De visualizações a informações úteis para o negócio com visão computacional

A computer vision é um subcampo da inteligência artificial (AI) que permite às máquinas interpretar e tomar decisões com base em dados visuais. Quando uma aplicação de computer vision é apresentada, normalmente inclui vários resultados visuais, como imagens ou vídeos, anotados com caixas delimitadoras ou máscaras de segmentação para destacar objetos de interesse. Embora estes elementos visuais sejam impressionantes, nem sempre mostram claramente que insights acionáveis podem fornecer.

Considera, por exemplo, uma loja de retalho. Um modelo de computer vision como o Ultralytics YOLOv8 pode ser utilizado para criar um mapa de calor que mostre onde os clientes passam mais tempo. A visualização pode parecer um mapa colorido que indica por onde a maioria dos clientes tende a passar ou onde permanece durante mais tempo. No entanto, o verdadeiro insight obtido é a capacidade de identificar áreas da loja com baixo desempenho. Os retalhistas podem utilizar este insight acionável para reorganizar a disposição dos produtos, otimizar o espaço nas prateleiras ou ajustar os expositores promocionais para aumentar o envolvimento dos clientes e as vendas.

Fig. 1 Um exemplo de um mapa de calor criado para uma loja de retalho utilizando Ultralytics YOLOv8.

O verdadeiro valor da computer vision está em transformar estes resultados visuais em insights empresariais relevantes, que podem melhorar e otimizar diretamente as operações para promover o crescimento e a eficiência. Neste artigo, veremos o que a computer vision pode oferecer às empresas e como pode gerar um impacto real nas suas operações. Também abordaremos estratégias para ultrapassar os resultados visuais e aproveitar insights acionáveis que conduzam a resultados concretos. Vamos começar!

Visualização vs. insights em AI: o equívoco comum#

Comecemos por compreender a diferença entre visualizações e insights. Na computer vision, visualizações como caixas delimitadoras e mapas de calor são importantes para compreender o resultado do modelo. Estes resultados visuais servem como um ponto de partida para ilustrar o que a computer vision pode e não pode fazer. Os insights, contudo, vão além destes elementos visuais e fornecem informações valiosas que podem ser utilizadas para tomar decisões fundamentadas, melhorar processos ou compreender padrões de forma mais aprofundada. Transformam dados visuais brutos em conclusões relevantes que ajudam a revelar tendências, prever resultados ou otimizar estratégias.

Por exemplo, um sistema de monitorização de exercícios com computer vision pode utilizar estimativa de pose e modelos como o Ultralytics YOLOv8 para acompanhar os movimentos do corpo, identificando pontos-chave como articulações e membros. O resultado visual, como esqueletos animados que mostram os movimentos de uma pessoa, pode ser interessante de observar. No entanto, o verdadeiro valor está nos insights quantificáveis fornecidos por estes dados, como o número de flexões ou agachamentos realizados, a duração de cada exercício, a consistência das repetições e a qualidade da postura mantida ao longo da sessão.

Os treinadores podem utilizar estes insights para analisar a execução dos exercícios dos seus clientes, detetar movimentos incorretos que possam causar lesões, acompanhar o desempenho ao longo do tempo e compreender os hábitos de treino. Estes insights ajudam os treinadores a dar um feedback melhor, criar planos de treino mais eficazes e ajudar os clientes a alcançar os seus objetivos de condição física de forma mais segura e eficiente.

Fig. 2. Utilização do Ultralytics YOLOv8 para acompanhar os movimentos do corpo.

Gerar valor empresarial com computer vision#

À medida que a tecnologia avança, as empresas procuram sempre formas de se manter à frente da concorrência, e a computer vision é uma excelente forma de o fazer. Ao incorporarem insights de computer vision nos seus fluxos de trabalho existentes, podem obter resultados mensuráveis concretos.

Estes insights podem fornecer informações valiosas em várias áreas da empresa, como:

• Métricas de desempenho: Dados quantitativos que destacam indicadores-chave de desempenho e padrões.
• Análise de tendências: Compreender tendências emergentes e alterações no comportamento dos clientes ou nas condições do mercado ao longo do tempo.
• Insights preditivos: Prever resultados futuros ou identificar potenciais problemas utilizando dados históricos e em tempo real.
• Alertas em tempo real: Notificações instantâneas sobre eventos importantes, anomalias ou alterações que exigem atenção.

Por exemplo, na indústria do petróleo e do gás, a deteção de incêndios ou fugas de gás em fornos era tradicionalmente realizada através de monitorização manual ou de sistemas básicos de sensores. Estes métodos frequentemente não têm a rapidez e a precisão necessárias para detetar atempadamente potenciais perigos. A computer vision pode melhorar este processo utilizando câmaras e modelos de deteção de objetos como o Ultralytics YOLOv8 para monitorizar continuamente os fornos e detetar rapidamente problemas como chamas invulgares, excesso de fumo ou fugas de gás.

O resultado visual desta aplicação pode consistir em caixas delimitadoras sobre imagens, destacando as áreas onde é detetado um incêndio. No entanto, o verdadeiro benefício resulta da transformação destes sinais visuais em insights acionáveis. Estes insights podem ajudar a determinar a causa de um incêndio, prever problemas no equipamento e planear a manutenção para evitar problemas futuros. Ao utilizarem estes insights, as empresas industriais podem responder rapidamente a potenciais incêndios, evitar danos dispendiosos, reduzir o tempo de inatividade e melhorar a segurança e a eficiência.

Fig. 3. Utilização do Ultralytics YOLOv8 para detetar incêndios.

Tomada de decisões baseada em dados com AI#

Os resultados visuais de um modelo treinado podem ser transformados em insights organizados em dashboards e bases de dados para uma análise mais aprofundada. Em particular, os dashboards podem ajudar os proprietários de empresas a obter uma visão clara das métricas de desempenho, a detetar anomalias e a apoiar decisões baseadas em dados e em informações em tempo real.

Por exemplo, na monitorização de tráfego, um modelo de computer vision como o Ultralytics YOLOv8 pode ser utilizado para analisar imagens de tráfego em direto, detetar e acompanhar diferentes veículos, como carros, carrinhas e autocarros, na estrada. A visualização do resultado pode mostrar veículos identificados e acompanhar o número de veículos que entram e saem de áreas específicas. Estas informações também podem ser apresentadas num dashboard que fornece uma discriminação do número de veículos por zona e calcula métricas-chave, como o número total de veículos e a velocidade média.

Fig. 4. Utilização do Ultralytics YOLOv8 para detetar e acompanhar o tráfego.

Estes insights ajudam as equipas de gestão de tráfego a compreender o fluxo de trânsito, identificar pontos de congestionamento, prever engarrafamentos e ajustar semáforos ou rotas para manter o trânsito a fluir. Ao transformar dados visuais em insights acionáveis, este sistema ajuda os planeadores urbanos a tomar decisões inteligentes para melhorar o fluxo de trânsito e reduzir os problemas nas estradas.

Colmatar a distância entre a AI e as necessidades empresariais#

Agora que abordámos o impacto empresarial dos insights acionáveis de computer vision, vejamos as estratégias para colmatar a distância entre a visualização de dados e os insights empresariais. Ao desenvolver soluções de AI, estas considerações são essenciais, pois ajudam a ir além de simples tarefas de computer vision e a compreender o contexto e as relações presentes nos dados. Uma análise aprofundada permite criar insights mais relevantes e significativos para as necessidades empresariais.

Para começar, é essencial melhorar a comunicação entre os programadores de AI e os líderes empresariais. Os programadores de AI podem manter discussões abertas com as partes interessadas da empresa para compreender os seus objetivos, desafios e o que esperam alcançar. Ao adotarem a perspetiva do proprietário da empresa, torna-se mais fácil determinar como a computer vision pode resolver diretamente problemas específicos. Em vez de desenvolver soluções genéricas, os programadores podem concentrar-se na criação de aplicações de computer vision que resolvam necessidades empresariais reais.

Por exemplo, no cenário do petróleo e do gás que abordámos anteriormente, falar diretamente com uma parte interessada da empresa pode ajudar um programador a compreender necessidades específicas, como o envio de alertas com base no tamanho e na gravidade de um incêndio detetado. Conhecer estes detalhes ajuda os programadores a personalizar a solução para dar prioridade aos alertas críticos, garantindo tempos de resposta mais rápidos e reduzindo os riscos, o que aumenta a segurança e a eficiência.

Fig. 5. A comunicação é essencial. Fonte da imagem: Envato Elements.

Depois de estabelecida uma comunicação clara, o passo seguinte é concentrar-se na qualidade e no processamento dos dados. Os programadores podem garantir que os dados utilizados para o treino e a análise são limpos, consistentes e relevantes para as necessidades do cliente. Simplificar o processamento de dados pode ajudar a reduzir atrasos e fornecer insights precisos e atempados. Além disso, integrar sistemas de computer vision com ferramentas empresariais existentes pode melhorar a tomada de decisões e permitir que as empresas respondam rapidamente a insights importantes.

Eis alguns fatores adicionais a considerar:

• Visualização intuitiva: Garante que os resultados visuais sejam simples e fáceis de interpretar por partes interessadas não técnicas.
• Escalabilidade: Concebe soluções de AI que possam acompanhar o crescimento das necessidades de dados e as alterações operacionais da empresa.
• Análise em tempo real: Incorpora o processamento de dados em tempo real para fornecer insights atempados que possam desencadear uma ação imediata.
• Segurança e privacidade: Protege a integridade e a confidencialidade dos dados, especialmente ao lidar com informações sensíveis.
• Aprendizagem e adaptação contínuas: Implementa mecanismos de aprendizagem contínua e atualizações do modelo para se adaptar a ambientes empresariais e padrões de dados em mudança.

O futuro da computer vision nas empresas#

Embora os resultados visuais, como caixas delimitadoras e máscaras, demonstrem as capacidades da computer vision, as empresas precisam de mais do que simples representações visuais; precisam de insights acionáveis que possam orientar a tomada de decisões e as melhorias operacionais. Ao compreenderem os objetivos empresariais e aplicarem a computer vision a problemas do mundo real, os programadores podem fornecer insights que melhoram as operações, aperfeiçoam as experiências dos clientes e reduzem os custos.

Para colmatar a distância entre a visualização e os insights acionáveis, os programadores podem comunicar claramente com as partes interessadas, utilizar dados de alta qualidade e melhorar o processamento de dados. Estes passos ajudam as empresas a tirar o máximo partido da tecnologia de computer vision, transformando insights em benefícios reais.

Vamos aprender e explorar em conjunto! Consulta o nosso repositório no GitHub para conhecer os nossos contributos para a AI e não te esqueças de participar na nossa comunidade. Descobre como estamos a redefinir setores como a indústria transformadora e os cuidados de saúde com tecnologia de AI de ponta.