Das visualizações a informações úteis para o negócio com visão computacional

A visão computacional é um subcampo da inteligência artificial (AI) que permite às máquinas interpretar dados visuais e tomar decisões com base neles. Uma demonstração de uma aplicação de visão computacional inclui normalmente vários resultados visuais, como imagens ou vídeos anotados com caixas delimitadoras ou máscaras de segmentação para realçar os objetos de interesse. Embora estes elementos visuais sejam impressionantes, nem sempre mostram claramente que informações práticas podem fornecer.

Considera, por exemplo, uma loja de retalho. Um modelo de visão computacional como o Ultralytics YOLOv8 pode ser utilizado para criar um mapa de calor que mostra onde os clientes passam a maior parte do tempo. A visualização pode parecer um mapa colorido a indicar onde os clientes costumam passar ou permanecer. No entanto, a informação realmente útil é a possibilidade de identificar as secções da loja com pior desempenho. Os retalhistas podem utilizar esta informação prática para reorganizar a disposição dos produtos, otimizar o espaço nas prateleiras ou ajustar as exposições promocionais, aumentando o envolvimento dos clientes e as vendas.

Fig. 1. Exemplo de um mapa de calor criado para uma loja de retalho usando o Ultralytics YOLOv8.

O verdadeiro valor da visão computacional está em transformar estes resultados visuais em informações empresariais significativas, que podem melhorar e otimizar diretamente as operações para promover o crescimento e a eficiência. Neste artigo, vamos analisar o que a visão computacional pode oferecer às empresas e como pode ter um impacto real nas suas operações. Também vamos abordar estratégias para ir além dos resultados visuais e aproveitar informações práticas que gerem resultados concretos.

Visualizações vs. informações úteis em IA: o equívoco comum#

Comecemos por compreender a diferença entre visualizações e informações úteis. Na visão computacional, as visualizações, como as caixas delimitadoras e os mapas de calor, são importantes para compreender os resultados do modelo. Estes resultados visuais servem de ponto de partida para ilustrar o que a visão computacional pode ou não fazer. As informações úteis, por outro lado, vão além destes elementos visuais e fornecem dados valiosos que podem ser utilizados para tomar decisões informadas, melhorar processos ou compreender padrões mais a fundo. Transformam dados visuais em bruto em conclusões relevantes que ajudam a descobrir tendências, prever resultados ou otimizar estratégias.

Por exemplo, um sistema de monitorização de treinos por visão computacional pode utilizar a estimativa de pose e modelos como o Ultralytics YOLOv8 para acompanhar os movimentos do corpo, identificando pontos-chave como as articulações e os 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 nas informações quantificáveis fornecidas por estes dados — como o número de flexões ou agachamentos realizados, a duração de cada exercício, a regularidade das repetições e a qualidade da postura durante toda a sessão.

Os treinadores podem utilizar estas informações para analisar a postura dos seus clientes durante os exercícios, detetar movimentos incorretos que possam causar lesões, acompanhar o desempenho ao longo do tempo e compreender os hábitos de treino. Estas informações ajudam os treinadores a dar melhores indicações, criar planos de treino mais eficazes e ajudar os clientes a alcançar os seus objetivos de condição física com mais segurança e eficiência.

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

Gerar valor empresarial com a visão computacional#

À medida que a tecnologia avança, as empresas procuram constantemente formas de se manterem à frente da concorrência, e a visão computacional pode ajudá-las. Ao integrar informações obtidas através da visão computacional nos fluxos de trabalho existentes, podem alcançar resultados mensuráveis concretos.

Estas informações podem ser valiosas em várias áreas da empresa, como:

• Métricas de desempenho: Dados quantitativos que destacam os principais indicadores 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.
• Informações preditivas: prever resultados futuros ou identificar possíveis problemas usando dados históricos e em tempo real.
• Alertas em tempo real: notificações instantâneas sobre eventos importantes, anomalias ou alterações que requerem atenção.

Por exemplo, na indústria do petróleo e do gás, a deteção de incêndios ou fugas de gás nos fornos era tradicionalmente feita através de monitorização manual ou de sistemas de sensores básicos. Estes métodos carecem muitas vezes da velocidade e precisão necessárias para detetar potenciais perigos atempadamente. A visão computacional pode melhorar este processo através da utilização de câmaras e de modelos de deteção de objetos, como o Ultralytics YOLOv8, para monitorizar continuamente os fornos e detetar rapidamente problemas como chamas anormais, excesso de fumo ou fugas de gás.

O resultado visual desta aplicação pode apresentar-se como caixas delimitadoras nas imagens, destacando as zonas onde foi detetado um incêndio. No entanto, o verdadeiro benefício está em transformar estes sinais visuais em informações úteis. Estas informações podem ajudar a identificar a causa de um incêndio, prever problemas nos equipamentos e planear a manutenção para prevenir problemas futuros. Ao usarem estas informações, as empresas industriais podem reagir 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 IA#

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

Por exemplo, na monitorização do trânsito, um modelo de visão computacional como o Ultralytics YOLOv8 pode analisar imagens de trânsito em direto para detetar e acompanhar diferentes veículos, como automóveis, carrinhas e autocarros, na estrada. A visualização dos resultados pode mostrar os veículos identificados e acompanhar o número de veículos que entram e saem de zonas específicas. Estas informações também podem ser apresentadas num painel que discrimina a contagem de veículos por zona e calcula métricas importantes, como o número total de veículos e a velocidade média.

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

Estas informações ajudam as equipas de gestão do trânsito a compreender o fluxo de tráfego, identificar pontos de congestionamento, prever engarrafamentos e ajustar os semáforos ou os percursos para manter o trânsito fluido. Ao transformar dados visuais em informações úteis, este sistema ajuda os urbanistas a tomar decisões inteligentes para melhorar o fluxo do trânsito e reduzir os problemas nas estradas.

Colmatar a lacuna entre a IA e as necessidades empresariais#

Agora que já falámos do impacto empresarial das informações práticas obtidas através da visão computacional, vamos analisar estratégias para colmatar a lacuna entre a visualização de dados e as informações empresariais. Ao desenvolver soluções de AI, estas considerações são essenciais, pois ajudam a ir além das simples tarefas de visão computacional e a compreender o contexto e as relações presentes nos dados. Uma análise aprofundada permite criar informações mais significativas e relevantes para as necessidades empresariais.

Para começar, é essencial melhorar a comunicação entre os programadores de IA e os líderes empresariais. Os programadores de IA podem conversar abertamente com as partes interessadas da empresa para compreender os seus objetivos, desafios e o que esperam alcançar. Ao adotar a perspetiva de quem gere a empresa, é mais fácil determinar como a visão computacional pode resolver diretamente problemas específicos. Em vez de desenvolver soluções genéricas, os programadores podem concentrar-se na criação de aplicações de visão computacional que respondam a necessidades empresariais concretas.

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 na dimensão e 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 melhora a segurança e a eficiência.

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

Depois de estabelecer uma comunicação clara, o passo seguinte é concentrar-se na qualidade e no processamento dos dados. Os programadores podem garantir que os dados usados para treino e análise são limpos, consistentes e relevantes para as necessidades do cliente. Simplificar o processamento de dados pode ajudar a reduzir atrasos e a fornecer informações precisas e oportunas. Além disso, integrar sistemas de visão computacional com as ferramentas empresariais existentes pode melhorar a tomada de decisões e permitir que as empresas reajam rapidamente a informações importantes.

Eis outros fatores a ter em conta:

• Visualização intuitiva: garante que os resultados visuais sejam simples e fáceis de interpretar para as partes interessadas sem conhecimentos técnicos.
• Escalabilidade: concebe soluções de IA capazes de acompanhar as necessidades crescentes da empresa em termos de dados e as mudanças operacionais.
• Análise em tempo real: integra o processamento de dados em tempo real para fornecer informações oportunas que permitam agir de imediato.
• 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 dos modelos para se adaptar às mudanças no ambiente empresarial e nos padrões dos dados.

O futuro da visão computacional nas empresas#

Embora os resultados visuais, como caixas delimitadoras e máscaras, demonstrem as capacidades da visão computacional, as empresas precisam de mais do que simples representações visuais: precisam de informações úteis que orientem a tomada de decisões e as melhorias operacionais. Ao compreenderem os objetivos empresariais e aplicarem a visão computacional a problemas do mundo real, os programadores podem fornecer informações que melhorem as operações, aperfeiçoem as experiências dos clientes e reduzam os custos.

Para colmatar a lacuna entre a visualização e as informações úteis, 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 visão computacional e a transformar informações em benefícios concretos.

Vamos aprender e explorar em conjunto! Consulta o nosso repositório do GitHub para conhecer os nossos contributos para a AI e não te esqueças de participar na nossa comunidade. Descobre como estamos a transformar setores como a indústria transformadora e os cuidados de saúde com a tecnologia de AI.