A equipe do Departamento de Engenharia Elétrica da PUC-Rio desenvolveu um modelo de inteligência artificial para auxiliar na preservação de ecossistemas em risco nas profundezas do oceano. A pesquisa foi publicada no periódico Springer Nature e possui como autores Vitor Sousa, Manoela Kohler e Marco Aurélio Pacheco.
O problema que motivou o estudo é concreto e urgente. Com o auxílio da inteligência artificial, os pesquisadores podem mais facilmente proteger vidas marinhas ameaçadas pela extração de compostos do oceano, principalmente gás e petróleo, na costa brasileira. Instalações e equipamentos utilizados no fundo do mar para essa atividade podem afetar ecossistemas mais sensíveis, sendo um dos principais os ecossistemas de algas calcárias.
As algas calcárias estão no centro da preocupação científica. Trata-se de um tipo de alga marinha impregnada por carbonato de cálcio que, ao lado dos corais, é a principal responsável pelos recifes marinhos. Diversas espécies utilizam essas algas como habitat, e elas participam de processos químicos essenciais no oceano, incluindo o armazenamento de carbono. Por isso, há regras que restringem a atividade extrativista em áreas com esse tipo de ecossistema — mas aplicá-las depende justamente de saber onde essas algas estão.
E é exatamente aí que a tecnologia entra. Atualmente, o acompanhamento é realizado com veículos operados remotamente, que capturam imagens do fundo do mar. Essas imagens são analisadas com auxílio de modelos de aprendizado profundo para identificar e mapear essas espécies ao longo do tempo. Esses dados são utilizados tanto para ajudar a definir onde instalar infraestruturas de pesquisa e extração de combustíveis, quanto para avaliar impactos ambientais posteriores.
O método tradicional, porém, tem um calcanhar de Aquiles. As imagens são ruidosas e sofrem bastante risco de imprecisões nas análises. No caso das algas calcárias, o ruído surge de pessoas não especializadas ou sobrecarregadas que as catalogam erroneamente, além de alguns erros que costumam vir de pesquisas automatizadas na web. Alguns casos são tão desafiadores que até especialistas em condições normais podem classificar as imagens imprecisamente.
Para contornar essa limitação, a equipe da PUC-Rio adotou uma abordagem inovadora. Os pesquisadores incrementaram técnicas de aprendizagem autossupervisionada que permitem que o sistema aprenda padrões diretamente dos dados, sem a interferência do ser humano. O método utilizado se chama aprendizado contrastivo, que ajuda a distinguir melhor semelhanças e diferenças entre os dados analisados. Na prática, essa novidade permite que a IA reconheça melhor os diferentes tipos de padrões, mesmo com dados incertos.
A equipe também atribuiu pesos aos diferentes rótulos de reconhecimento de acordo com a confiabilidade. Com isso, o novo modelo separa imagens com rótulos confiáveis de imagens que podem apresentar imprecisões na análise. Os exemplares com maior chance de erro são tratados com mais cautela.
Os resultados dos testes são modestos em números, mas expressivos na prática. Durante os testes feitos com um banco de dados conhecido da área, o resultado foi um acréscimo na precisão de 3%; no caso das algas calcárias especificamente, houve um aumento de 1,6%. Apesar de aparentar um aumento modesto, a equipe da PUC-Rio explica que o resultado faz uma grande diferença em aplicações ambientais, que requerem muita precisão.
Os próprios pesquisadores ressaltam o impacto mais amplo do trabalho: o estudo também reforça que sistemas de inteligência artificial são profundamente influenciados pela qualidade dos dados com que são treinados, e que lidar com essas imperfeições continua sendo um dos grandes desafios atuais da área, especialmente em contextos do mundo real.
