A IA comportamental está tornando a visão computacional mais impactante

Durante muitos anos, as inovações em visão por computador centraram-se em tarefas como a deteção de objetos — identificar objetos, como um cão ou um carro, em imagens e vídeos. Estas abordagens permitiram aplicações em áreas como os veículos autónomos, a indústria transformadora e a saúde.

No entanto, estas tarefas centram-se muitas vezes apenas na identificação do que é um objeto. E se os sistemas de IA de visão pudessem ir mais longe? Por exemplo, em vez de simplesmente detetar um cão, poderiam perceber que o cão está a perseguir uma bola ou que um carro está a travar bruscamente porque um peão está a atravessar a rua. Esta passagem do reconhecimento básico para a compreensão contextual representa um grande avanço rumo a uma IA comportamental mais inteligente e sensível ao contexto.

No YOLO Vision 2024 (YV24), o evento híbrido anual da Ultralytics que celebra os avanços na IA de visão, o conceito de análise comportamental impulsionada por IA esteve em destaque durante uma palestra interessante de David Scott, CEO da The Main Branch.

Em sua palestra, David explorou a transição de tarefas básicas de visão computacional para o rastreamento comportamental. Com mais de 25 anos de experiência na criação de aplicações tecnológicas avançadas, ele demonstrou o impacto desse avanço. Ele enfatizou como decifrar padrões e comportamentos está transformando setores como a agricultura e o bem-estar animal.

Neste artigo, vamos apresentar os destaques da palestra de David e explorar como o acompanhamento comportamental torna a IA mais prática.

Compreender os desafios da adoção da IA#

David Scott começou a sua palestra principal com uma constatação contundente e disse: “Um colega meu costuma dizer: ‘A ciência não vende’, o que acaba por ofender muitos de nós aqui, porque gostamos mesmo de ciência. A IA é muito interessante — porque não haveriam as pessoas de a comprar? Mas a realidade é que as pessoas não a querem comprar só porque achamos que é interessante; precisam de ter uma razão para o fazer.”

Ele também explicou que, na empresa dele, The Main Branch, o foco está sempre em resolver problemas reais com IA, e não apenas em exibir seus recursos. Muitos clientes chegam querendo conversar sobre como podem usar IA em geral, mas ele considera essa abordagem equivocada — é como ter uma solução sem um problema. Em vez disso, eles trabalham com clientes que apresentam desafios específicos para criar soluções de IA que realmente façam diferença.

Fig 1. David Scott no palco do YV24.

David também partilhou que o trabalho da equipa vai muitas vezes além do simples reconhecimento de objetos numa cena. Identificar o que está presente é apenas o primeiro passo. O verdadeiro valor está em perceber o que fazer com essa informação e em torná-la útil no contexto da cadeia de valor mais ampla.

Tecnologia de acompanhamento comportamental: a chave para uma IA prática#

Um passo essencial para tornar a IA verdadeiramente útil é ir além das tarefas básicas de visão por computador, como a deteção de objetos, e utilizar essas informações para acompanhar comportamentos. David destacou que a IA comportamental se centra na compreensão de ações e padrões, e não apenas na identificação de objetos. Assim, a IA pode reconhecer eventos significativos e fornecer informações úteis para a ação.

Deu o exemplo de um animal a rebolar no chão, o que pode indicar uma doença. Embora as pessoas não possam vigiar um animal sem parar, os sistemas de vigilância com IA e capacidades de acompanhamento comportamental podem fazê-lo. Estas soluções podem monitorizar objetos continuamente, detetar comportamentos específicos, enviar um alerta e permitir uma intervenção atempada. Assim, os dados em bruto transformam-se em algo prático e valioso.

David também demonstrou que esta abordagem torna a IA não apenas interessante, mas verdadeiramente impactante. Ao resolver problemas reais, como monitorizar comportamentos e agir com base neles, o acompanhamento comportamental pode tornar-se uma parte essencial de soluções de IA eficazes em vários setores.

Dar vida à IA comportamental#

Em seguida, David Scott explicou como a Ultralytics YOLOv8, um modelo de visão por computador, representou um avanço para os projetos de acompanhamento comportamental da sua equipa. O modelo proporcionou uma base sólida para detetar, classificar e acompanhar objetos. A equipa foi ainda mais longe e treinou a YOLOv8 de forma personalizada para se concentrar na monitorização de comportamentos ao longo do tempo, tornando-a mais prática e útil em situações do mundo real.

Curiosamente, com o lançamento do Ultralytics YOLO11, soluções como as criadas pela The Main Branch podem se tornar ainda mais confiáveis e precisas. Este modelo oferece recursos como maior precisão e processamento mais rápido, que aprimoram sua capacidade de acompanhar comportamentos. Vamos abordar isso com mais detalhes depois de entender melhor as aplicações da IA comportamental.

A seguir, vamos explorar as soluções abordadas por David e a forma como a tecnologia de acompanhamento comportamental está a ser utilizada em aplicações do mundo real para resolver desafios do quotidiano e gerar um impacto significativo.

HerdSense com análise comportamental impulsionada por IA#

Primeiro, David compartilhou um desafio empolgante que enfrentaram com um projeto chamado HerdSense, que envolvia monitorar a saúde de milhares de vacas em um enorme confinamento de gado. O objetivo era acompanhar o comportamento de cada vaca para identificar possíveis problemas de saúde. Isso significava ficar de olho em dezenas de milhares de animais ao mesmo tempo, e não era uma tarefa simples.

Fig 2. O HerdSense centrou-se na monitorização e identificação de vacas com IA comportamental.

Para começar a resolver o problema de identificar cada vaca e acompanhar os seus comportamentos, a equipa de David organizou um workshop de dois dias para delinear todos os comportamentos que precisava de monitorizar. No total, identificou mais de 200 comportamentos.

Cada um dos 200 comportamentos dependia da capacidade de reconhecer com precisão cada vaca, uma vez que todos os dados tinham de estar associados a animais específicos. Uma das principais preocupações era acompanhar as vacas quando se juntavam em grupos compactos, o que dificultava a identificação de cada animal.

A equipe de David desenvolveu um sistema de visão computacional para garantir que cada vaca fosse identificada de forma consistente, mesmo em situações complicadas. Conseguiram confirmar que a mesma vaca sempre receberia o mesmo ID, mesmo que desaparecesse de vista, se misturasse às outras ou reaparecesse mais tarde.

Monitorização da saúde dos cavalos com visão por computador#

Em seguida, David apresentou outro projeto fascinante, no qual a equipa aplicou técnicas semelhantes de acompanhamento comportamental à monitorização de cavalos. Neste projeto, a equipa de David não precisava de acompanhar os IDs individuais dos cavalos com o mesmo rigor que no caso das vacas. Em vez disso, concentrou-se em comportamentos específicos e acompanhou aspetos como os padrões alimentares e os níveis gerais de atividade para detetar precocemente problemas de saúde. Identificar pequenas alterações no comportamento poderia permitir intervenções mais rápidas, proporcionar melhores cuidados e prevenir problemas antes de se tornarem graves.

Fig 3. Monitorização de cavalos com IA comportamental.

Por que a IA comportamental não é tão simples como parece#

David também abordou a complexidade do acompanhamento comportamental com um exemplo intrigante. Ao investigar formas de melhorar a análise comportamental, a equipa deparou-se com uma empresa que afirmava conseguir detetar furtos em lojas através da análise de poses específicas, como a de alguém com a mão no bolso. À primeira vista, parecia uma ideia inteligente — certos movimentos poderiam sugerir um comportamento suspeito, certo?

Fig 4. Compreender os desafios da tecnologia de acompanhamento comportamental.

No entanto, ao investigar mais a fundo, David percebeu as limitações deste método. Uma única pose, como ter a mão no bolso, não significa necessariamente que alguém esteja a roubar numa loja. Pode simplesmente indicar que a pessoa está descontraída, a pensar ou até com frio. O problema de se concentrar em poses isoladas é ignorar o contexto mais amplo. O comportamento não é apenas uma ação isolada — é um padrão de ações ao longo do tempo, moldado pelo contexto e pela intenção.

David destacou que o verdadeiro acompanhamento comportamental é muito mais complexo e exige uma abordagem holística. Trata-se de analisar sequências de ações e compreender o seu significado no contexto geral. Embora o setor da IA esteja a fazer progressos, observou que ainda há trabalho a fazer para aperfeiçoar o acompanhamento comportamental e fornecer informações significativas e precisas.

Criar modelos de IA de visão mais inteligentes que compreendem ações#

Posteriormente, David levou o público aos bastidores para mostrar como a sua equipa criou uma solução de visão por computador para monitorizar a saúde das vacas com a ajuda da Ultralytics YOLOv8 e das suas capacidades de estimativa de pose.

Começaram criando um conjunto de dados personalizado para estimar a pose de uma vaca, aumentando o número padrão de pontos-chave de 17 para 145 para que o modelo analisasse melhor os movimentos. Em seguida, o modelo foi treinado com um enorme conjunto de dados com mais de 2 milhões de imagens e 110 milhões de exemplos comportamentais.

Com uma infraestrutura de hardware avançada, a equipa de David conseguiu treinar o modelo em apenas dois dias, em vez das semanas que seriam necessárias com hardware convencional. Depois, o modelo treinado foi integrado com um sistema personalizado de acompanhamento de comportamentos que analisava vários fotogramas de vídeo em simultâneo para detetar padrões nas ações das vacas.

O resultado foi uma solução de IA de visão capaz de detetar e acompanhar oito comportamentos diferentes das vacas, como comer, beber e deitar-se, identificando pequenas alterações comportamentais que poderiam indicar problemas de saúde. Isto permite que os agricultores atuem rapidamente e melhora a gestão do rebanho.

O futuro da IA comportamental#

David terminou a sua palestra partilhando uma lição importante com o público: “Se não deres à IA margem para falhar, estás a preparar-te para falhar, porque, no fim de contas, é estatística.” Salientou que, apesar dos seus pontos fortes, a IA não é infalível. É uma ferramenta que aprende com padrões e haverá sempre ocasiões em que não acerta. Em vez de recear esses erros, o essencial é criar sistemas capazes de lidar com eles e continuar a melhorar ao longo do tempo.

Isso também se aplica aos próprios modelos de visão computacional. Por exemplo, o Ultralytics YOLO11, a versão mais recente dos modelos Ultralytics YOLO na época (posteriormente sucedido pelo Ultralytics YOLO26), foi desenvolvido tendo em mente a necessidade de ir além do YOLOv8.

Fig. 5. Tarefas de visão computacional compatíveis com o Ultralytics YOLO11.

Em particular, o Ultralytics YOLO11 oferece melhor desempenho, especialmente em aplicações em tempo real nas quais a precisão é fundamental, como agricultura e saúde. Com seus recursos avançados, o YOLO11 ajuda os setores a obter informações em tempo real e a enfrentar desafios com mais eficácia.

Principais conclusões#

A palestra principal de David no YV24 recordou-nos que a IA é mais do que uma inovação interessante — é uma ferramenta poderosa para resolver problemas reais e melhorar a forma como vivemos e trabalhamos. Ao centrar-se no comportamento, a IA já está a gerar impacto em áreas como o acompanhamento da saúde animal e o reconhecimento de padrões relevantes nas ações quotidianas.

O potencial da IA comportamental é empolgante e estamos apenas no início. Ao transformar dados em bruto em informações úteis para a ação, a IA comportamental passa da monitorização passiva à resolução ativa de problemas. À medida que evolui, a IA comportamental deverá impulsionar decisões mais inteligentes, simplificar processos e trazer melhorias significativas às nossas vidas.

Mantém-te em contacto com a nossa comunidade para saberes mais sobre a IA e as suas aplicações no mundo real. Visita o nosso repositório no GitHub para descobrires inovações em áreas como a IA na agricultura e a visão por computador na indústria transformadora.