Ferramenta desenvolvida por engenheiros da PUC-Rio utiliza aprendizado autossupervisionado para melhorar a identificação de ecossistemas sensíveis
Ecossistemas marinhos – Pesquisadores do Departamento de Engenharia Elétrica da PUC-Rio desenvolveram um modelo de inteligência artificial voltado à preservação de ecossistemas marinhos ameaçados nas profundezas do oceano. O estudo foi publicado no periódico Springer Nature e tem como autores Vitor Sousa, Manoela Kohler e Marco Aurélio Pacheco.
A iniciativa busca reduzir os impactos causados por atividades de extração de gás e petróleo na costa brasileira. Estruturas instaladas no fundo do mar para exploração desses recursos podem afetar ecossistemas considerados sensíveis, especialmente os formados por algas calcárias, organismos fundamentais para a manutenção dos recifes marinhos.
LEIA: Criador do primeiro chatbot em 1966 passou décadas alertando sobre os riscos da IA
As algas calcárias possuem carbonato de cálcio em sua composição e desempenham papel semelhante ao dos corais na formação de recifes. Além de servirem de habitat para diversas espécies marinhas, também participam de processos químicos importantes no oceano, como o armazenamento de carbono. Por conta disso, danos à estrutura física dessas algas representam riscos significativos para a biodiversidade marinha.
Apesar das restrições existentes para atividades extrativistas em áreas com esse tipo de ecossistema, a identificação dessas regiões ainda é um desafio. A profundidade do oceano dificulta a entrada de luz e compromete a observação direta da vida marinha.
Hoje, o monitoramento é feito com veículos operados remotamente que registram imagens do fundo do mar. Depois, os registros passam por análise com modelos de aprendizado profundo capazes de identificar e mapear as espécies presentes. Essas informações ajudam tanto na definição de áreas adequadas para instalação de infraestrutura quanto na avaliação de impactos ambientais posteriores.
Segundo os pesquisadores, o problema é que as imagens frequentemente apresentam ruídos e imprecisões, o que compromete a qualidade do treinamento dos sistemas de inteligência artificial. Em muitos casos, erros acontecem por classificações incorretas feitas por pessoas sem especialização ou sobrecarregadas, além de falhas oriundas de processos automatizados de coleta de dados. Há ainda situações em que até especialistas podem interpretar equivocadamente determinadas imagens.
Para enfrentar esse desafio, a equipe da PUC-Rio desenvolveu uma abordagem baseada em técnicas de aprendizagem autossupervisionada. O método permite que o sistema identifique padrões diretamente nos dados, reduzindo a dependência de rótulos atribuídos manualmente.
A tecnologia utiliza aprendizado contrastivo, técnica que ajuda a inteligência artificial a reconhecer diferenças e semelhanças entre os dados analisados. Na prática, isso permite identificar padrões com maior precisão, mesmo em cenários de incerteza.
Os pesquisadores também incorporaram um sistema de pesos que avalia o grau de confiabilidade dos rótulos utilizados nas análises. Assim, imagens consideradas menos confiáveis passam a ser tratadas com maior cautela pelo modelo.
Durante os testes, a equipe utilizou um banco de dados já conhecido na área e registrou um aumento de 3% na precisão geral do sistema. No caso específico das algas calcárias, o ganho foi de 1,6%.
Embora os números aparentem ser modestos, os pesquisadores destacam que o avanço “faz uma grande diferença em aplicações ambientais, que requerem muita precisão.”
(Com informações de Olhar Digital)
(Foto: Reprodução/Magnific/Allexxandar)
