Ferramenta tradicional do mercado de coleta de dados perde em eficiência para inteligência computacional
Por Breno Leoni Ebeling, da Agência Universitária de Notícias
Após coleta de dados via sensores automatizados, inteligência de software foi aplicada em um estudo que coletou informações de áreas florestais do estado de São Paulo. Para o Núcleo de Apoio à Pesquisa de Aprendizado de Máquinas e Análise de Dados (Amda) a técnica computacional foi compatível e mais eficaz que métodos de análise internacionais utilizados. Por ter ampliado a região da coleta, o estudo corroborou resultados anteriores e validou a ideia de que as técnicas de software aliadas a sensores de baixo custo, superam em eficácia ferramentas especializadas em coleta de dados.
Atualmente, diversos tipos de sensores já se encontram disponíveis em smartphones, disseminados no mercado popular. O avanço foi referente a cobrir o Estado de São Paulo inteiro e onde pode ou não ter essa espécie invasora. A ferramenta é a mais popular e está há vários anos no mercado. “As aplicações que apareceram recentemente, como por exemplo o carro da Google, assim como os recursos novos de computadores que nos permitem fazer muito mais coisas e muito mais rapidamente”, afirma André Ponce, professor do ICMC. Novas técnicas estão sendo criadas aproveitando esses novos recursos e para dar vazão a novas aplicações.
O Departamento de Engenharia de São Carlos atuou em conjunto com o instituto florestal do estado de São Paulo no processo de coleta. Sensores digitais captaram informações como temperatura, umidade e identificação de espécies. O professor aponta que a pesquisa também é beneficiada pelo processo de avanço tecnológico.
Os pesquisadores utilizaram uma ferramenta importada para fazer a coleta de controle. É a ferramenta mais tradicional e difundida no mercado; com preços elevados aqui no Brasil, pois é importada dos Estados Unidos. O estudo comparou resultados indicados pela ferramenta tradicional com os dados gerados pelo software, como grupo de controle.
Ponce explica que o pressuposto do estudo era o conhecimento prévio da existência de pelo menos uma espécie invasora nas regiões analisadas. “Não encontrar a espécie não é motivo de surpresa, já que ela pode não ter sido avistada”. De acordo com ele, adaptar um modelo de aprendizado de máquina é mais complicado quando há o controle de outras partes interagindo em conjunto. O controle e gestão das informações e oferecer essas habilidades em um sistema para um terceiro geram desafios.
As pessoas se beneficiam do aprendizado de máquina sem perceber. Por exemplo, quem utiliza serviços de streaming de video deve se recordar do conceito de recomendação automática de filmes ou séries. Ele explica que um dos principais objetivos do Amda é fazer a interface conectiva entre pessoas que têm conhecimento em aprendizado de máquina e pessoas que tem problemas a serem resolvidos.