PROCESSAMENTO DE LINGUAGEM NATURAL APLICADO À CLASSIFICAÇÃO DE MQT EM CONSTRUÇÃO

Nos concursos públicos de Construção, os Mapas de Quantidades de Trabalhos (MQT) descrevem e quantificam as tarefas a executar. A classificação destas descrições consiste em interpretar o texto e associá-lo às categorias técnicas reconhecidas pelos concorrentes, permitindo atribuir preços e elaborar o orçamento do concurso. Este processo é tradicionalmente realizado manualmente por especialistas, dependendo da sua experiência individual e sendo moroso e suscetível a erros. Neste estudo, propomos uma abordagem baseada em Processamento de Linguagem Natural (NLP) para acelerar a classificação das descrições de MQT. O objetivo é apoiar o especialista, permitindo-lhe focar-se na validação das classificações e aumentando a eficiência do processo. Foram comparados métodos tradicionais, como TF-IDF e redes LSTM, com arquiteturas baseadas em transformadores, nomeadamente BERT-HAN, LLaMA treinado e GPT-4o-mini. O conjunto de dados utilizado inclui mais de 20 000 descrições anotadas hierarquicamente (Capítulos, Subcapítulos e Itens) de trabalhos provenientes de projectos de contratação pública em Portugal. Os resultados demonstram que modelos de grande escala, baseados em transformadores, superam as abordagens convencionais, apresentando maior capacidade de generalização em tarefas complexas e específicas do domínio da Construção. O modelo LLaMA obteve o melhor desempenho global no conjunto de validação, enquanto o BERT-HAN registou a maior recall nos níveis mais profundos da hierarquia. Este trabalho evidencia o potencial de soluções de inteligência artificial para melhorar a eficiência na classificação de MQTs, contribuindo para acelerar o processamento de dados e documentos e promover maior consistência na estimativa de custos e nos fluxos de trabalho de contratação na Construção.