A CESAR School tem três projetos aprovados na primeira fase do no Catalisa ICT, uma iniciativa do Sebrae Nacional, cujo principal objetivo é “fomentar negócios inovadores de base tecnológica”, ideias que alavanquem a “geração de riqueza e bem-estar para a sociedade” em diversas frentes.
“Hear – Helping Everyone to Actively React”, de Ana Paula Carvalho Cavalcanti Furtado; “Técnicas de Inteligência Artificial para a Promoção da Medicina Veterinária Baseada em Evidências”, de Melissa Barbosa Pontes; e “Utilização de Aprendizagem de Máquina Federada na Classificação de Cenas Acústicas envolvendo violência contra a mulher”, de Tiago Beltrão Lacerda, são os trabalhos de alunos e professores da School aprovados na primeira fase da seleção.
Os trabalhos pré-selecionados cumprem o requisito de serem negócios inovadores, “de base tecnológica” e com potencial de “acelerar o desenvolvimento econômico” e – muito importante – “social” do Brasil. A gente conversou com os três pré-selecionados sobre essas propostas e já estamos na torcida.
Anti-violência
Dois dos projetos da lista são co-existentes e visam coibir a violência contra mulher e não podia ser, infelizmente, mais oportuno. De acordo com as pesquisas do Instituto Datafolha e do Fórum Brasileiro de Segurança Pública (FBSP), 27,4% das mulheres reportaram ter sofrido algum tipo de violência ou agressão em 2019 e 28,6% em 2017, sendo a ofensa verbal (como insultos e xingamentos) a maioria, com 21,8%.
“Hear – Helping everyone to actively react” é um deles. Encabeçado pela professora Ana Paula Furtado, do Mestrado e do Doutorado da CESAR School e da Universidade Federal Rural de Pernambuco (UFRPE), o projeto trata de uma plataforma que analisa o som ambiente e é capaz de identificar indícios de agressão contra mulheres, o que pode ser um meio de evitar casos de feminicídios. Participa do projeto o professor Rafael Ferreira, também da UFRPE.
Ana Paula conta que o trabalho criou uma cadeia de interesse ampla, envolvendo tanto pessoas que reconhecem a importância da campanha quanto outras que sofreram na pele – ou muito próximo – a violência doméstica. A partir disso, outros trabalhos foram aprimorando ferramentas. “Em 2020.2, tivemos outro braço do Hear que usa visão computacional, com uma câmera capaz de identificar uma cena de agressão contra uma mulher. Ainda não é trivial, mas se coloca essencial”, pontua a professora.
Ela cita o trabalho “Utilização de aprendizagem de máquina federada na classificação de cenas acústicas envolvendo violência contra a mulher”, de Tiago Beltrão Lacerda, aluno da CESAR School, também pré-selecionado do Catalisa, que usa aprendizagem federada, de machine learning, respeitando as diretrizes da recente Lei de Geral de Proteção de Dados (LGPD): captura cenas mas preserva a identidade das pessoas.
Tiago explica que seu projeto funciona como uma extensão do Hear, porém implementado no paradigma da aprendizagem de máquina federada. “Ela inverte a lógica do treinamento dos modelos de aprendizagem de máquina: o modelo é treinado no dispositivo da pessoa e são enviados para a central apenas os ajustes no modelo que vai sendo construído aos poucos com colaboração dos usuários”, explica Tiago.
No paradigma tradicional, os dados dos usuários são enviados para um nó central, onde são utilizados no desenvolvimento de modelos de inteligência artificial por meio da aprendizagem de máquina. Ou seja, o modelo estudado no projeto de Tiago é mais seguro.
“A grande vantagem é que se você não tem os dados, não tem que se preocupar com vazamentos. Você tem a privacidade dos usuários por design. “Estou muito contente em pesquisar essa área, que é de vanguarda. O artigo que deu origem é de 2017. “Pesquisar isto está sendo uma oportunidade muito grande, é minha motivação maior: fazer uma pesquisa relevante e entregar algo relevante para a sociedade. E se conseguirmos entregar algo pro mercado vai ser fantástico”.
Asservet
A ideia do projeto liderado por Melissa Barbosa Pontes está ligada à promoção da tecnologia da medicina baseada em evidências para o atendimento feito pelo médico veterinário, em consultório.
“A motivação é levar esse conceito de ‘medicina baseada em evidência’ para o campo veterinário, que é uma coisa que começa a ser praticada pela medicina humana. Como sou também estudante de medicina veterinária, sinto falta desse tipo de prática”, explica Melissa.
Ela narra que muitas decisões médicas são tomadas com base na experiência do profissional, que poderia se beneficiar muito mais das atualizações científicas, que poderiam apresentar mais caminhos e mais assertividade. “A ideia é agregar valor a esse profissional. Tem o objetivo de reunir muitos dados de atendimentos clínicos para que, a partir da análise dessas informações, seja possível identificar padrões e fazer inferências”.
O Acerte-vet poderá apoiar o diagnóstico ou ainda oferecer alertas estratégicos ao profissional. Feita a coleta de material, exames físicos, anamnese, o software oferece outras informações com base nesses dados. “O diagnóstico cabe ao médico, mas a tecnologia pode mostrar dados que ele ainda não tenha visto. Ou, ainda, ser útil a troca de plantões, com repasse de informações que eventualmente escapem”.
“Uma coisa legal é que esse projeto é escalável. A medicina veterinária tem mais de 80 áreas de atuação. Se você pensar, esse conceito pode ser aplicado em qualquer coisa. Foquei na clínica médica porque é o que eu gosto, mas isso pode ser aplicado em diversas outras áreas que a gente tem como atuação veterinária”.