CORONAVÍRUS, INTELIGÊNCIA ARTIFICIAL E GUERRA DO SÉCULO 21

Inteligencia Artificial

,

covid19

CORONAVÍRUS, INTELIGÊNCIA ARTIFICIAL E GUERRA DO SÉCULO 21

Yoel González | out 08, 2020

 


Durante décadas, a humanidade viveu na sombra de uma nova guerra mundial. Os vários avanços tecnológicos e de armas têm se seguido exponencialmente desde a captura de Berlim, e o medo de um novo conflito global tem permanecido no imaginário coletivo desde então. Pouco poderíamos imaginar que neste novo e incomum conflito estaríamos todos do mesmo lado, e que as armas, heróis e vilões, seriam tão diferentes das do passado. Todos nós temos um papel a desempenhar neste conflito. De banheiros a transportadores, de pesquisadores a armazenistas, de coletores de lixo a cada um de nós limitando a transmissão com medidas de higiene e distanciamento social.

Da Techedge, como empresa de tecnologia, também queremos contribuir com nossa experiência no desenvolvimento de aplicações que possam ser relevantes neste momento. Uma das ferramentas disponíveis em nosso arsenal contra o vírus é a Inteligência Artificial (IA) e Aprendizagem de Máquina, que é definida como a capacidade de uma máquina de receber um conjunto de dados e aprender com eles, mudando e reajustando seus algoritmos conforme a informação é processada e o ambiente é conhecido.

O objetivo é desenvolver uma aplicação que, utilizando o Machine Learning, seja capaz de identificar pessoas e detectar se elas estão ou não usando uma máscara. Esta aplicação também poderia ser aplicada a um sistema de vigilância por vídeo em tempo real para detectar se medidas de prevenção adequadas estão sendo realizadas ou não para evitar transmissões em espaços fechados, tais como lojas ou shoppings. A solução também poderia ser usada offline (Edge) ou consumida diretamente de um sistema de nuvem, como a plataforma Google Cloud (GCP), AWS ou Azure, ou num futuro próximo em Gaia-X.

O aprendizado supervisionado é usado para isso, onde o algoritmo aprende com um conjunto de dados etiquetados e categorizados fornecidos por humanos (conjunto de dados). A partir desso, o modelo é capaz de decidir e classificar automaticamente os novos conjuntos de dados nas categorias previamente definidas.

 

 

corona

Fonte Ronald van Loon, Machine Learning explained.

 

Para esta aplicação, foi utilizado o Real-World Masked Face Dataset da Universidade de Wuhan, que contém 100.000 fotos de pessoas com e sem máscaras, e o produto Google Cloud AutoML, que permite treinar modelos de Machine Learning e interagir com eles através de uma API (Application Program Interface) e da plataforma Google Cloud. Há também a possibilidade de treinar o modelo e baixá-lo para poder utilizá-lo offline (Edge).

 

corona 2

Fonte https://cloud.google.com/automl

O tempo necessário para treinar um modelo depende da complexidade e do tamanho dos dados de treinamento. Oito horas de processamento  é considerado suficiente para um modelo experimental. Um treinamento padrão de 32 horas de processamento de nós (cerca de 4 horas reais) é usado para o treinamento desta aplicação. O tempo adicional de treinamento aumenta a precisão no nível de produção, e a função de parada antecipada assegura que o treinamento pare quando não for mais possível melhorar a precisão.

Uma vez que o modelo tenha sido treinado, ele pode ser baixado para uso offline ou pode ser implantado diretamente na plataforma Google Cloud escolhendo o número de nós a serem utilizados durante as previsões, neste caso dois. Um número maior de nós na implantação simplifica o processo de detecção e reconhecimento para grandes conjuntos de imagens.

Uma vez que o modelo é treinado e implantado, sua eficácia e métricas são avaliadas utilizando a Matriz de Confusão. No campo da Inteligência Artificial, uma matriz confusa é uma ferramenta que permite a visualização do desempenho de um algoritmo utilizado no aprendizado supervisionado. Na imagem seguinte, você pode ver uma típica matriz de confusão. Cada coluna da matriz representa o número de previsões de cada classe, enquanto cada linha representa as instâncias da classe real. Um dos benefícios de matrizes confusas é que elas facilitam ver se o sistema está confundindo diferentes classes ou resultados de classificação.

corona 3

Típica matriz de confusão em aprendizagem supervisada.

No caso particular de nossa aplicação, os resultados obtidos são analisados com um conjunto de 776 fotos de teste diferentes daquelas utilizadas durante o treinamento. Pode-se ver que apenas 5 do número total de fotos foram detectadas incorretamente (fotos sem máscara que foram detectadas como fotos com máscara). Isto significa que 99% das fotos foram detectadas corretamente e um leve viés em direção à categoria de máscara.

corona 4

Matriz de confusões e exemplos de detecção com imagens de teste

Embora nesta aplicação o objetivo seja poder discernir entre imagens de pessoas com e sem máscaras, seria possível treinar um modelo que não só desempenhe esta função, mas também seja capaz de localizar a posição das máscaras nas fotos e emoldurá-las para facilitar sua identificação. Isto exigiria um conjunto de dados que contenha, além da classificação, as coordenadas da localização das máscaras em cada uma das fotos do conjunto de dados de treinamento. Devido ao fato de que um conjunto de dados com estas características não foram considerados suficientemente grande, a solução já analisada foi finalmente escolhida.

Esta prova de conceito demonstra a possibilidade de resolver alguns dos problemas associados à COVID-19 usando tecnologia para ajudar os seres humanos. As possibilidades da IA não se limitam apenas ao reconhecimento fotográfico, mas também têm um grande potencial biomédico. Algoritmos de Machine Learning estão sendo usados atualmente para detectar proteínas envolvidas na doença e cruzar essas informações com bancos de dados de medicamentos usados para outros distúrbios, a fim de encontrar novos tratamentos.

Os tempos mudaram, e nossos recursos também. Temos uma oportunidade única de trabalharmos juntos para salvar vidas. A globalização e a interconexão do mundo moderno nos tornou mais vulneráveis a uma pandemia global, mas também nos deu novas ferramentas para combatê-la. Como no passado, depende de nós como os utilizamos.

New call-to-action

Inscreva-se!