlihat bagi analisis berbasis teks saja. Detektor konflik yang ada bersifat terpisah-pisah: mereka menangkap konflik sintaksis statis atau interaksi spesifik yang dimediasi lingkungan, tetapi tidak menyatukan keduanya atau memberikan perbaikan yang dapat ditindaklanjuti bagi pengguna non-ahli. Makalah ini memperkenalkan SHACR, sebuah kerangka yang menambatkan ketidakpastian Large Language Model (LLM) dengan membumikan penalarannya pada graf pengetahuan berarah yang formal. SHACR mengodekan perangkat, kapabilitas, status fisik, dan aturan Trigger-Condition-Action (TCA) sebagai entitas bertipe yang dapat dilalui. Dengan mengangkat hubungan sebab-akibat fisik menjadi sisi graf kelas satu, SHACR mengubah deteksi konflik dari inferensi teks yang rapuh menjadi penelusuran graf multi-hop yang deterministik, menyatukan kelas konflik logis, semantik, dan fisik. Kerangka ini menjalankan alur kerja Scan-Explain-Repair-Validate loop tertutup yang menggunakan graf untuk membatasi ruang aksi LLM. Karya ini menantang paradigma AI saat ini dengan menetapkan bahwa representasi pengetahuan terstruktur lebih kritis untuk manajemen otomasi IoT yang andal daripada rekayasa prompt atau arsitektur model yang mendasarinya.
SHACR membangun graf pengetahuan berarah di mana simpul merepresentasikan perangkat, kapabilitas, status fisik, dan aturan TCA, dan sisi mengodekan hubungan seperti asosiasi perangkat-kapabilitas, dependensi status, dan tautan sebab-akibat fisik. Graf ini berfungsi sebagai substrat formal untuk deteksi konflik. Kerangka ini mendefinisikan tiga kelas konflik: logis (misalnya, aksi yang bertentangan pada perangkat yang sama), semantik (misalnya, kondisi yang tumpang tindih dengan hasil yang bertentangan), dan fisik (misalnya, interaksi lingkungan seperti suhu yang memengaruhi sensor). Deteksi dilakukan melalui penelusuran graf multi-hop, yang secara deterministik mengidentifikasi konflik dengan mengikuti sisi bertipe. LLM diintegrasikan dalam alur kerja Scan-Explain-Repair-Validate loop tertutup: graf membatasi ruang aksi LLM, memastikan bahwa penjelasan dan perbaikan dibumikan pada struktur graf. LLM menghasilkan penjelasan yang dapat dibaca manusia dan saran perbaikan, yang kemudian divalidasi terhadap graf untuk memastikan konsistensi. Pendekatan semi-otonom ini menggabungkan fleksibilitas LLM dengan keandalan representasi pengetahuan formal. Sistem dievaluasi pada testbed 203 aturan yang diterapkan di 70 apartemen dalam sebuah gedung pintar, dengan LLM yang mendasarinya dijaga tetap untuk mengisolasi efek graf pengetahuan.
Mengapa penting
Hasil ini menantang penekanan yang berlaku pada rekayasa prompt dan arsitektur model dalam AI untuk IoT. SHACR menunjukkan bahwa representasi pengetahuan terstruktur adalah faktor yang jauh lebih kritis untuk manajemen otomasi IoT yang andal. Dengan membumikan penalaran LLM pada graf formal, kerangka ini mengubah deteksi konflik dari inferensi teks yang rapuh menjadi penelusuran graf multi-hop yang deterministik. Ini tidak hanya meningkatkan akurasi tetapi juga memberikan kemampuan penjelasan dan perbaikan yang dapat ditindaklanjuti bagi pengguna non-ahli. Alur kerja semi-otonom menyeimbangkan otomasi dengan pengawasan manusia, karena keluaran LLM dibatasi dan divalidasi oleh graf. Pendekatan ini menyatukan metode deteksi konflik yang sebelumnya terpisah-pisah, menangani konflik logis, semantik, dan fisik dalam satu kerangka. Batasan meliputi kebutuhan untuk membangun dan memelihara graf pengetahuan, yang mungkin memerlukan keahlian domain. Pekerjaan selanjutnya dapat mengeksplorasi konstruksi graf otomatis dari dokumentasi perangkat dan memperluas kerangka ke lingkungan multi-pengguna. Secara keseluruhan, SHACR menunjukkan bahwa graf pengetahuan adalah alat yang ampuh untuk meningkatkan keandalan LLM dalam aplikasi IoT yang kritis terhadap keselamatan.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…