O uso da Inteligência Artificial é cada vez mais corrente na Engenharia, na Agronomia e nas Geociências, e registrar esse momento já pode parecer inócuo. No entanto, é necessário revelar algumas pesquisas que vêm impactando a rotina dos profissionais ou tendem a impactá-la em breve. Não estamos “descobrindo a pólvora”, muito menos buscando unanimidades. Ainda há fronteiras técnicas, éticas e científicas a serem exploradas, além da limitação de uma pesquisa jornalística neófita sobre o tema. Portanto, buscamos superar estes limites para apresentar algumas práticas que já demonstram a importância desta inovação tecnológica fundamental para profissionais e para a sociedade.
Conduzidas em grande parte em universidades ou por empresas derivadas dessas pesquisas, as atividades atualizam ou dão novos rumos ao desenvolvimento de conhecimentos muitas vezes fadados a resultados pouco abrangentes, no tempo e no espaço. Assim, amostragens maiores, em bem menos tempo. Resultados mais efetivos. Exigência de questionamentos éticos permanentes. Ciência e práticas científicas em transformação, facilitando e proporcionando novas conquistas em diversas áreas.
O mapeamento de terras agrícolas abandonadas em um bioma, o Cerrado, foi a consequência de um desses estudos, desenvolvido pela Universidade de Brasília (UnB) e pela Empresa Brasileira de Pesquisa Agropecuária (Embrapa). Usando técnicas de aprendizado profundo (deep learning, veja vocabulário abaixo) e imagens de satélite, a pesquisa supervisionada pelo professor e pesquisador da Embrapa Edson Sano no Programa de Pós-Graduação em Geociências da UnB constata o abandono de 13 mil hectares de terra entre 2018 e 2022, no município mineiro de Buritizeiro. A área corresponde a 5% da terra agrícola existente no período.
Vocabulário essencial da Inteligência Artificial (IA)
Inteligência Artificial (IA): conceito relacionado à simulação da inteligência humana por meio de máquinas.
Aprendizado de máquina ou machine lerning é a técnica de IA onde os computadores ainda mantêm interação com as pessoas para aprender.
Já o aprendizado profundo ou deep learning busca imitar a estrutura e o funcionamento do cérebro humano, permitindo que os computadores processem dados não estruturados (vídeos, áudios, textos) e reconheçam padrões complexos de forma autônoma.
IA Generativa: Deep learning utilizada pelo ChatGPT, OpenAI, Gemini e Claude e por geradores de imagem (Magnific, Meta AI, Canva), gera novos conteúdos por meio de padrões apreendidos em grandes volumes de dados.
Visão computacional: característica de usos como o reconhecimento facial no celular, os carros autônomos e os assistentes virtuais.
Processamento de linguagem natural: a exemplo das duas aplicações anteriores, também é um tipo de deep learning, presente em tradutores simultâneos e assistentes virtuais.
Design generativo: Cria geometrias complexas e orgânicas impossíveis de conceber manualmente. Bastante utilizado pela engenharia na otimização de peças industriais para o aumento de resistência e a diminuição de peso, por exemplo, por meio de ferramentas como Autodesk Fusion.
Otimização topológica: técnica que determina a melhor distribuição de material em um espaço definido com base em cargas, restrições e objetivos específicos, maximizando o desempenho do sistema. É utilizada na engenharia mecânica e na impressão 3D de componentes para produção de protótipos mais leves e mais resistentes.
“Além de analisar um grande volume de dados, a inteligência artificial consegue identificar, após treinamento intensivo, alvos específicos, como o das terras abandonadas, o que foi feito no estudo a partir do cruzamento de informações de diferentes períodos”, considera matéria publicada pela universidade, informando que a pesquisa abrangerá todo o Cerrado ainda este ano. “No presente estudo, o treinamento do algoritmo foi realizado com base na identificação em campo de áreas com plantio de eucalipto em produção e áreas com plantio de eucalipto abandonado. A partir da imagem de satélite adquirida em 2018, o algoritmo identificou as áreas ocupadas por plantios de eucalipto. Já na imagem de 2022, o algoritmo identificou as áreas de eucalipto abandonado”, descreve Edson Sano.
Regeneração óssea
Em entrevista ao Confea para descrever a pesquisa desenvolvida por ele e por ex-alunos em torno de dispositivos conhecidos mundialmente como biovidros e biocerâmicas, utilizados para a medicina humana e animal em aplicações como a regeneração óssea, o engenheiro de materiais Edgar Dutra Zanotto destaca o uso do Aprendizado de Máquina (Machine Learning -ML) para mapear as relações entre a composição química dos materiais e suas propriedades físicas, químicas e biológicas.
Reconhecido internacionalmente, o pesquisador explica as principais ferramentas utilizadas. “Nós alimentamos algoritmos computacionais com grandes bancos de dados de composições e propriedades já conhecidas. A partir disso, a IA consegue prever com alta precisão características cruciais – como a temperatura de transição vítrea, densidade, módulo elétrico e dureza — antes mesmo de fundirmos o material no laboratório. Recentemente, evoluímos da mera 'previsão de propriedades' para o design inverso, em que informamos à IA quais propriedades o vidro deve ter (ex.: biocompatibilidade, resistência mecânica), e o algoritmo nos sugere receitas químicas promissoras. Então, selecionamos algumas para testes reais em laboratório”.
Edgar Zanotto faz uma comparação entre sua impressão inicial e sua percepção atual sobre o uso da IA na sua pesquisa. O que representa uma oportunidade para avanços representativos, décadas após o início da pesquisa em torno dos biovidros e biocerâmicas. “Inicialmente, minha impressão era de que a ciência e a tecnologia dos vidros sempre foram disciplinas muito empíricas, guiadas pela intuição química e pela experiência prática de laboratório e produção industrial. Havia um ceticismo natural sobre a capacidade de modelos puramente matemáticos de compreenderem a complexidade estrutural de materiais desordenados (amorfos). Hoje, a percepção mudou drasticamente. A convergência entre a ciência dos vidros e ML está redesenhando o nosso campo de pesquisa. O ponto de virada veio quando provamos que algoritmos podiam superar modelos empíricos clássicos. Atualmente, vejo ML como uma ferramenta científica indispensável. Ela não substitui a ciência fundamental nem o cientista, mas aprofunda nossa compreensão física e acelera descobertas que, por métodos tradicionais, levariam décadas ou séculos. Dados de alta qualidade tornaram-se tão valiosos quanto os equipamentos de ponta de um laboratório”.
São avanços que podem, por outro lado, ocultar algumas novas limitações. “A área de ciências sociais é muito mais difícil do que determinar os resultados de processos físicos, químicos ou biológicos”, escrevem os pesquisadores Paulo Artaxo, Luciana Varanda Rizzo e Luiz Augusto Toledo Machado, em artigo comentado acima. Eles ponderam “a capacidade de os modelos de IA conseguirem reproduzir algo que não existe no histórico de dados, algo novo, como os efeitos não lineares das mudanças climáticas, ou o surgimento de novos processos físicos nos quais o sistema não realizou o aprendizado (...) Ao mesmo tempo, preocupa o fato de se aceitar o resultado sem entender por que ele ocorre. É possível que a IA afaste o interesse no entendimento dos processos, em detrimento de respostas rápidas e sem esforços”.
Apesar destes questionamentos ético-científicos, nos próximos dias, apresentaremos o olhar de alguns personagens que estão desempenhando algumas das primeiras iniciativas consolidadas de integração entre estes dois mundos, que caminham, juntos, para novos rumos. Entre eles, o engenheiro civil Ihan Barbosa, especialista em IA aplicada para a Engenharia e a Construção, e também o engenheiro eletrônico Elbert Macau, pesquisador da Universidade Federal de São Paulo (Unifesp) e do Instituto Nacional de Pesquisas Espaciais (Inpe) e membro da Sociedade Brasileira de Matemática Aplicada e Computacional (SBMAC).
Henrique Nunes / Equipe de Comunicação do Confea
