Categorias
Big Data Ceará Inteligência Artificial Segurança Pública

Nova Estratégia de Segurança Pública do Governo do Ceará é apresentada na Câmara dos Deputados como referência nacional

Após se destacar nacionalmente na redução dos principais indicadores criminais, especialmente nos Crimes Violentos Letais Intencionais (CVLI), que já alcançam uma queda por 18 meses seguidos, o estado do Ceará, representado pelo secretário da Segurança Pública e Defesa Social (SSPDS), André Costa, apresentou o conceito da Nova Estratégia de Segurança Pública (Nesp) do Governo do Ceará, na Câmara dos Deputados, em Brasília/DF. A iniciativa foi um pedido do deputado federal de Minas Gerais, Doutor Frederico, que requereu uma audiência pública, com a presença do gestor cearense, na Comissão de Segurança Pública e Combate ao Crime Organizado, nesta quarta-feira (23).

Além de André Costa, o superintendente de Pesquisa e Estratégia de Segurança Pública (Supesp) – órgão vinculado à SSPDS – e criador da teoria de combate à mobilidade do crime, Aloísio Lira; o secretário da Administração Penitenciária (SAP) do Estado do Ceará, Mauro Albuquerque; e o coordenador do Programa de Mestrado e Doutorado da Pós-Graduação do Departamento de Computação da Universidade Federal do Ceará (UFC), professor Antônio Macedo, também expuseram as estratégias montadas pela Segurança Pública do Ceará na construção de políticas públicas na área.

“A apresentação é para podermos expor toda a estratégia e o planejamento que tem sido feito no estado do Ceará. Vale destacar o trabalho que temos feito na área de tecnologia em segurança publica. Nós vamos apresentar os resultados que essas ações vem apresentado nas reduções de CVLI e CVP. Vamos colocar a disposição da comissão de segurança pública da Câmara dos Deputados para que possamos colaborar com qualquer proposta no legislativo, mas que possamos levar essa experiência no Ceará para os estados de origem e colaborar cada vez mais com a segurança publica em todo o País, destacou André Costa, antes de falar aos deputados e convidados.

A Nesp, que foi apresentada pelos gestores cearenses, consiste na criação de um novo caminho traçado pelo Governo, que visa o combate à violência no Estado por meio da integração, coordenação e responsabilização em diferentes níveis. Além do investimento em tecnologias da informação, em sistemas e dispositivos, construídos para somarem-se ao trabalho dos homens e mulheres que atuam na segurança pública, um dos pontos dentro da nova estratégia é a valorização e motivação dos profissionais. Junto ao trabalho feito pela SSPDS, há ainda as novas medidas dentro do sistema prisional e do sistema socioeducativo do Ceará, que impactam diretamente na queda dos índices criminais. Em paralelo às ações de segurança, há ainda o entendimento que o combate à violência não se limita apenas ao trabalho das polícias. Por isso, os pilares da Nesp também se baseiam em políticas públicas de educação, redução da pobreza, de cultura, esporte e de saúde.

“A ideia hoje é comentarmos sobre as boas praticas no estado do Ceará no uso de tecnologia do Big Data e inteligência artificial na Segurança Publica. Isso foi desenvolvido em parceria com a SSPDS, por meio do secretário André e o superintendente Aloisio Lira, no sentido de desenvolvermos uma solução customizada especificamente para os problemas de segurança pública do Estado. Essa arquitetura usou código aberto (plataformas abertas) customizadas para os problemas que a Secretaria quisesse atacar. Dentro da apresentação, eu pretendo mostrar a filosofia dessa arquitetura, mostrar que a tecnologia não é o fim, mas sim, um meio. Vamos discutir um pouco a necessidade de um projeto dessa envergadura ser totalmente alinhado com essa estratégia. Para fazermos um projeto de acordo com a realidade”, evidencia o professor Antônio Macedo, que coordenou os trabalhos integrados na UFC.

Essa não foi a primeira vez que a Secretaria da Segurança do Ceará apresentou o tema em Brasília. No dia 20 de agosto deste ano, André Costa já havia palestrado sobre o tema durante o Seminário de Boas Práticas em Tecnologia da Informação Voltadas à Segurança Pública. Na ocasião, quatro sistemas desenvolvidos pela SSPDS e UFC foram entregues à Secretaria Nacional de Segurança Pública (Senasp) do Ministério da Justiça e Segurança Pública (MJSP), que repassará as tecnologias que vêm contribuindo para os bons resultados em território cearense para as outras unidades da federação.

A expansão dos projetos cearenses para os demais estados brasileiros é capitaneada pelo MJSP e coordenado nacionalmente pelo secretário André Costa; pelo superintendente de Pesquisa e Estratégia de Segurança Pública (Supesp), Aloísio Lira; pelos professores doutores do Departamento de Computação da UFC, Antônio Macedo e Paulo Rêgo.

“Hoje, nós mostramos como os crimes evoluem e como a Segurança Pública deve acompanhar essa evolução. Apresentamos como o Ceará passou a repensar de forma diferente e se organizar para dar uma resposta à criminalidade e assim traçar novas estratégias. Explicando ainda como a tecnologia ajudou durante esse processo”, revela Aloísio Lira, superintendente da Supesp.

A construção de estratégias da SSPDS

Durante as suas apresentações, os representantes cearenses falaram sobre as ferramentas e estratégias construídas sobre três pontos importantes: mobilidade, território e ciência de dados. Os parlamentares conheceram, por meio de explicações técnicas e apresentação de números, quais as ações que estão em desenvolvimento graças à parceria entre SSPDS, Polícia Rodoviária Federal (PRF) e pesquisadores da Universidade Federal do Ceará (UFC) e demais instituições de ensino superior.

Uma das ferramentas apresentadas foi o Sistema Policial Indicativo de Abordagem (Spia), uma inteligência artificial desenvolvida pela SSPDS e PRF, que funciona em conjunto ao sistema de videomonitoramento da Coordenadoria Integrada de Operações de Segurança (Ciops) da SSPDS, e suas mais de 3.300 câmeras em todo o Ceará. Atuando na identificação de carros e motocicletas roubados ou furtados, o Spia e os cercos inteligentes, realizados pela Polícia Militar, quebram um ciclo de ações criminosas que ocorreriam a bordo do veículo automotor, como a prática de novos roubos e até mesmo homicídios.

A utilização da ferramenta Spia e o aprimoramento da expertise policial impactaram na melhoria dos Crimes Violentos contra o Patrimônio (CVP), que em setembro deste ano chegou ao 28° mês de queda. Nesse contexto, há ainda a redução de 64% nos roubos de cargas e a retração de 47% nos roubos de veículos, por exemplo.

A construção de ferramentas que ajudem na tomada de decisão também foi um tema abordado durante a audiência pública. Como exemplo, os presentes tiveram a oportunidade de entender sobre a funcionalidade do Big Data “Odin” e do seu painel analítico “Cerebum”. A ferramenta, que foi desenvolvida pela SSPDS e UFC, permite, entre outras coisas, uma análise profunda das estatísticas, sendo possível estratificar, com alta precisão, os crimes, bem como encontrar padrões que possam levar a predições.

Alimentado por mais de 100 sistemas dos órgãos de Segurança Pública do Estado e de instituições parceiras, o Odin possui mais de 90 bases de dados diferentes e é capaz de analisar milhares de tipos de dados diferentes, que ficarão à disposição dos gestores através de um painel analítico. Os sistemas foram remodelados para fornecer as informações, em tempo real, e facilitar o processo de investigação, inteligência e tomada de decisão.

Por último, os parlamentares conheceram o funcionamento do Portal do Comando Avançado (PCA), que é um aplicativo disponibilizado para os profissionais de segurança. Por meio desse mecanismo, é possível identificar possíveis suspeitos por meio do leitor biométrico conectado a um celular smartphone. O procedimento já é adotado no Ceará em situações em que o indivíduo não apresenta documento de identificação à composição. O próximo passo comentado durante a audiência pública, e que está em fase de teste, é o reconhecimento facial, feito por meio da câmera de um smartphone.

*Imagem: TV Câmara

Categorias
Ceará Segurança Pública Tecnologia

Políticas de segurança pública do Ceará será discutida nesta quarta-feira(23) em Brasília

A redução dos índices de criminalidade no Ceará virou assunto nacional.

Afinal, nos últimos anos, o Ceará sempre se destacou negativamente com números alarmantes, com Fortaleza aparecendo como uma das cidades mais violentas do mundo.

Porém, o governo cearense reagiu e, concomitantemente com a adoção de políticas sociais de prevenção, adotou inteligência e tecnologia de ponta no combate à violência, além de retomar o controle sobre o sistema penitenciário, desarticulando o comando do crime organizado.

Deu resultado e os números da criminalidade têm caído progressivamente.

E os deputados da Comissão de Segurança Pública e Combate ao Crime Organizado da Câmara Federal querem entender o que levou a essa reviravolta.

Para tanto, convidaram os responsáveis pelo programa de segurança pública cearense para um debate na Câmara Federal,

Estarão lá o secretário de Segurança Pública e Defesa Social, André Costa; o secretário da Administração Penitenciária, Luís Mauro Albuquerque; o superintendente de Pesquisa e Estratégia de Segurança Pública, Aloísio Vieira Lira Neto; o coordenador do Programa de Mestrado e Doutorado do Departamento de Computação da Universidade Federal do Ceará, José Antônio Fernandes Macedo; e o diretor-geral da Polícia Rodoviária Federal (PRF), Adriano Marco Furtado.

A audiência será realizada nesta quarta-feira (23), às 16h30, no plenário 6 da Câmara. Clique aqui e acompanhe.

*Foto/José Leomar

Categorias
Inteligência Artificial

Como a Inteligência Artificial pode tornar o trânsito mais seguro?

De carros autônomos a softwares inteligentes, que fazem atendimento e simulações similares à inteligência humana. Entre tantos avanços tecnológicos, a Inteligência Artificial (IA) vem revolucionando a tomada de decisões de pessoas, empresas e organizações dos mais variados segmentos. O trânsito é um deles e, graças a essa tecnologia, os órgãos públicos conseguem atuar de forma inteligente, trazendo soluções em tempo real.

Mas, afinal, como a Inteligência Artificial pode auxiliar o trabalho dos órgãos que atuam no monitoramento de estradas, rodovias e do trânsito como um todo, oferecendo informações e imagens precisas?

Ao falar em tecnologia para esse segmento, sempre é preciso ter em mente que as soluções detectam, registram e analisam os dados dos veículos. Hoje, muitas dessas funções podem ser feitas com o uso da Inteligência Artificial e Machine Learning.

Utilizando a IA, por meio da captura de imagens, algumas soluções conseguem extrair com eficiência e precisão informações sobre os veículos. Essas informações de qualidade são então fornecidas para os sistemas que fazem o controle e monitoramento das vias públicas, e é possível melhorar a operação e gestão do trânsito, com o objetivo de garantir que as estradas fiquem cada vez mais seguras e eficientes.

Por meio de algoritmos de Inteligência Artificial, softwares capturam de maneira automática a informação da categoria do veículo por imagem, sem a necessidade de que uma intervenção seja feita nas vias. Com apenas uma câmera, por exemplo, é possível monitorar e classificar os veículos de várias faixas ao mesmo tempo.

Há outros exemplos de fora do Brasil, como os sistemas de câmeras e IA que flagram motoristas que usam celular enquanto dirigem. O governo australiano pretende usar essa tecnologia com o intuito de flagrar as infrações e conter o número de acidentes. Até o fim do ano, 45 sistemas para detectar celulares serão instalados no estado de New South Wales, o mais populoso da Austrália.

Esse sistema, que será instalado nas laterais das estradas e será controlado por autoridades rodoviárias australianas, é composto por duas câmeras: uma, capaz de fotografar a placa de matrícula do veículo; outra, responsável por monitorar os movimentos do motorista por meio do para-brisa. Neste caso, a IA é utilizada para excluir motoristas que não estão usando o celular ao volante. Já as fotos que mostram motoristas suspeitos de cometerem a infração são encaminhadas para a análise das equipes.

O fato é que, na era da inteligência e da informatização, a geração de dados é constante e em tempo real. Esses dados são tratados e transformados em informações úteis para todos, dos motoristas aos profissionais técnicos e órgãos de trânsito. Isso contribuirá com a redução de acidentes e, consequentemente, aumentará a segurança, além de tornar as rodovias e vias urbanas mais agradáveis de serem utilizadas.

*Ian Robinson é engenheiro eletricista e gerente de marketing na Pumatronix

Categorias
Deep Learning Inteligência Artificial

Tudo que você precisa saber para trabalhar com Inteligência Artificial

O mercado para profissionais com bagagem em inteligência artificial não para de crescer. Em fevereiro, a ONU informou que os números de pedidos de patentes para inovações baseadas em inteligência artificial aumentaram exponencialmente nos últimos anos.

O estudo de inteligência artificial começou, ainda na década de 50 na Universidade de Carnegie Mellon, nos EUA. De lá pra cá muita coisa mudou. Na época, o objetivo dos pesquisadores pioneiros, Hebert Simon, Allen Newell e Jonh McCarthy era criar um “ser” que simulasse uma vida humana.

Hoje, a inteligência artificial sustenta a automação de muitos negócios, com software que aprende a tomar as melhores decisões analisando os dados gerados de decisões anteriores.

Na prática, a inteligência artificial já habita um amplo espectro de nossas rotinas. Seja com a recomendação de músicas no Spotify seja com o melhor caminho para você chegar ao trabalho através do Waze.

Mas para aqueles que desejam trabalhar na área, por onde começar? Afinal, o conhecimento em inteligência artificial é muito amplo e exigido em cargos que vão desde um Cientista de Dados até um Engenheiro Aeroespacial. Aqueles com habilidades para analisar, organizar e traduzir bits de informação digital em experiências humanas significativas, certamente vão encontrar na carreira de inteligência artificial uma oportunidade recompensadora.

Por esse motivo, a redação do IT Trends preparou um guia completo, com tudo que você precisa saber para trabalhar com Inteligência Artificial. Confira.

Carreiras em inteligência artificial

De acordo com o Computer Science Degree Hub, carreiras em inteligência artificial podem ser encontradas em diversos ambientes, como empresas públicas e privadas, organizações educacionais, artes, instalações de saúde, agências governamentais e militares, entre outros.

Em alguns desses ambientes, as vagas podem exigir alto nível de responsabilidade e segurança, principalmente quando se trata de dados, dependendo da sensibilidade das informações, empresas podem até exigir certificações em segurança.

Confira a lista de cargos com atuação em inteligência artificial:

  • Analistas e Desenvolvedores de softwares e sistemas;
  • Cientistas e Engenheiros da computação;
  • Cientistas e Engenheiros de Machine Learning;
  • Cientistas e Engenheiros de aplicações e plataformas;
  • Cientistas e Engenheiros de Integração de Hardware;
  • Arquiteto de Dados;
  • Especialistas em algoritmos;
  • Cientistas de pesquisa e consultores de engenharia;
  • Engenheiros mecânicos e técnicos de manutenção;
  • Engenheiros elétricos e de manufatura;
  • Técnicos cirúrgicos trabalhando com ferramentas robóticas;
  • Profissionais de saúde médicos que trabalham com membros artificiais, próteses, aparelhos auditivos e dispositivos de restauração da visão;
  • Eletricistas militares e de aviação que trabalham com simuladores de voo, drones e armamentos;
  • Designers gráficos, músicos digitais, produtores de entretenimento, fabricantes de têxteis e arquitetos;
  • Professores pós-secundários em escolas técnicas e comerciais, centros vocacionais e universidades;

Conhecimentos e habilidades exigidos

Uma carreira em inteligência artificial é caracterizada pelo contato muito próximo com a automação, robótica, programação, algoritmos e uso de softwares específicos, sendo assim necessário que o interessado tenha disposição para adotar esses conceitos no seu dia a dia. No entanto, para adotar esses conceitos na rotina é necessário conhecimentos básicos e fundamentais, como matemática, tecnologia, lógica e engenharia.

Trabalhar com inteligência artificial exige também características comportamentais, como pensamento analítico e capacidade de resolver problemas com soluções eficientes e sustentáveis.

Os profissionais de inteligência artificial devem ser capazes de traduzir informações altamente técnicas, de modo que outras pessoas e colegas possam entender. Isso requer habilidades de comunicação interpessoal além de eficiência em trabalhos em equipe.

É importante lembrar que cada cargo, empresa ou área de atuação dentro da inteligência artificial pode ter exigências de conhecimentos específicos para a vaga. Os interessados em uma carreia em inteligência artificial devem investigar quais são os conhecimentos necessários para cada vaga, individualmente.

Educação

Mesmo que a área de tecnologia seja aberta para profissionais sem diplomas de ensino tradicional, inteligência artificial é um conceito muito discutido na academia, sendo um diferencial, um curso superior, mesmo para cargos de entrada.

Para trabalhar com inteligência artificial é necessário conhecimentos básicos em informática, matemática e lógica de computadores, que é a fundação da maioria dos programas de inteligência artificial.

É interessante também, procurar se especializar com cursos específicos da área. Diversas instituições de ensino oferecem cursos de pós-graduação em inteligência artificial. A FIAP por exemplo, oferece o programa de MBA: Artificial Intelligence & Machine Learning onde os alunos estudam majoritariamente:

  • História da inteligência artificial
  • Tipos de aprendizagem e algoritmos: aprendizagem e algoritmos por reforço, aprendizagem e algoritmos não supervisionados e aprendizagem e algoritmos supervisionados.
  • Heurísticas e meta-heurísticas de busca.
  • Deep learning e reinforcement Learning.
  • Redes neurais, convolucionais, recorrentes e recursivas
  • Manipulação de dados com Python e R
  • Modelagem de dados e big data
  • Indexação de documentos, text mining, cluster e chatbot.
  • Visão computacional, manipulação e segmentação de imagens, realidade aumentada
  • Conceitos de robótica e smart devices
  • Empreendedorismo

Outro exemplo é o curso “Inteligência Artificial em saúde: o uso de machine learning em saúde”, que é oferecido de forma completamente gratuita pela Universidade de São Paulo (USP) e ministrado pelo professor e pesquisador Alexandre Chiavegatto.

A USP explica que o curso cobre tópicos como predição, linguagens de programação R e Python, redes neurais, deep learning, consequências do uso de machine learning na economia e sociedade, entre outros.

Sendo assim, os interessados em conseguir uma oportunidade em uma carreira de inteligência artificial devem se atentar a esses detalhes como o que estudar e quais tipos de empresas precisam de profissionais especializados em inteligência artificial para conseguir uma vaga.

Categorias
Ciência de Dados Dados Governo

Os 12 principais casos de uso de ciência de dados no governo

Introdução

A análise de big data foi aplicada a diferentes esferas da vida humana. Um dos melhores recursos da análise de dados é sua adaptabilidade e amplo espectro de aplicativos. Percorremos toda a série de artigos sobre aplicação de ciência de dados em várias esferas que estão comprovando essa afirmação. Vamos considerar os casos de uso da ciência de dados para a atividade do governo.

Sob condições de rápido desenvolvimento de tecnologias e sociedades, os governos precisam resolver tarefas complexas e gerenciar vários procedimentos simultaneamente. Os governos enfrentam a necessidade de plataformas inteligentes capazes de coletar, limpar, filtrar e analisar grandes quantidades de dados. Governos locais, agências federais e departamentos usam ferramentas orientadas a dados para otimizar seu trabalho e melhorar os assuntos de segurança, setor público, direito, defesa, etc.

Vamos examinar mais de perto e esclarecer como os governos usam a ciência de dados e quais benefícios ela pode trazer.

Detecção de fraude

Todos os anos, transações fraudulentas causam perdas financeiras significativas para os governos. A fraude se tornou uma coisa comum. Esse fato pode parecer marcante para você, mas vamos dar uma olhada. Todas as operações que são mais ou menos relacionadas ao dinheiro apresentam interesse para possíveis fraudadores.

A principal característica da fraude no nível governamental é que as consequências, em certa medida, afetarão cada cidadão.

Para mitigar os riscos de fraude e ameaças subsequentes, os governos aplicam soluções de dados inteligentes e análise de dados.

Evasão fiscal

A sonegação de impostos pressupõe as ações tomadas pelos indivíduos ou empresas para deturpar os negócios reais com as autoridades fiscais. Desonestidade nos relatórios fiscais, como declarar menos renda, ajuda a reduzir a responsabilidade tributária. Em outras palavras, pessoas ou empresas mostram menos dinheiro com o objetivo de pagar menos dinheiro ao Estado. Imagine a quantidade de dados que devem ser processados ​​e analisados ​​para encontrar um evasor. Isso está realmente além da competência humana.

Felizmente, plataformas e soluções analíticas modernas são capazes de detectar sonegação de impostos. Os algoritmos analíticos usados ​​para esse fim baseiam-se não apenas nos dados financeiros, mas também nas informações de mídia social. Os algoritmos analisam cuidadosamente os dados e combinam os padrões dos gastadores com os rendimentos declarados. Assim, aqueles que gastam muito mais do que gastam são facilmente detectados.

Empresas não registradas

O grupo de firmas canceladas de registro abrange as empresas que não estão mais registradas no registro, desistiram de negociar e não estão sujeitas a obrigações legais e tributação. No entanto, essas empresas podem ser facilmente trazidas de volta à vida em caso de necessidade.

Esse fato fornece um vasto campo para atividades fraudulentas. Muitas vezes, as empresas não estão mais no registro, mas continuam sua operação e, finalmente, obtêm renda.

Algoritmos analíticos e soluções baseadas em IA estão ajudando os governos a esse respeito. Os algoritmos rastreiam a atividade mesmo para as empresas que parecem inativas e alarmadas em caso de ações suspeitas tomadas. Os algoritmos detectam a aparência do nome da empresa ou outras informações entre os dados financeiros. A divulgação das firmas canceladas de registro ajuda o estado a minimizar e até impedir a evasão ilegal do pagamento de impostos.

Defesa

Questões de defesa são cruciais para todos os estados do mundo. Todos os anos, governos de todo o mundo gastam bilhões de dólares em defesa.

Uma parte significativa desse dinheiro é gasta na introdução de big data, algoritmos de aprendizado de máquina e soluções baseadas em IA para melhorar o desempenho de vários departamentos e instituições militares. Fortalecidas pelas soluções de dados inteligentes, essas instituições podem melhorar o processo de tomada de decisão e reduzir o tempo gasto na solução de um assunto específico.

No campo da defesa, a importância do big data é enorme. Com a introdução da análise em tempo real, os estados tiveram a oportunidade de assistir, rastrear e monitorar as fronteiras, criar vários fluxos de vídeo a partir de vários objetos estrategicamente importantes e observar os espaços aéreo e marinho. As soluções inteligentes são mais atentas, precisas e confiáveis ​​em seus resultados de monitoramento. A análise preditiva parece ser um fator de mudança de jogo na logística de defesa e na prevenção de possíveis ameaças. Os algoritmos criam cenários possíveis calculando possíveis ameaças ou danos.

Atividade terrorista

Nas últimas décadas, fomos testemunhas de vários incidentes terroristas em todo o mundo. Essas questões precisam ser tomadas medidas severas, pois a segurança e o bem-estar das pessoas estão ameaçados.

O terrorismo se tornou um tipo de negócio para alguns grupos de pessoas. As organizações terroristas até recrutam jovens através de plataformas de mídia social.

A análise de big data, algoritmos de aprendizado de máquina e mineração de texto são amplamente aplicados para detectar essa atividade. Grandes quantidades de dados sobre o potencial comportamento terrorista são coletadas e cuidadosamente processadas. Esses dados incluem conversas incomuns, textos, interação e contatos, compras ou movimentos em locais potencialmente perigosos etc. As agências de segurança estão trabalhando na detecção em tempo real de padrões de dados e vinculando esses padrões aos sistemas. Essas soluções de dados inteligentes examinam todos os dados disponíveis e relatórios de formulário sobre indivíduos ou grupos possivelmente perigosos, levando em consideração os dados referentes a casos anteriores de extremismo, crime ou terrorismo.

Sensibilização para o crime nas ruas

O uso de invenções e bancos de dados modernos pelas autoridades estaduais mudou toda a imagem do mundo do crime. Impressões digitais, amostras de DNA e análises balísticas abriram novas oportunidades para quem investiga crimes e se esforça para impedir que eles aconteçam.

Os departamentos de polícia de todo o mundo utilizam big data para prever o mapeamento de crimes. Esses sistemas usam dados anteriores sobre tipo de crime, localização, data e hora para criar os pontos críticos. Os mapas com os pontos ativos provam ser muito mais eficientes do que pura adivinhação.

Além disso, os sistemas de cidades inteligentes permitem o monitoramento de vários locais sob condições de transmissão em tempo real. Câmeras e detectores de movimentos altamente sensíveis detectam ações suspeitas e enviam alarmes à polícia.

Ataques cibernéticos

No mundo das tecnologias digitais, a cibersegurança se tornou uma questão do nível governamental. Coletamos e analisamos a grande quantidade de dados para revelar suas informações valiosas. Mas os resultados de nosso cuidadoso processamento e análise podem se tornar interessantes para alguém que deseja usá-lo para um objetivo específico. Além disso, essas pessoas planejam levar os dados ilegalmente por roubo ou ataque de hackers.

Imagine a quantidade e a importância dos dados possuídos pelas instituições governamentais. Caso esses dados se tornem disponíveis ao público ou, pelo menos, a indivíduos particulares, ou se os dados desaparecerem, as consequências podem ser perturbadoras. Portanto, análises de big data e ferramentas específicas de aprendizado de máquina são usadas para monitorar e examinar cuidadosamente todas as operações que envolvem dados valiosos para revelar tendências e padrões nessas ações. Os sistemas monitoram os usuários e dispositivos na rede e sinalizam indivíduos ou ações suspeitas. Ele permite que o estado tome medidas mais operacionais, confiáveis ​​e seguras para evitar ataques cibernéticos.

Vigilância mais inteligente

Câmeras de vigilância são usadas cada vez mais extensivamente. Essas câmeras já provaram sua eficiência em objetos menores. Agora eles estão caminhando para as ruas e cantos mais escuros e menores das cidades e vilas.

As câmeras de vigilância não estão apenas gravando os vídeos. Hoje, suas capacidades se ampliam. Por exemplo, agora eles podem reconhecer violência ou atividade criminosa e distinguir brigas ou abusos físicos de outras ações e movimentos depois que o sistema de reconhecimento inteligente envia a mensagem à polícia.

Além disso, algoritmos semelhantes são usados ​​para reconhecer quedas traumáticas ou outras lesões e podem informar sobre a emergência. Isso prova ser muito útil para idosos e pessoas que sofrem de doenças crônicas graves.

Segurança nacional

Como a interação de pessoas e dados se torna mais intensa a cada dia, a idéia de usar big data para o benefício da sociedade parece cada vez mais atraente. Os dados se tornam uma fonte mais confiável, apresentando grande valor para o estado. Assim, e se tornar uma questão de segurança nacional.

Sem dúvida, a análise de big data suporta a segurança nacional e traz oportunidades para diferentes áreas. Entre eles estão a detecção de anomalias, mineração de associação para divulgação dos padrões e interconexão entre os conjuntos de dados, classificação e agrupamento de dados. Além disso, pode ser usado para análise de links e divulgação de mensagens ocultas dos textos ou documentos. Assim, torna visível para as pessoas as informações, relações e padrões que as pessoas podem ignorar. Em combinação com julgamentos humanos, a análise de big data ajuda na tomada de decisões.

Aplicação da lei

A análise de big data pode fazer a diferença na aplicação da lei. As agências policiais podem obter resultados significativos no trabalho, tendo em mãos os enormes bancos de dados cheios de dados referentes a chapas de matrícula, identidades criminais, estatísticas criminais e acesso a plataformas de mídia social.

Com a ajuda de modernas ferramentas de análise, as agências policiais podem transformar os dados disponíveis em inteligência acionável. Assim, o fenômeno do policiamento preditivo aparece. Isso significa que a análise de big data permite impedir a ocorrência de crimes. Atualmente, o policiamento preditivo está em ascensão, apesar de todas as disputas e argumentos contra ele.

Saúde e Serviços Humanos

As agências estatais que trabalham com ou controlam serviços de saúde e humanos usam a análise de big data com a mesma eficiência que outras autoridades governamentais. Não analisar os dados disponíveis nessa área seria uma perda significativa.

A prestação de serviços de alta qualidade aos cidadãos é a tarefa prioritária do governo. Portanto, as atividades das agências de saúde e serviços humanos (HHS) são regulamentadas pelo estado. As agências de HHS trabalham duro para fornecer transparência em suas operações e satisfazer todas as necessidades de seus clientes. A aplicação da análise em tempo real capacita os funcionários a coletar, processar, analisar e visualizar dados e obter uma visão real dos serviços que prestam e do nível de satisfação de seus clientes. É muito mais fácil tirar conclusões e identificar os assuntos para melhorias adicionais, com base nos resultados de análises precisas.

Resposta de emergência

A capacidade de incorporar dados de várias fontes oferece uma vantagem significativa para governos e autoridades locais em condições de emergência. A análise em tempo real ajuda a tomar decisões imediatas em situações estressantes. O controle sobre vários canais de comunicação e o uso de ferramentas inteligentes que reconhecem possíveis ameaças e enviam alarmes permitem às autoridades locais avisar os cidadãos e aconselhá-los sobre ações adicionais.

Conclusão

Levando em consideração todas as instâncias mencionadas em nossos principais casos de uso de ciência de dados no governo, é bastante evidente que as vantagens são numerosas. Eles estão começando com a redução do tempo para resolver um único problema e terminando com a capacidade de evitar casos desastrosos. Tudo isso cai sob a competência da ciência de dados e seu uso inteligente. O leque de possibilidades é vasto.

O big data melhora o setor governamental. Os cidadãos comuns sentem resultados práticos dessas mudanças em suas vidas diárias e serviços prestados pelo Estado. Esperamos que ainda mais mudanças positivas ainda estejam por vir e tragam mudanças positivas para os estados em todo o mundo.

Categorias
Redes Neurais

Como estimar a idade das pessoas usando redes neurais convolucionais

Nos últimos anos, os pesquisadores criaram um número crescente de técnicas de reconhecimento facial baseadas em aprendizado de máquina (ML), que podem ter inúmeras aplicações interessantes, por exemplo, aprimorando o monitoramento de vigilância, controle de segurança e arte potencialmente forense. Além do reconhecimento facial, os avanços no ML também permitiram o desenvolvimento de ferramentas para prever ou estimar qualidades específicas (por exemplo, sexo ou idade) de uma pessoa, analisando imagens de seus rostos.

Em um estudo recente, pesquisadores da Universidade de Kwazulu-Natal, na África do Sul, desenvolveram um modelo de machine learning para estimar a idade das pessoas analisando imagens de seus rostos tirados em ambientes aleatórios da vida real. Essa nova arquitetura foi introduzida em um artigo publicado no Springer e apresentado há alguns dias na Conferência Internacional sobre Inteligência Coletiva Computacional (ICCCI) 2019.

As abordagens mais tradicionais para classificação etária somente têm bom desempenho ao analisar imagens de rosto tiradas em ambientes controlados, por exemplo, no laboratório ou em estúdios de fotografia. Por outro lado, muito poucos deles são capazes de estimar a idade das pessoas em imagens tiradas em ambientes cotidianos reais.

“Os métodos de aprendizado profundo provaram ser eficazes na solução desse problema, especialmente com a disponibilidade de uma grande quantidade de dados para treinamento e máquinas de ponta”, escreveram os pesquisadores em seu artigo. “Em vista disso, propomos uma solução de aprendizado profundo para estimar a idade a partir de rostos da vida real”.

A equipe de pesquisadores da Universidade de Kwazulu-Natal desenvolveu uma arquitetura baseada em rede neural convolucional profunda (CNN) com seis camadas. Seu modelo foi treinado para estimar a idade dos indivíduos a partir de imagens de rostos tirados em ambientes não controlados. A arquitetura consegue isso aprendendo quais representações faciais são mais cruciais para a estimativa de idade e concentrando-se nesses recursos específicos.

A fase de pré-processamento da imagem. Crédito: Agbo-Ajala e Viriri.

Para melhorar o desempenho de seu modelo baseado na CNN, os pesquisadores o treinaram em um grande conjunto de dados chamado IMDB-WIKI, que contém mais de meio milhão de imagens de rostos tirados do IMDB e da Wikipedia, rotulados com a idade de cada sujeito. este treino inicial permitiu-lhes conformar sua arquitetura para enfrentar o conteúdo da imagem.

Posteriormente, os pesquisadores ajustaram o modelo usando imagens de outros dois bancos de dados, MORPH-II e OUI-Adience, treinando-o para captar peculiaridades e diferenças. O MORPH-II contém aproximadamente 70.000 imagens rotuladas de rostos, enquanto o OUI-Adience contém 26.580 imagens de rostos tiradas em ambientes ideais da vida real.

Quando eles avaliaram seu modelo em imagens tiradas em ambientes não controlados, os pesquisadores descobriram que esse extenso treinamento levou a um desempenho notável. Seu modelo alcançou resultados de última geração, superando vários outros métodos baseados na CNN para estimativa de idade.

“Nossas experiências demonstram a eficácia do nosso método para estimativa de idade na natureza quando avaliadas no benchmark OUI-Adience, que é conhecido por conter imagens de rostos adquiridos em condições ideais e sem restrições “, escreveram os pesquisadores.” O método de classificação etária proposto alcança novos resultados de última geração, com uma melhoria na precisão de 8,6% (exato) e 3,4% (pontual) em relação ao melhor resultado relatado no conjunto de dados OUI-Adience “.

No futuro, a nova arquitetura baseada na CNN desenvolvida por esses pesquisadores poderá permitir implementações de estimativa de idade mais eficazes em uma variedade de configurações da vida real. A equipe também planeja adicionar camadas ao modelo e treiná-lo em outros conjuntos de dados de imagens de rosto tiradas em ambientes não controlados assim que estiverem disponíveis, a fim de melhorar ainda mais seu desempenho.

 

Mais Informações:
Olatunbosun Agbo-Ajala et al. Age Estimation of Real-Time Faces Using Convolutional Neural Network, Computational Collective Intelligence (2019). DOI: 10.1007/978-3-030-28377-3_26
Categorias
Machine Learning

Comparando Classificadores: Árvores de Decisão, K-NN e Naive Bayes

Existe uma infinidade de opções para classificação. Em geral, não existe uma única opção “melhor” para todas as situações. Dito isto, três métodos populares de classificação – Decision Trees, k-NN e Naive Bayes – podem ser aprimorados para praticamente todas as situações.

visão global

Naive Bayes e K-NN, são dois exemplos de aprendizado supervisionado (onde os dados já vêm rotulados). Árvores de decisão são fáceis de usar para pequenas quantidades de classes. Se você está tentando decidir entre os três, sua melhor opção é levar todos os três para um test drive em seus dados e ver qual produz os melhores resultados.

Se você é novo na classificação, uma árvore de decisão é provavelmente o seu melhor ponto de partida. Isso lhe dará um visual claro e é ideal para entender o que a classificação está realmente fazendo. K-NN vem em um segundo próximo; Embora a matemática por trás disso seja um pouco assustadora, você ainda pode criar um visual do processo do vizinho mais próximo para entender o processo. Finalmente, você vai querer cavar na Naive Bayes. A matemática é complexa, mas o resultado é um processo altamente preciso e rápido – especialmente quando você está lidando com Big Data.

Onde Bayes se destaca

1. Naive Bayes é um classificador linear enquanto K-NN não é; Tende a ser mais rápido quando aplicado a big data. Em comparação, k-nn geralmente é mais lento para grandes quantidades de dados, devido aos cálculos necessários para cada nova etapa do processo. Se a velocidade for importante, escolha Naive Bayes sobre K-NN.

2. Em geral, Naive Bayes é altamente acurado quando aplicado a big data. Não desconsidere o K-NN quando se trata de precisão; como o valor de k no K-NN aumenta, a taxa de erro diminui até atingir a do Bayes ideal (para k → ∞).

3. Naive Bayes oferece a você dois hiperparâmetros para ajustar para suavização: alfa e beta. Um hiperparâmetro é um parâmetro anterior que é ajustado no conjunto de treinamento para otimizá-lo. Em comparação, o K-NN tem apenas uma opção de ajuste: o “k”Ou número de vizinhos.

4. Este método não é afetado pelo maldição da dimensionalidade e euconjuntos de recursos arge, enquanto o K-NN tem problemas com ambos.

5. Para tarefas como robótica e visão computacional, Bayes supera árvores de decisão.

Onde K-NN se destaca

1. Se tiver independência condicional Se você tiver uma classificação de afeto altamente negativo, escolha K-NN em vez de Naive Bayes. Naive Bayes pode sofrer com a problema de probabilidade zero; quando a probabilidade condicional de um atributo específico for igual a zero, o Naive Bayes falhará completamente em produzir uma previsão válida. Isso poderia ser corrigido usando um estimador Laplaciano, mas o K-NN poderia acabar sendo a escolha mais fácil.

2. Naive Bayes só funcionará se o limite de decisão é linear, elíptico ou parabólico. Caso contrário, escolha K-NN.

3. Naive Bayes requer que você conheça o subjacente distribuições de probabilidade para categorias. O algoritmo compara todos os outros classificadores contra esse ideal. Portanto, a menos que você conheça probabilidades e pdfs, o uso do Bayes ideal não é realista. Em comparação, o K-NN não exige que você saiba nada sobre as distribuições de probabilidade subjacentes.

4. O K-NN não requer nenhum Treinamento– você apenas carrega o conjunto de dados e ele é executado. Por outro lado, Naive Bayes requer treinamento.

5. O K-NN (e Naive Bayes) superam as árvores de decisão quando se trata de ocorrências raras. Por exemplo, se você está classificando tipos de câncer na população em geral, muitos tipos de câncer são bastante raros. Uma árvore de decisão quase certamente removerá essas classes importantes do seu modelo. Se você tiver ocorrências raras, evite usar árvores de decisão.

Onde árvores de decisão se destacam

Imagem: Árvore de decisão para um credor hipotecário.

1. Dos três métodos, as árvores de decisão são as mais fácil de explicar e entender. A maioria das pessoas entende árvores hierárquicas, e a disponibilidade de um diagrama claro pode ajudá-lo a comunicar seus resultados. Por outro lado, a matemática subjacente ao Teorema de Bayes pode ser muito difícil de entender para o leigo. K-NN se encontra em algum lugar no meio; Teoricamente, você pode reduzir o processo K-NN a um gráfico intuitivo, mesmo que o mecanismo subjacente esteja provavelmente além do nível de entendimento de um leigo.

2. As árvores de decisão têm recursos fáceis de usar para identificar as dimensões mais significativas, lidar com valores ausentes e lidar com valores discrepantes.

3. Embora excessivo Como é um grande problema com as árvores de decisão, a questão poderia (pelo menos em teoria) ser evitada usando árvores reforçadas ou florestas aleatórias. Em muitas situações, o reforço ou florestas aleatórias podem resultar em árvores com desempenho superior a Bayes ou K-NN. A desvantagem desses complementos é que eles adicionam uma camada de complexidade à tarefa e diminuem a grande vantagem do método, que é sua simplicidade.

Mais galhos em uma árvore levam a uma chance maior de adaptação excessiva. Portanto, as árvores de decisão funcionam melhor para um pequeno número de aulas. Por exemplo, a imagem acima resulta apenas em duas classes: continue ou não prossiga.

4. Ao contrário de Bayes e K-NN, as árvores de decisão podem trabalhar diretamente de um tabela de dados, sem qualquer trabalho prévio de design.

5. Se você não conhece seus classificadores, uma árvore de decisão será escolha esses classificadores para você de uma tabela de dados. Naive Bayes requer que você conheça seus classificadores com antecedência.

Referências

Árvore de decisão vs. classificador Naive Bayes

Comparação entre o Naive Basian e o K-NN Classifier

Fazendo ciência de dados: conversa direta da linha de frente

Uma Introdução ao Aprendizado de Máquina

Classificadores de aprendizado de máquina

Categorias
Python

Python para iniciantes (e gratuito): Microsoft lança tutorial no YouTube

Considerada a 3ª linguagem “mais amada” pelos desenvolvedores segundo pesquisa do Stack Overflow, o Python está entre as 5 linguagens mais populares por exigir poucas linhas de código e não ter uma leitura complicada, se comparada com programas semelhantes. Até por isso, pode ser considerada uma boa opção para ser “porta de entrada” para quem deseja se aventurar por esse mundo.

Para quem possui esse interesse e domina o inglês, temos novidades: o canal da Microsoft para Desenvolvedores lançou um módulo básico de estudo da linguagem. De acordo com os profissionais responsáveis por desenvolver as aulas, a ideia é fornecer conceitos concretos o suficiente para que, ao final das aulas, o “aluno” consiga por conta própria desenvolver as habilidades adquiridas.

Os vídeos são curtos (com duração máxima de 14 minutos) e apresentam conceitos como Machine Learning para aplicativos, apps desenvolvidos para web e automação de processos em computadores.  Nas últimas aulas, a equipe disponibiliza conteúdos como livros e tutoriais que podem ser usados como referência

Cursos de Python em português e com diferentes formatos

Apesar de prático, o curso tem como limitadores o idioma e ser intensamente focado em vídeos. Para quem deseja entender mais sobre a plataforma e gostaria de outras opções preparamos recentemente uma matéria com 5 cursos on-line gratuitos sobre Python.

Categorias
Cursos

Estão abertas as inscrições para curso de Introdução ao Docker

Estão abertas as inscrições para mais um curso do Insight Lab, desta vez sobre INTRODUÇÃO AO DOCKER.

O curso acontece no laboratório 2 do bloco acadêmico da UFC Virtual, sábado, 28 de setembro, de 8h às 12h e 14h às 18h.

Para participar você precisa:

✔️ Ser aluno ou servidor da UFC, mediante a comprovação de vínculo atual.

✔️ Preencher o formulário de inscrição.

✔️ Realizar uma doação mínima de R$10,00 ao projeto social Pirambu Digital.

⚠️ Não perca essa oportunidade, são apenas 30 vagas.

 

Categorias
Deep Learning

Detecção de Objetos Usando Aprendizado Profundo: R-CNN, YOLO, SSD

Neste post, explicarei a detecção de objetos e vários algoritmos como Faster R-CNN, YOLO, SSD. Começaremos do nível dos iniciantes e avançaremos até o estado da arte na detecção de objetos, entendendo a intuição, a abordagem e as principais características de cada método.

O que é classificação de imagem?

A classificação da imagem obtém uma imagem e prevê o objeto em uma imagem.

O problema de identificar a localização de um objeto (dada a classe) em uma imagem é chamado de localização. No entanto, se a classe de objeto não for conhecida, precisamos não apenas determinar a localização, mas também prever a classe de cada objeto.

Prever a localização do objeto junto com a classe é chamado de detecção de objeto. Em vez de prever a classe de objeto a partir de uma imagem, agora precisamos prever a classe e também um retângulo (chamado caixa delimitadora) contendo esse objeto. São necessárias 4 variáveis ​​para identificar exclusivamente um retângulo. Portanto, para cada instância do objeto na imagem, preveremos as seguintes variáveis:

  • class_name,
  • bounding_box_top_left_x_coordinate,
  • bounding_box_top_left_y_coordinate,
  • bounding_box_width,
  • bounding_box_height

Este artigo explica as seguintes técnicas:

  • Object Detection using Hog Features
  • Region-based Convolutional Neural Networks(R-CNN)
  • Spatial Pyramid Pooling(SPP-net)
  • Fast R-CNN
  • Faster R-CNN and Regression-based Detectors
  • YOLO(You only Look Once)
  • Single Shot Detector(SSD)

O artigo completo está disponível aqui.

Sair da versão mobile