Dados gerados por IA e as oportunidades do vídeo inteligente
A tecnologia de vídeo avançou significativamente nas últimas décadas, em grande parte graças aos avanços nos analíticos de vídeo e na inteligência artificial (IA) que tornam isso possível. No entanto, embora o mercado de IA na América Latina deva atingir receitas de cerca de US$ 4,6 bilhões até 2025, de acordo com o Statista, a disponibilidade de grandes volumes de dados para treinar modelos de IA pode ser um possível obstáculo a esse crescimento. Os chamados dados sintéticos podem ser a solução. Por Barry Norton I Milestone Systems O trabalho pioneiro dos especialistas conhecidos como “Padrinhos da IA”, os laureados do Prêmio Turing de 2018, Yoshua Bengio, Geoffrey Hinton e Yann LeCun, em colaboração com a criação do ImageNet por Fei-Fei Li, estabeleceu os fundamentos da IA contemporânea, notadamente no âmbito da visão computacional (CV). Esse aspecto é de suma importância para sensores que geram dados de imagem, como vídeo, e resultou em inúmeras oportunidades para a melhoria da segurança em nossas cidades, transportes, lojas de varejo e muito mais. Graças à IA, as organizações agora podem obter insights mais profundos para orientar suas estratégias e tomar decisões melhores, como, por exemplo, decidir onde construir uma nova estrada, quais produtos colocar em uma prateleira específica em uma loja e como planejar cronogramas de manutenção ou limpeza. Em resumo, a combinação de vídeo e inteligência artificial está transformando o mundo de uma maneira ousada. A precisão da IA demanda grandes conjuntos de dados de treinamento. Para que os modelos de inteligência artificial alcancem a máxima precisão, é fundamental treiná-los com grandes conjuntos de dados. É imprescindível que eles sejam representativos e diversificados, garantindo, assim, a precisão e a imparcialidade, além de serem originados legalmente, respeitando os direitos de propriedade intelectual de seus proprietários. À medida que a IA evolui, a necessidade desses grandes conjuntos de dados (parcialmente) anotados se torna mais urgente, e obtê-los nem sempre é uma tarefa fácil. Esse aspecto é particularmente relevante no caso de sensores, como câmeras, que podem coletar um volume substancial de informações pessoais ou confidenciais. Considerações de segurança, privacidade e limitações práticas podem restringir tanto a quantidade quanto a qualidade dos dados disponíveis para treinar uma IA. Nesse contexto, os dados sintéticos surgem como uma solução promissora, gerando novas oportunidades. Solução de dados sintéticos A expressão “dados sintéticos” refere-se a conjuntos de dados gerados artificialmente ou aumentados que simulam condições do mundo real. Com o uso desses dados, os desenvolvedores de Inteligência Artificial (IA) podem treinar modelos com grandes volumes de informações diversas e representativas e, ao mesmo tempo, atenuar as preocupações éticas e legais relacionadas à privacidade e ao consentimento. Além disso, os dados sintéticos preservam as principais características do mundo real, permitindo que os modelos aprendam com ambientes realistas sem expor as pessoas a riscos, e fornecem uma fonte pronta para uso que pode acelerar o tempo de desenvolvimento de algoritmos. Além disso, os dados sintéticos podem ajudar a reduzir o viés nos modelos de IA. Os conjuntos de dados tradicionais são frequentemente influenciados por vieses presentes no processo original de coleta de dados, o que pode distorcer os resultados da tomada de decisões de IA. Ao projetar cuidadosamente os processos de coleta de dados sintéticos, os desenvolvedores podem minimizar os vieses que surgem da dependência de dados históricos. Por fim, os dados sintéticos são escalonáveis e econômicos. Assim, os desenvolvedores de IA têm a possibilidade de criar conjuntos de dados grandes e diversificados de forma rápida e econômica, o que é especialmente útil para tarefas que exigem dados específicos e de alta qualidade que não estão prontamente disponíveis Usando dados sintéticos em portos O potencial dos dados sintéticos para aprimoramento da segurança e preservação de vidas é evidenciado em um projeto de pesquisa na Dinamarca. Nesse projeto, os modelos de Inteligência Artificial (IA) empregados para detectar quedas em portos foram treinados com diferentes conjuntos, incluindo dados sintéticos. É importante ressaltar que os portos dinamarqueses têm sido palco de inúmeros incidentes de afogamento ao longo dos anos. Entre 2001 e 2015, 1.647 vidas foram perdidas nas águas dinamarquesas, sendo que um quarto dessas tragédias ocorreu nos próprios portos. Em um dos portos mais movimentados da Dinamarca, o Porto de Aalborg, pesquisadores criaram o maior conjunto de dados térmicos externos para análise de vídeo. O objetivo foi treinar câmeras equipadas com inteligência artificial (IA) para detectar diferentes tipos de objetos em um ambiente térmico. Para lidar com incidentes de quedas, foi solicitado aos voluntários que pulassem na água. No entanto, a realização de testes com pessoas reais representava um risco substancial. Além disso, um salto intencional difere significativamente de uma queda acidental. Os pesquisadores também precisavam de um conjunto de dados representativo que incluísse usuários de cadeira de rodas, ciclistas e skatistas. Bonecos térmicos foram utilizados para imitar corpos humanos, contudo, não capturaram totalmente a complexidade de uma pessoa caindo na água. Diante disso, a melhor solução foi o uso de dados sintéticos, que permitiram a modelagem de um comportamento mais detalhado e de vários cenários de queda. A utilização de dados sintéticos permitiu a expansão do conjunto sem comprometer a segurança ou suscitar dilemas éticos. O modelo de Inteligência Artificial (IA) desenvolvido por meio desse processo apresentou resultados promissores, permitindo que as equipes de resgate fossem alertadas no caso de uma queda no porto. Isso aumenta as chances de sobrevivência ao minimizar o tempo de resposta e reduzir a exposição à água fria. Aplicações mais amplas A análise de vídeo está onipresente em vários setores, assim como os dados sintéticos usados para treiná-la. Outros casos de uso incluem a fabricação, em que modelos de IA treinados com esses elementos podem garantir o funcionamento correto de linhas de produção automatizadas. A IA pode detectar anomalias na produção ou possíveis falhas nos equipamentos. No entanto, a coleta de grandes volumes de registros de linhas de produção pode ser arriscada devido ao risco de vazamento de informações confidenciais sobre técnicas e componentes de fabricação. Os dados sintéticos também podem ser muito
