Modelo brasileiro avança no uso de IA para proteger ecossistemas marinhos

Um novo modelo de inteligência artificial desenvolvido pela equipe do Departamento de Engenharia Elétrica da PUC-Rio aprimora o monitoramento dos ecossistemas marinhos no Brasil. A iniciativa enfrenta um dos problemas mais persistentes das análises feitas nas profundezas do oceano e fortalece a capacidade nacional de proteger áreas sensíveis, segundo detalhou o portal Metrópoles.

A preocupação central está nas algas calcárias, espécies essenciais à biodiversidade marinha e que exigem vigilância constante para garantir que políticas ambientais sejam efetivas. Apesar de sua importância, elas são difíceis de observar diretamente devido à profundidade em que vivem, o que torna o monitoramento um desafio técnico e logístico.

O acompanhamento tradicional depende de veículos operados remotamente, que registram imagens do fundo do mar e alimentam sistemas computacionais capazes de distinguir espécies e mapear sua distribuição. Essas informações orientam decisões sobre instalação de infraestruturas submarinas e permitem avaliar impactos ambientais com maior precisão.

Um dos principais obstáculos é o ruído presente nas bases de imagens utilizadas para treinar os algoritmos, já que erros de rotulagem comprometem a robustez dos modelos de aprendizado profundo. Esse tipo de imperfeição ocorre frequentemente quando anotações são feitas por não especialistas, por especialistas sobrecarregados ou por sistemas de rotulagem colaborativa.

Experimentos anteriores tentaram mitigar o problema com a chamada Abordagem de Perda Pequena, que descarta amostras de alto erro durante o treinamento, partindo do princípio de que elas têm maior probabilidade de estar incorretas. A estratégia foi complementada mais tarde com mecanismos de recuperação dessas amostras descartadas, realocando-as no processo por meio de pseudo-rótulos mais flexíveis.

Nesse mesmo desenvolvimento, um paradigma de ensino colaborativo também foi adotado, no qual duas redes trocam informações enquanto aprendem a classificar as imagens. A expectativa era aumentar a resistência do sistema ao ruído, mas ainda assim persistia a necessidade de identificar corretamente quais amostras estavam rotuladas de forma equivocada.

Ainda que os resultados fossem encorajadores, os pesquisadores identificaram que tanto a filtragem quanto a pseudo-rotulagem continuavam vulneráveis a erros, justamente porque o próprio conceito de ruído envolve incertezas inevitáveis. Esse limite abriu caminho para o desenvolvimento de um modelo mais robusto, capaz de atuar mesmo em condições adversas e com dados imperfeitos.

Foi assim que surgiu a nova abordagem agora publicada na revista Machine Learning for Computational Science and Engineering, do grupo Springer Nature, incorporando técnicas de aprendizado auto-supervisionado. Esse tipo de ferramenta permite que o sistema reconheça padrões diretamente dos dados brutos, reduzindo a dependência exclusiva de rótulos humanos.

No núcleo da inovação está o aprendizado contrastivo, uma técnica que diferencia semelhanças e distinções entre imagens de forma mais precisa. Isso confere ao algoritmo uma maior capacidade de reconhecer padrões mesmo quando enfrenta incertezas significativas, tornando-o especialmente útil para cenários de monitoramento ecológico.

Além disso, os pesquisadores introduziram um sistema que atribui pesos diferenciados aos rótulos, levando em conta o nível de confiança do próprio modelo. Imagens classificadas com maior segurança recebem maior relevância, enquanto aquelas associadas a maior risco de erro são tratadas com mais cautela.

Os testes realizados com bases amplamente utilizadas pela comunidade científica demonstraram uma melhora de até 3% nas métricas de desempenho, com ganho de 1,6% especificamente no monitoramento das algas calcárias. Embora o percentual pareça modesto à primeira vista, avanços dessa magnitude são decisivos em aplicações ambientais que dependem de precisão elevada.

O modelo já está sendo utilizado no monitoramento de áreas marinhas brasileiras, permitindo análises mais rápidas, detalhadas e confiáveis. Isso fortalece a capacidade nacional de acompanhar mudanças nos ecossistemas submarinos, antecipar sinais de degradação e orientar políticas de preservação com base em evidências científicas sólidas.

A experiência reforça como a qualidade dos dados é determinante para o desempenho de sistemas de inteligência artificial, especialmente em áreas onde a coleta é complexa e sujeita a imprecisões. Em campos que vão da saúde à agricultura, esse tipo de desafio tem sido recorrente, exigindo soluções cada vez mais adaptáveis e resilientes.

O avanço também amplia a autonomia tecnológica brasileira, já que modelos mais robustos e menos dependentes de rotulagem intensiva tornam a adoção da IA mais acessível e aplicável a diferentes ambientes. Em ecossistemas marinhos profundos, onde a observação direta é limitada, a inovação contribui diretamente para a proteção ambiental e para o conhecimento científico nacional.

if(!email) { responses.innerHTML = "Por favor, insira um e-mail válido."; return; }

button.innerText = "Enviando..."; button.style.opacity = "0.7"; button.disabled = true; responses.innerHTML = "";

// Transforma a action nativa em endpoint JSONP e anexa os dados var formAction = this.action.replace('/post?', '/post-json?'); var formData = new FormData(this); var url = formAction;

for (var pair of formData.entries()) { url += "&" + encodeURIComponent(pair[0]) + "=" + encodeURIComponent(pair[1]); }

var script = document.createElement('script'); var callbackName = 'mailchimpCallback' + new Date().getTime(); window[callbackName] = function(data) { button.innerText = "ASSINAR"; button.style.opacity = "1"; button.disabled = false;

if (data.result === 'success') { responses.innerHTML = "✅ Inscrição confirmada com sucesso! Bem-vindo(a) ao O Cafezinho."; document.getElementById('mce-EMAIL-ajax').value = ''; } else { var msg = data.msg || ""; if(msg.includes('is already subscribed')) { msg = "⚠️ Este e-mail já está assinado na nossa newsletter."; } else if(msg.includes('too many')) { msg = "⚠️ Muitas tentativas. Tente novamente mais tarde."; } else if(msg.includes('domain')) { msg = "⚠️ O domínio do e-mail é inválido."; } else { msg = "⚠️ Erro: " + msg; } msg = msg.replace(/^[0-9]+\s-\s/, ''); responses.innerHTML = "" + msg + ""; } delete window[callbackName]; document.body.removeChild(script); };

url = url + '&c=' + callbackName; script.src = url; document.body.appendChild(script); });