Influência IA

IA impôs influências nos setores e a agricultura não é exceção, com projeções que a população global aumentará à 9,7 bilhões até 2050 representando aumento na demanda por métodos de agricultura eficientes, sustentáveis ​​e produtivos, em que IA transforma o modo como a agricultura é feita fornecendo soluções à problemas antigos desempenhando papel relevante na agricultura de precisão transformando práticas agrícolas com o ML, aprendizado de máquina, beneficio que sempre se baseou na força muscular humana e em implementos de fácil operação e, com a chegada IA e da tecnologia avançada na agricultura, acelera a era de eficiência e inovação incluindo tecnologias complementares às práticas agrícolas como ML, robótica, análise de dados e machine learning. O ML, aprendizado de máquina, na agricultura permite analisar dados para obter informações que, de outro modo, seriam impossíveis encontrar variando desde extrair produção ideal das plantações a prever condições climáticas para obter gestão mais eficiente dos recursos em que IA e agricultura sobrepõem modos que redefinirão o futuro agrícola como inteligente e mais sintonizado com condições em mudança, sendo que a mudança mais influente que IA conseguiu dar à agricultura é a agricultura de precisão na aplicação de tecnologias orientadas por IA no monitoramento e gerenciamento da variabilidade das plantações de campo, colocando agricultor em posição onde aplica insumos necessários, água, fertilizantes ou pesticidas, no momento e lugar certos, minimizando desperdício e maximizando eficiência.

Inseridos neste ecossistema, emergem Drones e Sensoriamento Remoto com Unidades de sensores montadas podendo capturar detalhes de imagens aéreas de plantações e analisadas por algoritmos IA visando  acompanhamento da saúde, pragas e crescimento de plantações em que sensoriamento remoto tem papel importante na coleta de dados relacionados às condições do solo e ao desempenho das plantações, ajudando tomar decisão previdente, já a Análise orientada IA é essencial usando algoritmos IA para dados de satélites, sensores, drones e similares, criando mapas detalhados de campos e padrões de crescimento. Os Sistemas Robóticos e de automação no processo de agricultura de precisão alimentados por IA podem plantar, capinar e colher com precisão reduzindo necessidade de trabalho manual e aumentando produtividade, enquanto a Análise preditiva entrou na agricultura para projetar condições e tendências futuras compreendendo clima, surtos de pragas e doenças capaz de prever fatores agindo proativamente na mitigação de riscos que afetam rendimentos das colheitas. A inclusão IA ​​na agricultura traz diversos benefícios transformando práticas tradicionais em operações eficientes baseadas em dados, com maior eficiência oferecendo método eficaz aos agricultores otimizarem uso de recursos e reduzindo desperdício, com a agricultura de precisão garantindo que insumos sejam usados onde necessário, mitigando impacto ambiental, além de melhor Rendimento da Colheita com informações orientados por IA onde agricultores tomam decisões que levam a melhor gerenciamento da colheita, por sua vez, resulta em maiores rendimentos com qualidade aprimorada. O menor Impacto no Meio Ambiente via tecnologias de ponta na agricultura favorecem menos consumo de produtos químicos e fertilizantes, fatores responsáveis ​​por exercer influência no ambiente com sistemas orientados por IA em práticas ecologicamente corretas e reduzindo pegada de carbono das atividades agrícolas, além de economia de custos através da automação de processos e análise IA reduzindo custos de mão de obra e despesas operacionais em que otimização do padrão de uso de recursos e redução de desperdício permitem que agricultores colham benefícios de custo e aumentem lucratividade, levando a melhor tomada de decisão com informações acionáveis ​​e dados em tempo real, além de gerenciamento eficiente de culturas, recursos e operações agrícolas. Quanto aos desafios, destacam a privacidade e segurança de dados essencial para mantê-las seguras e promover confiança, custo de implementação por serem relativamente caras, particularmente ao pequeno agricultor, exigindo investimento inicial em tecnologia sofisticada e infraestrutura associada tornando-se custo de entrada que poucos estão dispostos ou são capazes de pagar, além de expertise técnica demonstrando que as formas como o fazendeiro gerencia tais sistemas habilitados por IA podem exigir treinamento e sistemas de suporte na integração com sistemas existentes no processo de implementação, portanto, compatibilidade e funcionamento precisam ser verificados, por fim, a dependência excessiva de tecnologia busca equilíbrio que deve ser mantido com soluções tecnológicas e conhecimento tradicional sobre terras agrícolas.

Moral da Nota: juntas, NASA e IBM Research desenvolveram modelo IA para dar suporte a aplicações de clima e tempo em que o modelo conhecido como modelo fundamental Prithvi-weather-clima, usa IA de modo que melhora resolução do que conseguiremos obter abrindo portas à melhores modelos regionais e locais de clima e tempo, em que, modelos fundamentais são básicos de larga escala treinados em conjuntos de dados rotulados ajustados à variedade de aplicações, sendo que o  Prithvi-weather-clima é treinado em conjunto de dados, neste caso, dados da NASA da Modern-Era Retrospective analysis for Research and Applications, MERRA-2, da NASA usando habilidades de aprendizado IA para aplicar padrões coletados dos dados iniciais em ampla gama de cenários adicionais. Pesquisadores com o modelo darão suporte a aplicações climáticas diferentes usadas na comunidade científica, aplicações que incluem detectar e prever padrões climáticos severos ou desastres naturais, criar previsões direcionadas com base em observações localizadas, melhorar resolução espacial em simulações climáticas globais a nível regional e melhorar representação de como processos físicos são incluídos em modelos climáticos e de tempo, desenvolvido por meio de colaboração aberta com a IBM Research, o Oak Ridge National Laboratory e a NASA, incluindo Interagency Implementation and Advanced Concepts Team, IMPACT, da agência no Marshall Space Flight Center em Huntsville, Alabama, permitindo captura dinâmica complexa da física atmosférica mesmo quando há informações faltantes, graças à flexibilidade da arquitetura do modelo, fundamental para o clima e o tempo, dimensionado à áreas globais e regionais sem comprometer a resolução. Faz parte da família de modelos maior, família Prithvi, com modelos treinados em dados Harmonized LandSat e Sentinel-2 da NASA, servindo como colaboração em linha com princípios de ciência aberta da NASA para tornar dados acessíveis e utilizáveis ​​por comunidades em todos os lugares, lançado no Hugging Face, plataforma de aprendizado de máquina e ciência de dados que ajuda usuários construir, implementar e treinar modelos de aprendizado de máquina e, junto com o IMPACT e a IBM Research, o desenvolvimento do Prithvi-weather-climate contou com contribuições do Escritório do Diretor de Dados Científicos da NASA, do Escritório de Modelagem e Assimilação Global da NASA no Goddard Space Flight Center, do Laboratório Nacional de Oak Ridge, da Universidade do Alabama em Huntsville, da Universidade Estadual do Colorado e Universidade Stanford. 

                   

IA Suply chain

IA marca início de revolução na tecnologia utilizando grandes volumes de dados operacionais emergentes de diferentes dispositivos e aplicativos em nuvem para gerar informações viáveis, curiosamente, aplicações IA na gestão da cadeia de suprimentos recebe atenção de especialistas. Utiliza matemática avançada e análise de dados para criar produtos, sistemas e processos que se adaptam e aprendem sendo que interação entre IA e cadeia de suprimentos é tópico discutido em tecnologia, com desenvolvimento de cadeias de abastecimento mais inteligentes dependendo do modo como a tecnologia IA as adotam, já que cadeias de abastecimento tornam-se mais inteligentes através do desenvolvimento de características instrumentadas, inteligentes e interligadas. A pandemia em 2019 proporcionou base ideal para aumentar inovação à medida que empresas enfrentavam estrangulamentos nas operações de gestão da cadeia de abastecimento, com a digitalização vindo em seu socorro desempenhou papel importante tornando jogo no bom sentido à diferentes setores, sendo que revisão IA nos exemplos da cadeia de abastecimento mostra que tem impacto transformador na gestão da cadeia de abastecimento com capacidade de gerenciar grandes volumes de dados, fazer previsões e estabelecer conexões entre múltiplas fontes de dados em que gestores da cadeia de abastecimento confiam nas tarefas e lidam com complexidades de cada uma. Pesquisa da McKinsey mostra que os primeiros adotar IA reduziram com sucesso custos logísticos em 15%, além disso, IA da cadeia de abastecimento melhorou a excelência do serviço em 65%, ao mesmo tempo que elevou níveis de inventário em 35%, embora as indústrias lidem com as consequências da pandemia, a gestão da cadeia de abastecimento descobriu oportunidade de adotar IA em grande escala sendo que a gestão da cadeia de abastecimento deve adotar IA como ferramenta viável para revolucionar eficiência geral, tomada de decisões e processos. A interação entre cadeia de abastecimento e IA auxiliaria garantir melhor gestão de inventário, controles de entrega em tempo real, produção inteligente e sistemas de logística dinâmicos com um dos principais objetivos da utilização de IA em SCM e logística girando em garantir melhor produtividade e eficiência, além disso, a introdução IA na cadeia de abastecimento aumenta perspectivas de sustentabilidade.

O cenário da cadeia de abastecimento é complicado, com múltiplos parceiros, custos crescentes, volatilidade do mercado e grandes portfólios de produtos, ao mesmo tempo, a crescente procura de sustentabilidade ambiental na gestão da cadeia de abastecimento surgiu como desafio em que IA poderia apoiar empresas na ligação dos pontos de dados em ecossistema,  com o desenvolvimento de abordagem ponta a ponta à gestão da cadeia de abastecimento em que IA fornece previsão, análise e vantagens da automação facilitando visibilidade abrangente. Modelos IA têm poder de incorporar pontos de dados para traçar previsões precisas que orientam decisões de negócios em futuro IA na cadeia de abastecimento girando na capacidade IA à análise de diferentes segmentos de mercado e relacionamentos, auxiliando elementos como tendências no comportamento de compra do consumidor e, nos próximos feriados, tomar decisões sobre cadeia de abastecimento, outro caso notável IA no domínio da gestão da cadeia de abastecimento centrando-se na monitorização em tempo real auxiliando alcançar transparência de ponta a ponta com ajuda de monitorização reativa. IA auxilia gestores da cadeia de abastecimento monitorizar inventário cujos benefícios do gerenciamento de estoque em tempo real previnem excesso e falta de estoque em gestão de inventário em tempo real com IA na gestão da cadeia garantindo ajustes automáticos ao inventário conforme as condições existentes, por exemplo, poderia determinar o momento ideal para reordenar determinados itens conforme as tendências de demanda e oferta de produtos similares, oferecendo potencial para alcançar automação das operações de gestão da cadeia de abastecimento em relação entre IA e cadeia garantindo receptividade aos problemas e exigências emergentes, tais como requisitos à resolução de problemas, além disso, apoiaria funcionamento eficaz de sistemas automatizados. O uso IA em análises preditivas ajuda gerentes da cadeia de suprimentos prever resultado provável de certas condições, por exemplo, a análise preditiva garante mitigação eficaz de riscos e possibilidades de tempo de inatividade e, quanto a análise prescritiva, ferramenta envolvida no domínio da gestão da cadeia de suprimentos, explora impacto de modificações específicas nos resultados dos processos da cadeia de abastecimento, como resultado, gestores poderiam identificar potenciais melhorias e oferecer recurso valioso à otimização das operações da cadeia de abastecimento, sendo que a equação da cadeia de suprimentos e IA na análise prescritiva se concentraria na colaboração entre vários terminais, colaboração com parceiros logísticos reduzindo tempo e esforço, além de oportunidade de alcançar valor comercial, um dos exemplos populares de análise prescritiva aponta à sistemas de gerenciamento de relacionamento com fornecedores. Por fim, empresas poderiam reduzir custos operacionais na gestão da cadeia de abastecimento, reduzindo despesas de compra e produção, por exemplo, uma mercearia compra vegetais frescos do agricultor, se a loja eliminar terceiros à compra dos produtos economizará dinheiro e terá verduras mais rapidamente, além disso, IA oferece transparência de dados para garantir visibilidade da cadeia de abastecimentos além de economia de custos no rastreamento de remessas garantindo entrega pontual de mercadorias através da análise de dados e identificação de padrões, a utilização IA na cadeia de abastecimento  garante que gestores tomem decisões mais bem informadas, por exemplo, o Walmart utiliza IA para análise de padrões de vendas com otimização dos níveis de estoque reduzindo chances de falta de produtos, por outro lado, cria preocupações à gestão da cadeia de abastecimento, por exemplo, algoritmos IA tendenciosos, riscos de cibersegurança, falta de transparência são obstáculos à adoção IA na gestão da cadeia de abastecimento.

Moral da Nota: empresas ferroviárias aproveitam oportunidades criadas pela rápida evolução de tecnologias IA como catalisadores de melhorar o modo como planejam e executam operações em que muitos tipos de capacidades IA aceleram devido a queda nos custos de armazenamento e processamento de dados, em rápida expansão da disponibilidade de dados à melhoria das técnicas de armazenamento e modelagem, em geral, IA analítica analisa dados históricos fazendo previsões numéricas, enquanto IA generativa, gen AI, permite que máquinas produzam resultados semelhantes ao conteúdo gerado por humanos enquanto, Gen AI, em particular, ganha impulso desde 2017 atingindo ponto de inflexão no final de 2022 quando aplicativos como ChatGPT se tornaram disponíveis publicamente. A adoção da IA aumentou em todos os setores, em 2023, um terço dos inquiridos que participaram no inquérito global anual da McKinsey sobre o estado IA indicaram que suas organizações utilizam regularmente IA genérica em pelo menos uma função empresarial, 60 % das organizações que adotaram IA analítica afirmaram que estão desenvolvendo casos de uso de geração de IA, já que historicamente a indústria ferroviária enfrentou desafios na adoção de tecnologias digitais devido disponibilidade e qualidade limitadas de dados, considerações regulamentares e falta de padronização, hoje, IA analítica e IA genérica oferecem oportunidade à empresas da cadeia de valor ferroviária adotarem digitalização. Relatório recente, A jornada rumo às empresas ferroviárias habilitadas à IA, da UIC, União Internacional de Ferrovias, em parceria com a McKinsey, examina adoção IA analítica e IA genérica na indústria ferroviária e o potencial de negócios que as tecnologias oferecem concluindo que empresas ferroviárias já começaram implementar tecnologias IA para 20 casos de uso e uma maior adoção geraria impacto entre US$ 13 bilhões e US$ 22 bilhões por ano globalmente, no entanto, atualmente, apenas algumas empresas ferroviárias e OEMs implementaram casos de uso em grande escala com o relatório identificando casos implantados ou com potencial à serem implantados, além de analisar fatores de sucesso. Os casos de uso tendem direcionar prioridades de negócios relacionadas como desempenho dentro do prazo, envolvimento do cliente, segurança e desempenho operacional, alinhados com critérios que os passageiros utilizam ao escolher o modo de transporte, já que relatório de 2022 da UIC e McKinsey, que Impulsiona preferência dos passageiros pelo transporte ferroviário, identificou critérios como preço, segurança, confiabilidade e conveniência. 

                                                       

Aprendizagem Profunda

IA é tecnologia que permite computadores e máquinas simularem aprendizado humano, compreensão, resolução de problemas, tomada de decisões, criatividade e autonomia, sendo que aplicativos e dispositivos equipados com IA podem ver e identificar objetos, entender e responder à linguagem humana, aprender com informações e experiências, recomendar  à usuários e especialistas e agir de modo independente, além de substituir necessidade de inteligência ou intervenção humana, exemplo clássico é o carro autônomo. Em 2024, pesquisadores, praticantes IA e a maioria das manchetes relacionadas, focam avanços em IA generativa, gen AI, tecnologia que cria texto original, imagens, vídeos e demais conteúdos e, para entender  IA generativa, importa entender tecnologias de ferramentas IA generativa construídas, ou, aprendizado de máquina, ML, e aprendizado profundo. O aprendizado de máquina é modo simples de pensar sobre IA como conceitos aninhados ou derivados que surgiram ao longo de 70 anos abrangendo técnicas que permitem computadores aprenderem e fazerem inferências com base em dados sem serem programados para tarefas específicas, em técnicas ou algoritmos de machine learning incluindo regressão linear, regressão logística, árvores de decisão, random forest, support vector machines, SVMs, k-nearest neighbor, KNN, clustering e etc, em que cada abordagem é adequada à diferentes tipos de problemas e dados. Um dos tipos mais populares de algoritmo de aprendizado de máquina é chamado de rede neural ou rede neural artificial, cujas Redes neurais são modeladas a partir da estrutura e função do cérebro humano consistindo em camadas interconectadas de nós, análogos aos neurônios que trabalham juntos para processar e analisar dados complexos, ao passo que Redes neurais são bem adequadas à tarefas que envolvem identificar padrões e relacionamentos complexos em grandes quantidades de dados. O modo mais simples de aprendizado de máquina é chamado de aprendizado supervisionado envolvendo uso de dados rotulados para treinar algoritmos e classificar dados ou prever resultados com precisão, no aprendizado supervisionado, humanos pareiam cada exemplo de treinamento com rótulo de saída, cujo objetivo é o modelo aprender o mapeamento entre entradas e saídas nos dados de treinamento para prever rótulos de dados novos e não vistos, enquanto Aprendizado profundo é subconjunto do aprendizado de máquina que usa redes neurais multicamadas chamadas redes neurais profundas que simulam mais de perto o complexo poder de tomada de decisão do cérebro humano, já, as Redes neurais profundas incluem camada de entrada, pelo menos três, geralmente centenas de camadas ocultas e uma camada de saída, diferente das redes neurais usadas em modelos clássicos de aprendizado de máquina que têm apenas 1 ou 2 camadas ocultas que permitem aprendizado não supervisionado podendo automatizar extração de recursos de conjuntos de dados não rotulados e não estruturados e fazer previsões sobre o que os dados representam.

A ideia de "uma máquina que pensa" remonta à Grécia antiga e, desde o advento da computação eletrônica, eventos e marcos importantes na evolução IA ​​incluem dados que devem ser considerados como 1950 ano em que Alan Turing publica Computing Machinery and Intelligence, artigo, de quem se tornou conhecido por quebrar o código ENIGMA na 2ª Guerra e chamado de "pai da ciência da computação" fazendo a pergunta, "as máquinas podem pensar?" Ofereceu na ocasião um teste conhecido como "Teste de Turing" onde interrogador humano tenta distinguir entre a resposta de texto de computador e a humana, embora tenha passado por escrutínio desde que foi publicado continua parte da história IA ​​e conceito contínuo na filosofia, pois usa ideias em torno da linguística. Em 1956 John McCarthy cunhou o termo "inteligência artificial" na conferência IA no Dartmouth College, mais tarde, naquele ano, Allen Newell, JC Shaw e Herbert Simon criaram o Logic Theorist, o programa de computador IA em execução. No ano de 1967, Frank Rosenblatt constrói o Mark 1 Perceptron, o 1º computador em rede neural que "aprendeu" por tentativa e erro, um ano depois, Marvin Minsky e Seymour Papert publicam o livro intitulado Perceptrons que se torna tanto o trabalho de referência em redes neurais quanto argumento contra futuras iniciativas de pesquisa em redes neurais. Em 1980 Redes neurais, que usam algoritmo de retropro pagação para se treinar tornaram-se amplamente utilizadas em aplicações IA e, em 1995, Stuart Russell e Peter Norvig publicam Artificial Intelligence, A Modern Approach, que se torna um dos principais livros didáticos no estudo IA, nele, se aprofundam em objetivos ou definições potenciais IA que diferenciam sistemas de computador com base na racionalidade e pensamento versus ação, enquanto em em 1997, o Deep Blue da IBM derrotou o campeão mundial de xadrez Garry Kasparov, em uma partida de xadrez e revanche. John McCarthy em 2004 escreveu o artigo, What Is Artificial Intelligence? propondo definição citada de IA, já na era do big data e computação em nuvem permitindo que organizações gerenciem propriedades de dados cada vez maiores que serão usadas para treinar modelos  IA, com o IBM Watson® em 2011 vencendo os campeões Ken Jennings e Brad Rutter no Jeopardy, além disso, a ciência de dados começa emergir como disciplina popular. O Minwa do Baidu em 2015, usa rede neural profunda especial chamada rede neural convolucional para identificar e categorizar imagens com taxa de precisão maior que a média humana e o programa AlphaGo da DeepMind de 2016 é alimentado por rede neural profunda, vence Lee Sodol, vitória é significativa, dado o grande número de movimentos possíveis conforme o jogo avança, 14,5 trilhões após quatro movimentos, posteriormente o Google comprou a DeepMind por US$ 400 milhões. O ano de 2022 nos conduz ao aumento em modelos de linguagem grandes ou LLMs, como o ChatGPT da OpenAI, criando mudança no desempenho IA ​​e seu potencial a impulsionar o valor empresarial, com essas práticas IA generativas, modelos de aprendizado profundo pré-treinados em grandes quantidades de dados e, por fim, em 2024, tendências IA apontam ao renascimento IA em Modelos multimodais que recebem vários tipos de dados como entrada fornecendo experiências robustas, esses modelos reúnem recursos de reconhecimento de imagem de visão computacional reconhecer  fala de PNL, ao passo que, Modelos menores avançam em era de retornos decrescentes com modelos massivos com grandes contagens de parâmetros.

Moral da Nota: modelo IA analisa imagens de lâminas de biópsias colorretais e classifica amostras como normais ou anormais, displasia ou câncer, em modelo treinado de dados de 24.983 imagens alcançando precisão com mais de 95% de confiança em 2 coortes de validação independentes, sendo que a ferramenta foi avaliada por patologistas que relataram alta precisão na detecção de anormalidades e consideraram o sistema fácil de usar e integrável ao fluxo de trabalho de patologia digital, com destaque dos autores que o Triagnexia Colorectal auxilia patologistas priorizar casos com maior risco de displasia ou câncer, otimizando o processo de triagem de biópsias e proporcionando diagnóstico mais eficiente. O estudo 'Uma abordagem de aprendizagem profunda para priorização de casos de biópsias colorretal', liderado por Ciara D Branco, Runjan Chetty, João Weldon, Maria E Morrissey, Rob Sykes, Corina Gîrleanu, Mirko Coleuori, Jenny Fitzgerald e cols, desenvolve o modeloTriagnexia Colorectal de aprendizado profundo visando classificação de amostras colorretais de imagens de lâminas treinado em 24.983 imagens digitalizadas e avaliado por patologistas em ambiente simulado de patologia digital, sendo que o aplicativo IA foi implementado como parte de interface gráfica de usuário de apontar e clicar para agilizar tomada de decisões. O modelo de triagem IA de biópsia colorretal de alto desempenho pode ser integrado a fluxo de trabalho de patologia digital de rotina para auxiliar patologistas priorizar casos e identificar displasia/câncer versus biópsias não neoplásicas, triando com precisão conforme significância clínica para atingir  95% de confiança em validação separada. 

Câncer e IA

Artigo na Biology Methods & Protocols indica que em breve será possível utilizar inteligência artificial, IA, para detectar e diagnosticar câncer, permitindo tratamento mais precoce, uma das doenças mais desafiantes com mais de 19 milhões de casos e 10 milhões de mortes anualmente cuja natureza evolutiva torna difícil tratamento em estágio avançado. A informação genética codificada no DNA por padrões das 4 bases, A, T, G e C, constituindo sua estrutura enquanto mudanças ambientais fora da célula fazem com que algumas bases do DNA sejam modificadas pela adição de um grupo metil em processo chamado de “metilação do DNA”, sendo que cada célula possui milhões de marcas de metilação do DNA com investigadores notando alterações no desenvolvimento inicial do câncer que ajudariam no diagnóstico precoce, identificando assinaturas específicas da metilação do DNA de diferentes tipos de câncer se assemelhando procurar agulha no palheiro, aqui, os investigadores envolvidos neste estudo acreditam que IA pode ajudar. Investigadores da Universidade de Cambridge e do Imperial College London treinaram modo IA, usando combinação de aprendizagem automática e profunda para observar padrões de metilação do DNA e identificar 13 tipos diferentes de câncer, mama, fígado, pulmão e próstata, de tecido não  canceroso com 98,2% de precisão, com modelo dependendo de amostras de tecido e necessidade de treinamento e testes adicionais em coleção mais diversificada de amostras de biópsia para estar pronto para uso clínico. Exploraram o funcionamento interno do modelo e mostraram que reforça e melhora a compreensão dos processos subjacentes que contribuem ao câncer, sendo que a identificação desses padrões de metilação a partir de biópsias permitiria detectar precocemente o câncer, potencialmente melhorando resultados, uma vez que a maioria dos tumores são tratáveis ​​ou curáveis ​​se detectados cedo.

Abordagem levada a cabo por investigadores do Instituto de Ciência e Tecnologia da Áustria, ISTA, mostra como as células avançam em linha como um trem nos trilhos e como interagem entre si, cujas observações experimentais e o conceito matemático são publicados na Nature Physics. Na cicatrização de feridas as células se movem pelo corpo para reparar tecidos danificados, viajando só ou em grupos de tamanhos diferentes, embora o processo seja cada vez mais compreendido, pouco se sabe sobre como interagem nas viagens e como navegam coletivamente nos ambientes complexos do organismo. Equipe interdisciplinar de físicos teóricos do Instituto de Ciência e Tecnologia da Áustria, ISTA, e experimentalistas da Universidade de Mons, na Bélgica, buscam compreender tal como as experiências de dinâmica social onde interações de um pequeno grupo de pessoas é mais fácil do que analisar uma sociedade inteira, estudaram o comportamento de viagem de um pequeno grupo de células em ambientes in vitro bem definidos, ou seja, fora de um organismo vivo, em uma placa de Petri equipada com recursos internos e, suas descobertas, permitiram desenvolvimento de estrutura de regras de interação, agora, publicada na Nature Physics. Eleonore Vercurysse e Sylvain Gabriele, da Universidade de Mons, na Bélgica, observaram o fenômeno de agrupamento e deslocamento das células enquanto investigavam queratócitos e suas características de cicatrização de feridas nos diferentes padrões geométricos e contactaram os físicos teóricos David Bruckner e Edouard Hannezo do ISTA. Desenvolveram modelo matemático combinando a polaridade de uma célula, suas interações e a geometria do ambiente transferindo a estrutura para simulações de computador, que ajudou visualizar diferentes cenários, daí, observaram a velocidade dos trens de células com a simulação revelando que a velocidade independe do seu comprimento, sejam eles compostos por 2 ou 10 células e, dentro dos trens, as células estão polarizadas na mesma direção, quer dizer, os trens operam com tração nas 4 rodas e não apenas com tração dianteira. Examinaram efeitos do aumento da largura das pistas e dos aglomerados de células em suas simulações em comparação com as células que se moviam em um único arquivo, os grupos eram mais lentos com explicação bastante simples, isto é, quanto mais células estão agrupadas, mais elas se chocam, colisões, que se polarizam e se movam em direções opostas. O modelo previu que a movimentação teria benefícios ajustando-se quando as células navegam por terrenos complexos, como fazem, por exemplo, no corpo humano, por exemplo, alguns processos de desenvolvimento dependem de aglomerados de células que se movem de um lado à outro, enquanto outros dependem de pequenos trens de células que se movem de modo independente, sendo que publicações recentes sugerem que a comunicação celular se propaga em ondas, interação entre sinais bioquímicos, comportamento físico e movimento com o novo modelo fornecendo base física às interações entre células, possivelmente na compreensão do quadro geral. 

Moral da Nota: a IA está revolucionando muitos campos e a física não é exceção, da descoberta de novas partículas à compreensão de fenômenos cosmológicos complexos, tornou-se ferramenta essencial aos físicos modernos, constituindo ramo da ciência da computação que se concentra na criação de sistemas capazes de realizar tarefas que normalmente requerem inteligência humana, incluindo aprendizado de máquina, processamento de linguagem natural, visão computacional e etc, no contexto da física, é usada para analisar grandes conjuntos de dados, identificar padrões e realizar simulações complexas que seriam impossíveis de realizar de outra forma. Um dos campos onde IA provou ser particularmente útil é na física de partículas com grandes colisores de hadrons, como o Large Hadron Collider, LHC, do CERN, gerando quantidades de dados a cada colisão e analisar esses dados manualmente seria tarefa hercúlea, mas a IA pode fazer isso com eficiência e precisão, com o estudo publicado na Nature detalhando como algoritmos de aprendizagem profunda são usados ​​à identificar possíveis novas partículas além do modelo padrão da física. A física quântica é campo onde IA faz avanços significativos em que sistemas quânticos são inerentemente complexos e difíceis de simular com métodos tradicionais, no entanto, algoritmos IA podem aprender e prever o comportamento destes sistemas com alta precisão conforme artigo da Physical Review Letters em que físicos usam redes neurais para simular sistemas quânticos, permitindo descoberta de novos estados da matéria. Telescópios como o Hubble e o Telescópio Espacial James Webb coletam enormes quantidades de informações sobre o universo com IA sendo usada para processar esses dados e fazer descobertas, descrito no artigo no The Astrophysical Journal  como algoritmos de aprendizado de máquina ajudando identificar exoplanetas e galáxias distantes com mais rapidez e precisão que os métodos tradicionais. Por fim, a IA tem potencial para automatizar aspectos dos experimentos físicos em que robôs controlados por IA são usados ​​para realizar tarefas repetitivas e perigosas em laboratórios, com artigo da Science Robotics mostrando que robôs podem realizar experimentos com mais eficiência e segurança, permitindo que cientistas se concentrem na interpretação dos resultados e na inovação.

Menos detalhado

A OpenAI torna o ChatGPT ‘menos detalhado’, confundindo distinção entre escritor e IA, revelou versão atualizada do GPT-4 Turbo, um dos modelos que potencializam experiência conversacional ChatGPT, versão atualizada que permite ferramenta IA participar de conversas mais naturais, sendo que a empresa esclarece que o modelo mais recente “gpt-4-turbo-2024-04-09”, apresenta melhorias de escrita, matemática, raciocínio lógico e codificação, junto com base de conhecimento atualizada. No entanto, a atualização mais recente foi treinada em dados acessíveis ao público até dezembro de 2023 enquanto a versão anterior só podia basear-se em material até abril de 2023, segundo a OpenAI em post no X, “ao escrever com ChatGPT com o novo GPT-4 Turbo as respostas serão mais diretas, menos detalhadas e usarão linguagem mais coloquial”, no entanto, esta atualização piora o desafio contínuo dos escritores que parecem IA apesar de terem escrito com os próprios artigos, com Paul Graham, cofundador da influente aceleradora de startups Y Combinator concluindo que e-mail incluindo a palavra “aprofundar” deve ter sido escrito com ajuda IA. Argumentou que a palavra não era usada nas conversas cotidianas, embora africanos principalmente nigerianos contra-atacaram dizendo que usavam a palavra com frequência e, desde então, a conversa mudou o fato que pessoas de diferentes partes do mundo usam o vocabulário inglês de diversos modos sendo que a postagem de Graham implica que escritores que falam inglês como 2ª língua podem perder seus empregos porque o trabalho pode ser considerado semelhante ao conteúdo gerado por IA. A atualização segue o lançamento de novos modelos na API OpenAI, incluindo GPT-4 Turbo com Vision incorporando recursos de compreensão de imagem e, conforme documentação o desenvolvedor IA OpenAI atualizou o conjunto de dados de treinamento do GPT-4 Turbo para ser relevante a partir de dezembro de 2023, implementada com intuito de reduzir o que os desenvolvedores chamam de “preguiça” em modelo que não completa tarefas solicitadas, com a empresa eliminando necessidade dos usuários criarem conta para acessar a ferramenta IA generativa amplamente utilizada, ChatGPT-3.5 para tornar “mais fácil experimentar o potencial IA”, no entanto, usuários sem contas não podem armazenar histórico de interações anteriores.

A startup Splight anunciou que levantou US$12 milhões para abordar desafío da transição em escala a energia limpa, por conta de modelo de infraestrutura como serviço, basado em IA e liderada pela NOA, a rodada de investimentos incluiu fundos especializados em tecnologia climática EDP e Elewit com os pares Draper Cygnus, Draper B1, Ascent Energy, Fen, Reaction Global, Barn e a Universidade da Califórnia em Berkeley. O capital de mais US$ 2 milhões apoiará evolução da presença global da empresa cujos 52 funcionários se localizam na sede em San Mateo, Califórnia e em escritórios comerciais em Austin, Texas, e Santiago, Chile, além disso, a empresa opera na Espanha, Itália, Alemanha e Reino Unido em que a equipe fundadora combina conhecimento, desenvolvimento de software e tecnologia de especialista em IA pela Universidade de Toronto, com liderança em empresas do setor, do CEO e antigo diretor executivo da Distrocuyo enquanto a experiência científica do mestre em Física pelo Instituto Balseiro, doutor em Ciência e Tecnologia pela Universidade Nacional de Quilmes e ex-pesquisador em IA pela Universidade de Washington. A Splight desenvolveu tecnologia IA para resolver congestionamento nas redes elétricas, um dos obstáculos à transição energética devido elevados custos e, segundo dados da empresa, ultrapassam US$ 20 bilhões somente nos EUA decorrente ao fato da capacidade de transmissão não utilizada das redes elétricas atingir até 50% da capacidade instalada e 40% da geração de energia renovável ser perdida por não poder ser injetada na rede e, como se não bastasse, existem 930 gigawatts de projetos de energia renovável só nos EUA, em espera, porque não têm possibilidade de ligação à rede. Trabalha baseada em novos ativos de geração renovável chamados de recursos baseados em investimentos, fontes de eletricidade conectadas ao mesmo tempo à rede elétrica via conversor eletrônico de energia, em abordagem que utiliza dados e algoritmos em tempo real para permitir que recursos renováveis ​​funcionem como ativos capazes de proporcionar flexibilidade às redes de energia e, com a tecnologia, a Splight fará face às contingências em tempo real e aumentará até o dobro a capacidade de transmissão. A questão que a starpup argentina opera no exterior embora o país enfrente cenário de necessidade de investimentos em infra-estruturas energéticas que se conjuga com dificuldade de acesso ao capital necessário para financiar desembolsos, considera que a estrutura do mercado eléctrico é ideal à implementação da tecnologia desenvolvida, sendo que a camada operacional em tempo real e o aumento da confiabilidade da rede que o Splight promete, baseado na flexibilidade, permitiria vislumbrar futuro de adoção em massa de veículos elétricos e recursos energéticos distribuídos além de aproveitar utilização de baterias sem necessidade de construção de novos ativos físicos, embora o cofundador da iniciativa alerta que o setor energético argentino continua atrasado em termos de adoção tecnológica.

Moral da Nota: o mercado imobiliário se expande impulsionado pelo aumento da oferta de arrendamento como pelo aumento da procura de aquisição de imóveis, com o Secretário de Imóveis do Mercado Livre, destacando que “o ano é promissor na plataforma com a seção imobiliária oferecendo mais de 600 mil imóveis ”, além disso, acrescentou que “contam com a colaboração de mais de 5.500 imobiliárias e recebem visitas em mais de 22 milhões de publicações". Destaca que os preços dos imóveis começaram se recuperar pós queda significativa de mais de 20% em relação aos níveis pré-pandemia, tendência de recuperação observada após período de queda de 10 meses, em particular, na Cidade Autônoma de Buenos Aires, CABA, cujos preços de venda de agosto de 2024 são 8,4% superiores aos de 2023, além disso, a procura de imóveis cresceu mais de 80% face a 2023, aumento impulsionado pela reativação do mercado imobiliário que se reflete no aumento das escrituras. No entanto, observa que a diferença entre preço publicado e preço de fechamento diminuiu significativamente, passando de mais de 10% há 2 anos à menos de 5% hoje, embora o Mercado Libre facilite conexão entre compradores e imobiliárias não gerencia preço final das transações, considerando ainda que a oferta de aluguel na plataforma aumentou com mais de 20 mil moradias disponíveis na Área Metropolitana de Buenos Aires, AMBA, o que triplica a oferta de 2023. O relatório mensal do Mercado Libre Inmuebles e da Universidade de San Andrés, UdeSA, destaca que, apesar do número crescente os preços dos aluguéis em Buenos Aires aumentaram durante o 1ª semestre embora os aumentos não tenham sido superiores à inflação acumulada no mesmo período sendo que a categoria Mercado Libre Imobiliário existe desde 2004 e hoje conta com 600 mil anúncios ativos e 22 milhões de visitas mensais, com o estudo revelando que os valores de um aluguel na CABA e sua variação desde dezembro de 2023 reportou aumentos de até 29% com 59% dos imóveis oferecidos em moeda local e 41% em dólares. O aumento dos aluguéis em pesos mostrou mudança na tendência do mercado imobiliário mais permeável às necessidades e possibilidades dos inquilinos, situação que, segundo o estudo, minimizou barreiras de acesso no atual contexto recessivo e entre as áreas que registaram os maiores aumentos, o estudo da UdeSA destaca a GBA Norte onde as rendas aumentaram 6,0%, seguida da GBA Sul e GBA Oeste com aumentos de 4,2% e 3,5% respetivamente com o especialista indicando que “a queda nas barreiras fiscais que historicamente limitaram a fluidez dos mercados favorece a ambiente econômico mais dinâmico, facilitando oportunidades de investimento”.

IA em Medicina

IA na medicina representa mudança de paradigma no modo como a assistência médica é prestada, analisada e aprimorada, em que escopo, aplicações e implicações IA da tecnologia está revolucionando a atividade médica, lidando com as ciências de algoritmos complexos e técnicas de aprendizado de máquina aplicadas para executar tarefas tratadas pela inteligência humana além do exame de dados médicos, diagnóstico de doenças, personalização de tratamento e prognóstico de resultados em que tecnologias IA permitem simulação de funções cognitivas como aprendizado e resolução de problemas, tornando úteis em ambientes de saúde. O Aprendizado de máquina é conjunto de algoritmos que melhoram desempenho ao longo do tempo, à medida que o programa aprende com os dados inseridos e não com algoritmos escritos, enquanto o Processamento de Linguagem Natural refere-se à tecnologia que permite o computador através do uso de tecnologia computacional, interpretar e entender linguagem humana, já, a Automação de Processos Robóticos envolve uso de robôs para automatizar ações e processos repetidos enquanto Análise preditiva é aplicação de técnicas que analisam tendências de dados prevendo eventos ou comportamentos futuros. O Diagnóstico e Imagem Médica é uma das maiores áreas de aplicação IA ​​no campo médico através de imagens, exames de ressonância magnética, raios X e tomografias computadorizadas, com imagens processadas por algoritmos IA com alta margem de precisão detectando anomalias como tumores, fraturas ou lesões que passam despercebidas ao olho humano, por exemplo, ferramentas orientadas por IA são promissoras na determinação de sinais de câncer inicial, portanto, oferecem possibilidades de intervenção oportuna e resultados melhores ao paciente além de casos IA auxiliando na medicina reprodutiva.

IA transforma a assistência médica através da medicina personalizada cujo objetivo do tratamento é o desenvolvimento de tratamento mais adequado à pacientes individualmente, considerando sua genômica, ambiente e estilo de vida ao analisar conjuntos de dados para identificar tendência e prever como os pacientes reagirão aos vários tratamentos propostos, por exemplo, IA pode ser usada para orientar oncologista sobre o curso de quimioterapia melhor prescrito ao paciente com câncer conforme sua genética, além da Análise preditiva à surtos de doenças em que IA é igualmente crítica na previsão e gestão no estágio de surtos, em que tais padrões podem indicar surto emergente detectado com antecedência, obtendo informações de dados provenientes fontes diversas incluindo mídias sociais, registros de saúde e fatores ambientais, sendo que a capacidade preditiva IA ​​permite instituições de saúde tomarem medidas proativas na implantação de recursos e execução de estratégias preventivas. A Descoberta e desenvolvimento de medicamentos é processo complexo, demorado e caro em que IA simplifica o processo ao interpretar dados biológicos identificando alvos de medicamentos e fornecendo previsões sobre como novos compostos interagem com esses alvos, enquanto modelos de aprendizado de máquina otimizam design de ensaios clínicos prevendo respostas dos pacientes, assim, acelera o processo de desenvolvimento de terapias antecipando sua entrada no mercado e, em alguns casos, a criação de medicamentos pode ser feita por ChatGPT, dizendo muito sobre quão evolucionária é a IA na medicina. Dentre as Vantagens IA na Medicina estão a maior Precisão e Velocidade em que Algoritmos IA analisam dados em alta velocidade, sendo que essa capacidade leva a diagnósticos mais precisos e tratamentos recomendados com confiança reduzindo erros, por exemplo, IA aplicada à radiologia processa imagens e memoriza anormalidades, tudo de modo mais confiável que teria analisado se os meios fossem tradicionais, dessa forma, ​​o planejamento da personalização do tratamento e previsão de respostas dos pacientes levam profissionais de saúde fornecerem intervenções mais eficientes e direcionadas. Já, a economia de custos através da IA é útil na redução de despesas com assistência médica, simplificando processos, aumentando eficiência e diminuindo potenciais erros, por exemplo, a automação de tarefas administrativas orientada por IA reduz pressão sobre profissionais de saúde ajudando na economia de custos operacionais em que o diagnóstico precoce de doenças com ajuda do tratamento assistido por IA evitar tratamentos de longo prazo, complicados e caros. Algoritmos IA são treinados com dados históricos em vieses que refletem desigualdades na assistência médica e desconsiderar tal viés no caminho perpetua em desigualdades de diagnóstico e recomendações de tratamento em resultado tendencioso, enquanto o desenvolvimento e validação de sistemas IA usando conjuntos de dados variados importa diminuir o viés em direção a resultados de saúde melhores e mais equitativos, devendo considerar o desafio de integrar IA aos atuais sistemas e fluxos de trabalho de saúde através da superação de obstáculos técnicos, logísticos e organizacionais para dar suporte à interligação adequada.

Moral da Nota: os conselhos médicos das mulheres são mais precisos que os dos homens, é o que nos diz estudo sobre gênero e recalls de medicamentos, descobrindo que as avaliações do WebMD feitas por mulheres foram preditor precoce de problemas de qualidade com medicamentos que mais tarde levaram a recall do produto esclarecendo quando as mulheres têm coisas negativas a dizer sobre medicamentos pode acabar sendo sinal que algo está errado o suficiente para fazer com que um fabricante de medicamentos aja, enquanto o que os homens dizem, por outro lado, não é nada revelador. O professor associado de operações e tecnologias de decisão na Escola de Negócios Kelley da Universidade de Indiana, um dos pesquisadores, disse que "os comentários masculinos são completamente sem sentido", esclarecendo que "quanto mais negativo o sentimento de revisão de medicamentos, maior o risco de um recall sério", concluindo que "a relação é explicada por revisões de medicamentos escritas por mulheres, enquanto revisões escritas por homens não têm poder explicativo." Postulam que a divisão de gênero no aconselhamento de saúde online se deve ao fato que as mulheres geralmente estão mais em sintonia com seus corpos e como um medicamento pode afetá-las, estando mais atentas à sua saúde e com mais cuidado com a saúde de outras pessoas, são mais expressivas nas comunicações e se sentem confortáveis ​​compartilhando experiências, particularmente nas mídias sociais e em outros lugares online, na análise, tendem ser mais articuladas e detalhadas em avaliações e experiências com medicamentos, enquanto os homens são mais vagos. Os homens diriam algo como, "o medicamento funciona bem até agora, vou manter todos atualizados" o que não faz muito em termos de comunicar efeitos reais, enquanto as mulheres, por outro lado, foram mais detalhistas, como no exemplo da pesquisa, "meus gânglios linfáticos incharam nas minhas axilas e abaixo da minha orelha no lado esquerdo, ou, dor de cabeça por 4 dias, depois fui ao pronto-socorro e me disseram para parar de tomar o medicamento, ou, eu estava trêmula, extremamente cansada e muito emocional, ou, estou tão feliz que acabou, ou, é improvável que eu tente isso de novo. A professora associada de análise de negócios na Mendoza College of Business de Notre Dame e uma das pesquisadoras do projeto, esclarece que "pensar sobre isso, as mulheres tendem ser um pouco mais conscientes da saúde e um pouco mais cientes das experiências sobre como as coisas as afetam fisicamente", enquanto "os homens podem simplesmente não escrever comentários, ou, podem não ser tão explicativos sobre exatamente como algo os afetou, já as mulheres, podem dizer, isso me afetou como X, Y e Z muito mais precisamente em seus comentários e os homens podem apenas dizerem coisas como isso não me fez sentir bem, ou, eu me senti letárgico, ou, me senti mal depois de tomar os medicamentos." Médicos relatam eventos adversos, como hospitalização, incapacidade, efeitos colaterais inesperados ou morte à Food and Drug Administration, em taxas semelhantes à homens e mulheres, importando notar, porque o desenvolvimento de medicamentos geralmente é mais focado em homens e as mulheres tendem ser sub-representadas em ensaios clínicos. Um estudo de 2023 analisando avaliações do Yelp descobriu que a persuasão das avaliações por gênero dependia da categoria do produto enquanto eram mais vistas avaliações de mulheres em áreas como artes e entretenimento, vida noturna, casa e jardim como mais pertinentes, enquanto acreditavam mais nos homens em áreas como serviços de reparo de automóveis, no entanto, a ironia é que muitas pessoas que leem avaliações on-line ainda podem ser menos propensas a ouvir as postadas por mulheres sendo que as avaliações femininas são percebidas como menos úteis em eletrônicos e computadores e mais úteis em áreas como roupas.

 

Tecnologia e IA

Cientistas da Faculdade de Ciências Naturais e Matemática da Universidade de Houston, Faculdade de Engenharia Cullen e o estudante de pós-graduação em física da Universidade de Houston, apresentaram protótipo de transporte de luz à sistema de imagens de fase de máscara única aprimorando imagens profundas não destrutivas à visibilidade de materiais de elementos leves incluindo, tecidos moles, cânceres, tecidos de fundo, plásticos e explosivos, quer dizer, tecnologia de imagens de raios X que proporcionará melhorias no diagnóstico médico, materiais e imagens industriais, segurança de transporte melhorando imagem de contraste de fase de raios X. O PCI, imagem de contraste de fase de raios X, tem potencial de fornecer contraste aprimorado à tecidos moles, utilizando mudanças de fase conforme o raios X passa pelo objeto e, dentre técnicas disponíveis, o diferencial de máscara única se destaca pela simplicidade e eficácia na tradução à aplicações práticas e produção de maior contraste comparado a outros métodos, fazendo de modo simples e eficiente com imagens de dose baixa e disparo único, sendo que a equipe testou o modelo através de simulações rigorosas no sistema de imagem de raio-X de bancada de laboratório desenvolvido internamente com o objetivo de integrar a tecnologia em sistemas portáteis e adaptar configurações de imagem para testá-la em ambientes do mundo real como hospitais, imagens de raios industriais e aeroportos. Na Clínica Mayo pesquisa utiliza IA e aprendizado de máquina, ML, para analisar testes de EEG, eletroencefalograma, de modo mais rápido e preciso, permitindo que neurologistas encontrem sinais precoces de demência entre dados que normalmente não são examinados, com o EEG centenário, no qual eletrodos são presos ao couro cabeludo para monitorar atividade cerebral, frequentemente usado para detectar epilepsia e os resultados interpretados por especialistas visando detectar padrões. A pesquisa publicada na Brain Communications, cientistas do NAIP, Mayo Clinic Neurology AI Program, demonstram como IA pode acelerar a análise e alertar médicos que revisam resultados dos testes sobre padrões anormais sutis à humanos detectarem, demonstrando potencial de auxiliar distinguir entre causas de problemas cognitivos como doença de Alzheimer e demência por corpos de Lewy ao sugerir que os EEGs, mais amplamente disponíveis, menos caros e invasivos que testes para capturar a saúde do cérebro, podem ser ferramenta acessível para auxiliar detectar precocemente problemas cognitivos em pacientes. Os pesquisadores reuniram dados de mais de 11 mil pacientes que receberam EEGs na Mayo Clinic ao longo de uma década e usando aprendizado de máquina e IA à simplificar padrões complexos de ondas cerebrais em características específicas e ensinando o modelo descartar automaticamente certos elementos como dados que deveriam ser ignorados, para se concentrar em padrões característicos de problemas cognitivos como doença de Alzheimer. O coautor do artigo que conduziu a pesquisa com o NAIP enquanto bolsista de neurologia comportamental clínica da Clínica Mayo, esclareceu que "foi notável o modo como a tecnologia ajudou extrair padrões de EEG comparados a medidas tradicionais de demência como testes cognitivos de cabeceira, biomarcadores de fluidos e imagens cerebrais", sendo que, "atualmente, modo comum de quantificar padrões em dados médicos é pela opinião de especialistas, com IA e aprendizado de máquina, não só vemos coisas que o especialista não consegue ver colocadas em número preciso", com a ressalva que usar EEG para detectar problemas cognitivos não necessariamente substituiria outros tipos de exames como ressonância magnética ou tomografia por emissão de pósitrons, PET, mas com o poder da IA, o EEG forneceria ferramenta econômica e acessível ao diagnóstico precoce em comunidades sem acesso fácil a clínicas especializadas ou equipamentos especializados como ambientes rurais.

Aprendizado de máquina é subcampo da IA comumente utilizado em aplicações biomédicas para detectar câncer, classificar e segmentar tumor, algoritmos baseados em aprendizado de máquina, ML, dependiam de dados pois focam em descritores de recursos ineficazes na criação de modelos devido suas falhas, daí, o aprendizado profundo assumiu papel de extração de recursos podendo aumentar eficácia dos modelos. Algoritmos de aprendizado profundo estão eliminando necessidade de especificação de recursos inequívocos ao analisar dados e interpretar recursos de alta dimensão para produzir resultado, enquanto CNNs, Redes Neurais Convolucionais, mostram parte significativa na área de processamento de imagens médicas embora características espaciais tenham sido efetivamente recuperadas usando algoritmos baseados em CNN, tais métodos têm desvantagens sendo uma dessas a incapacidade de capturar com precisão recursos sequenciais, particularmente interdependência de longo prazo. O Aprendizado profundo no diagnóstico de câncer colorretal, CCR, uma das doenças mais mortais tratada por aprendizado profundo através do aumento da precisão e automação do processo de triagem e detecção precoce, cuja capacidade de utilizar redes neurais para analisar imagens médicas e assimilar formas de dados, permite avaliação detalhada e do diagnóstico de câncer e das opções de tratamento do paciente, minimizando resultados falsos positivos e negativos, auxiliando na previsão e avançando o estudo médico, que por sua vez, aprimora o atendimento ao paciente e a prestação de serviços de saúde. No entanto, investigação demonstra que a maioria dos modelos de aprendizado profundo existentes são limitados devido seus enormes tamanhos, vários parâmetros, longo tempo de treinamento e resultados de categorização ruins, já algoritmos de aprendizado profundo mostram-se promissores na precisão e eficácia da detecção de câncer colorretal, CCR, através de análise de imagem histopatológica em que estudos exploraram o potencial desses algoritmos para implementação na prática clínica destacando avanços na classificação de tumores e detecção precoce. Desafios existem, por exemplo, qualidade de dados, interpretabilidade do modelo que será crucial à integração bem-sucedida no atendimento clínico de rotina, sendo que avanços em aprendizado profundo têm potencial de aumentar precisão e eficiência do diagnóstico de câncer colorretal, CCR, com base em imagens histopatológicas, conforme demonstrado que esses algoritmos melhoram taxas de detecção de CCR em porcentagem ou medida quantitativa.

Moral da Nota: emerge na Austrália a milhões de trabalhadores o “direito de se desconectar", onde moradores acolheram a nova legislação que permite "desconectar-se" do trabalho quando estiverem fora do serviço, ignorando ligações, e-mails e mensagens de texto irracionais dos chefes fora do horário comercial podendo se recusar a monitorar, ler ou responder tentativas do empregador de contactá-las fora do horário de trabalho, a menos que a recusa seja considerada "irracional". Os sindicatos acolheram a legislação dizendo que dava aos trabalhadores modo de recuperar algum equilíbrio entre a vida pessoal e profissional, com o presidente do Conselho Australiano de Sindicatos dizendo que trata-se de "um dia histórico ao trabalhador", complementando que, "os sindicatos australianos recuperaram o direito de parar depois do trabalho". Nas ruas de Sydney pareciam acolher bem a mudança, com a trabalhadora sem fins lucrativos falando "em dificuldade à desconectar e, mesmo que não esteja necessariamente conectada, o cérebro está constantemente trabalhando horas extras" e "receber aquela ligação do chefe fora do horário comercial não necessariamente ajuda", já, o Australian Industry Group em comunicado, disse que, "as leis do 'direito de se desconectar' são apressadas, mal pensadas e profundamente confusas" esclarecendo ainda que, "no mínimo, empregadores e empregados agora não terão certeza se podem atender ou fazer uma ligação fora do horário comercial para oferecer um turno extra". A lei assemelha à de países europeus e latino-americanos, com o professor associado da Universidade de Sydney dizendo que pesquisas indicam que o direito de se desconectar beneficia funcionários e, que mais de 70% dos trabalhadores em empresas da UE com política de direito à desconexão consideraram seu impacto positivo, conforme estudo de novembro de 2023 da EuroFound, agência europeia relacionada ao trabalho. A lei australiana, promulgada em fevereiro, entrou em vigor para empresas de médio e grande porte enquanto empresas com menos de 15 funcionários serão cobertas a partir de agosto de 2025, sendo que a Provedora de Justiça do Trabalho esclarece que as pessoas devem adotar "abordagem de bom senso" para aplicar a nova lei, já que segundo a legislação, trabalhadores podem ser obrigados por tribunal a parar de recusar injustificadamente contato fora do horário comercial e os empregadores podem ser obrigados a parar de exigir injustificadamente que os funcionários respondam. O primeiro-ministro australiano elogiou a reforma aprovada pelo governo trabalhista de centro-esquerda, dizendo, "queremos ter certeza que, assim como as pessoas não recebem 24 horas por dia elas não tenham que trabalhar 24 horas por dia", concluindo, "francamente, é uma questão de saúde mental que as pessoas consigam se desconectar do trabalho e se conectar com a família e a vida."

IA e câncer

Estudo sugere que modelos IA ajudam patologistas reduzir discrepâncias na quantificação imunohistoquímica, incluindo PD-L1 22C3 CPS, em especial ao avaliar dados de diferentes instituições, como em ambiente de telepatologia, melhorando concordância de avaliações na pontuação positiva combinada, CPS, em vários fatores, resultando aumento na concordância completa de 82,1% para 93,9%. A pontuação positiva combinada, CPS, quantifica a expressão de PD-L1 22C3, mas pode variar entre patologistas devido consideração da positividade das células imunológicas e tumorais, um analisador PD-L1 CPS alimentado por IA foi desenvolvido usando 1.275.907 células e 6.175,42 mm2 de tecido anotado por patologistas, extraído de 400 imagens de lâminas inteiras coradas com PD-L1 22C3. Houveram 446 casos, 82,1%, em que os resultados do CPS estavam em total concordância entre patologistas e 486 casos, 89,5%, em que os resultados do CPS alimentado por IA corresponderam ao consenso de 2 ou mais patologistas, sendo que o modelo IA contribuiu para melhorar concordância entre patologistas em vários fatores, incluindo hospital, tipo de amostra, estágio patológico, subtipos histológicos e tipo de célula dominante positiva para PD-L1, já que nos resultados revisados, a discordância de avaliação entre lâminas de diferentes hospitais foi atenuada.

Casos de classificação histopatológica de tumores melanocíticos, de pele, com características spitzóides permanece tarefa desafiadora sendo confrontadas complexidades envolvidas na classificação histológica desses tumores, propondo algoritmos de aprendizado de máquina, ML, que categorizam objetivamente características mais relevantes em ordem de importância, em conjunto de dados compreendendo 122 tumores, 39 benignos, 44 atípicos e 39 malignos, de 4 países diferentes. O algoritmo gaussiano ingênuo de Bayes distinguiu nevus de Spitz de tumores spitzóides malignos com precisão de 95% e escore kappa de 0,87, utilizando 12 variáveis ​​mais importantes e, para tumores Spitz benignos versus não benignos, o teste atingiu pontuação kappa de 0,88 usando as 13 características com pontuação mais alta e, para a comparação entre tumores Spitz atípicos, AST, e melanoma Spitz, o algoritmo de regressão logística alcançou valor kappa de 0,66 e taxa de precisão de 0,85. Na comparação das 3 categorias a maioria foi classificada como melanoma, devido semelhanças nas características histológicas entre os 2 grupos, sendo que os resultados mostram-se promissores no apoio à classificação histológica desses tumores na prática clínica fornecendo informações sobre uso de Aprendizado de Máquina, ML, para melhorar precisão e objetividade desse processo, minimizando a variabilidade inter observador. Os algoritmos propostos representam solução potencial à falta de limiar claro à classificação do tumor Spitz/spitzóide e sua elevada precisão apóia a utilidade como ferramenta útil para melhorar tomada de decisões diagnósticas, sendo que modelos de aprendizado de máquina melhoram a decisão diagnóstica histopatológica, classificando importância das variáveis ​​histológicas à classificação dos tumores Spitz e spitzóides.

Moral da Nota: Sophie Spitz descreveu casos de 13 crianças com tumores melanocíticos com características histopatológicas de malignidade, com evolução favorável, exceto um caso com resultado fatal, identificando 4 questões, 2 relacionadas a fatores clínicos e tratamento e 2 relacionadas a características histológicas, como ferramentas úteis para delinear diferenças em relação ao melanoma convencional e como marcador de comportamento clínico cunhando o termo 'melanomas juvenis' para estes tumores, embora saibamos que aparecem em populações mais idosas. Atualmente, conhecidos como tumores de Spitz, ST, quando, além de uma morfologia típica, grande epitelióide e /ou células melanocíticas fusiformes com atipia nuclear variável, abrigam mutações HRAS ou fusões de genes quinase, mas nenhuma mutação BRAF ou NRAS, por outro lado, tumores com a mesma morfologia sem conhecimento das alterações genéticas e/ou presença de mutação BRAF ou NRAS podem ser categorizados como tumores spitzóides. Os tumores de Spitz são categorizados como benignos, malignos e uma 3ª categoria de desafio diagnóstico entre o nevo de Spitz, SN, melanoma de Spitz, SM, e melanocitoma de Spitz/tumor de Spitz atípico, AST, mesma subclassificação é aplicada aos tumores spitzóides SN, SoidM e ASoidT, sendo a última uma das mais difíceis de identificar representando 2% de todas as TS e, embora a maioria tenha resultado positivo, há percentagem que pode resultar em consequências fatais e metástases à distância. Na literatura científica, tentativas de subclassificar este grupo de tumores com base em características histológicas criam limites com o desafio residindo no fato que as mais de 20 características histológicas utilizadas ao diagnóstico de TS ainda não foram priorizadas objetivamente ou avaliadas para determinar impacto no diagnóstico histopatológico. A IA aplicada à histopatologia, conhecida como patologia computacional, mostra benefícios no aumento da eficiência e precisão do diagnóstica, fornecendo medições quantitativas de biomarcadores para classificar doenças em subtipos e prever resultados, reduzindo variabilidade inter observador em diferenciar tumores benignos de malignos e sua classificação, no entanto, pequena fração desses estudos é aprovada para fins clínicos devendo-se principalmente à falta de generalização das metodologias como um dos problemas mais comuns. Estudo realizado no Departamento de Patologia do Hospital de Clínicas Universitárias de Valência, Espanha, buscando eficácia de um modelo de ML na classificação de tumores spitzóides para auxiliar patologistas no uso objetivo de informações clínicas e histológicas, utilizando modelos ML multiclasse na distinção entre SN, ASoidT e SoidM nomeadamente, regressão logística, LR, bayes ingênuos gaussianos, GNB, máquinas de vetores de suporte, SVM, árvore de decisão, DT, e K-vizinho mais próximo, KNN, avalia capacidade do modelo ML de prever e subclassificar tumores com base nas variáveis ​​clinicopatológicas tabuladas como entrada, mostra diferentes vantagens pela complexidade da tarefa e natureza dos dados permitindo desenvolvimento de modelos eficientes, mesmo com dados limitados. Provaram ser viáveis ​​na distinção entre tumores melanocíticos benignos e malignos mostrando potencial promissor em facilitar diagnóstico de tumores melanocíticos desafiadores com características spitzóides, utilizando modelos de ML para categorizar objetivamente os parâmetros clinicopatológicos, não só simplificando o processo diagnóstico, minimizando o número de variáveis ​​necessárias, mas aumentando a precisão diagnóstica para estes tumores com estado de mutação BRAF/NRAS conhecido ou desconhecido, sendo que o método pode potencialmente reduzir a variabilidade inter observador entre patologistas, melhorando a categorização morfológica dos tumores, além de facilitar a interpretação diagnóstica histopatológica.

IA explicável

A IA domina tecnologias de ponta em organizações e indústrias sendo que cada organização é estimulada aproveitar as funcionalidades inteligentes dos modelos e obter vantagem competitiva no mercado impulsionado pela tecnologia, no entanto, necessita compreender IA explicável ou XAI antes de concluir o processo de aproveitamento nos sistemas existentes conhecida como conjunto de estruturas que auxiliam organizações compreenderem e interpretarem previsões dos modelos IA de modo eficiente e eficaz podendo depurar e melhorar o desempenho dos modelos e fazer com que partes interessadas entendam o comportamento e como essas informações são geradas. Buscam aumentar interpretabilidade da IA bem como implantar modelos com máxima confiança em compreensão clara dos processos de decisão, sem fé cega nos modelos, compreendendo padrões de aprendizado profundo, algoritmos de aprendizado de máquina e redes neurais que requerem explicação adequada através da imitação dos padrões dos modelos originais. Existem explicações IA aos utilizadores visando confiança na sociedade, além de cumprir requisitos regulamentares e de conformidade, desenvolver modelos com algoritmos de aprendizagem automática e à proprietários de sistemas, sendo que o princípio 'Significativo' apresenta comportamento IA à que partes interessadas e gestão entendam explicação de diferentes modos, bem como recebam respostas à diferentes níveis de perguntas, enquanto a 'Precisão' importa explicar para que a gestão e partes interessadas entendam como modelos IA geram informações inteligentes e significativos sobre problemas da vida real de modo eficiente em curto período de tempo, devendo ter 'Limites de conhecimento' dos princípios importantes da IA ​​explicável mostrando que modelos IA devem operar dentro de limites de conhecimento através de dados históricos e de treinamento evitando gerar informações inadequadas que levam incorrer em perdas no futuro.

O cientista da computação Alan Turing foi um dos primeiros a explorar o conceito que máquinas poderiam usar informações e lógica para tomar decisões como fazem ao cunhar o teste de Turing, que compara capacidade da máquina com a capacidade humana buscando enxergar se usuários conseguem detectá-la como artificial, por exemplo, deepfakes convincentes são exemplo de IA passando no teste de Turing. Nesta ideia, IA se refere à capacidade da máquina executar tarefa que antes exigiria inteligência humana existindo desde a década de 1950 cuja definição foi modificada ao longo de décadas de pesquisas e avanços tecnológicos, sendo que a expressão IA vem do conceito que se a inteligência é inerente à vida orgânica, sua existência em outros lugares a torna artificial. Sistemas de computação básicos funcionam porque programadores codificam para realizar tarefas, ao passo que IA, só é possível quando computadores armazenam informações incluindo comandos anteriores de modo semelhante à forma como o cérebro humano aprende armazenando habilidades e memórias, capacidade que torna os sistemas IA hábeis em adaptar e executar tarefas as quais não foram explicitamente programados. Especialistas definem inteligência como capacidade de se adaptar, resolver problemas, planejar, improvisar e aprender em situações novas, embora estes sistemas não substituam a inteligência humana ou a interação social, os atuais sistemas IA demonstram características vistas na inteligência humana incluindo aprendizagem, resolução de problemas, detecção de padrões, percepção e espectro limitado de criatividade e consciência social. O Contexto é componente importante da inteligência humana que a IA ainda não foi capaz de replicar, por exemplo, a IA do Google carece de lógica do mundo real e não discerne sutilezas humanas como sarcasmo e humor evidenciado pela tecnologia que aconselha adicionar cola ao molho de pizza para ajudar o queijo grudar ou usar gasolina para deixar o espaguete picante, exemplos de menor importância, mas com o sistema IA agindo sem compreensão semântica pode ter consequências em situações equivocadas. IA tem aplicações possíveis à nível do consumidor incluindo a recentemente renovada Pesquisa Google, wearables além dos alto-falantes inteligentes com Alexa ou assistente de voz do Google integrado, exemplos de IA, ou Chatbots IA como ChatGPT, Copilot da Microsoft e Claude usados ​​à perguntas ou tarefas de conversação, redigir e-mails, esboçar projetos ou escrever histórias, no entanto, não distinguem fatos de ficção tendendo ter alucinações ou inventar coisas.

Moral da Nota: IA auxilia compreender precisão, justiça, transparência do modelo, bem como resultados nos limites do processo de tomada de decisão inteligente buscando construir confiança e, ao mesmo tempo que muda produção, promove auditabilidade do modelo e, seu uso produtivo, auxilia na depuração ou solução de problemas de modo eficiente e eficaz, em compreensão clara, simplificando processo de decisão, reduzindo sobrecarga da inspeção manual bem como erros potenciais nos sistemas. Função relevante da IA ​​em produtos de consumo é a personalização à anúncios direcionados ou segurança biométrica permitindo que o telefone diferencie rosto do usuário no desbloqueio com Face ID, por exemplo, aprende a aparência referenciando bilhões de rostos e combinando pontos de dados específicos e, em maior escala, equipes de marketing e conteúdo usam IA para agilizar produção enquanto desenvolvedores escrevem e executam códigos que podem aumentar exponencialmente velocidade e eficiência da investigação médica. Já o Aprendizado de máquina, ML, refere-se ao processo de treinamento de algoritmos em grandes quantidades de dados reconhecendo padrões que auxiliam em previsões e decisões, além de permitir que sistemas automatizem tarefas as quais não foram explicitamente programados, aí, o maior diferencial IA ​​em relação a tópicos da ciência da computação, sendo que ML é subconjunto da IA, enquanto aprendizado profundo, parte da família ML, envolve treinamento de redes neurais artificiais com 3 ou mais camadas à realizar diferentes tarefas em que redes neurais são expandidas em redes extensas com grande número de camadas profundas treinadas usando grandes quantidades de dados.

Decisões judiciais

Artigo publicado no Quarterly Journal of Economics esclarece que a substituição de funções de tomada de decisão judicial por algoritmos melhoraria resultados aos arguidos, eliminando preconceitos sistêmicos dos juízes como tomadores de decisão fazem escolhas com base em previsões de resultados desconhecidos, já que, em particular, decidem sobre a concessão de fiança aos réus ou sobre como sentenciar condenados sendo que empresas usam cada vez mais modelos no aprendizado de máquina em decisões de alto risco. Suposições sobre comportamento humano subjacentes à implantação dos modelos de aprendizagem nas recomendações de produtos na Amazon, na filtragem de spam de e-mail e previsão de textos no telefone, em que investigadores desenvolveram teste estatístico de uma das suposições comportamentais e, se os decisores cometem erros sistemáticos de previsão, ou, desenvolveram métodos para estimar modos como suas previsões são sistematicamente tendenciosas em análise do sistema pré-julgamento da cidade de Nova Iorque cuja investigação revela que parte dos juízes erra na previsão sobre risco de má conduta pré-julgamento, dadas características do arguido, incluindo raça, idade e comportamento anterior. A pesquisa utilizou informações de juízes da cidade de Nova York designados de forma quase aleatória à casos definidos no tribunal por turno, sendo que o estudo testou se as decisões de libertação refletem crenças precisas sobre o risco do arguido não comparecer ao julgamento baseando-se em informações de 1.460.462 casos da cidade de Nova Iorque dos quais 758.027 sujeitos a decisão de libertação pré-julgamento. O artigo derivou para saber se o tomador de decisão comete erros de previsão e fornece métodos para estimar modos pelos quais as previsões são tendenciosas e, ao analisar decisões de libertação pré-julgamento dos juízes, o jornal estima que 20% cometem erros de previsão sobre o risco de má conduta do arguido, dadas suas características e, motivado por esta análise, o pesquisador estimou efeitos da substituição de juízes por regras de decisão algorítmicas. O jornal concluiu que as decisões de 32% dos juízes são inconsistentes com a capacidade real dos arguidos de pagarem determinado montante de fiança e com o risco real de não comparecerem ao julgamento, sendo que a pesquisa indica que quando a raça e a idade do réu são consideradas, o juiz comete erros de previsão em 30% dos réus que lhe são atribuídos e, quando se considera a raça do réu e se foi acusado de um crime, o juiz comete erros sistemáticos de previsão em 24% dos réus. A substituição de juízes por regra de decisão algorítmica tem efeitos ambíguos dependendo do objetivo do legislador parecendo que a substituição dos juízes por  regra de decisão algorítmica levaria a melhorias de até 20% nos resultados dos julgamentos, conforme medido com base na taxa de não comparecimento entre réus libertados e na taxa de prisão preventiva.

Neste conceito, ferramenta que utiliza IA para auxiliar equipes jurídicas dividir contratos jurídicos complexos em elementos mais gerenciáveis facilitando leitura e compreensão de cada parte do documento tornando o processo mais eficiente, emerge a Lawformer, plataforma onde equipes jurídicas constroem cláusulas a partir de contratos existentes, personalização que permite advogados aceder rapidamente às cláusulas que necessitam, adaptadas às necessidades específicas da prática. A Lawformer AI centraliza gestão do conhecimento interno organizando informações em um só lugar e eliminando necessidade de pesquisar documentos e pastas, economizando tempo e esforço, com banco de dados treinado em mais de 1 milhão de documentos, fornecendo vasto repositório de cláusulas, termos e resumos de casos, riqueza de informações que garante ao usuário acesso a ampla variedade de recursos jurídicos, reduzindo tempo gasto na busca de modelos e cláusulas contratuais, permitindo acesso a informações necessárias e otimizando fluxo de trabalho. Padroniza processos de elaboração de contratos através de cláusulas verificadas pelos principais escritórios de advocacia garantindo alta qualidade e consistência na documentação legal, além de incluir biblioteca que abrange acordos, documentos de segurança, acordos de liquidação, transferências e etc, fornecendo aos usuários opções às necessidades contratuais cujo objetivo é permitir ao advogado gastar menos tempo pesquisando e mais tempo em tarefas estratégicas, além da rápida acessibilidade às cláusulas necessárias facilitando redação de documentos e melhoria da produtividade. A padronização das cláusulas garante que documentos jurídicos mantenham qualidade uniforme, reduzindo erros e melhorando consistência, em interface do usuário simples e fácil de usar, permitindo criar e gerenciar bibliotecas de cláusulas pessoais sem complicações com atualização regular em novas cláusulas, além de resumos de casos.

Moral da Nota: a neurociência busca explicar por que a votação é motivada pela emoção, caso do eleitorado britânico mais volátil que nos últimos anos registaram o maior número de eleitores mudando de partido na história moderna, caso das pesquisas atuais, sendo que a compreensão do que acontece no cérebro na tomada de decisão auxilia compreender por que razão determinadas mensagens políticas atraem e por que podem decidir mudança de partido, com cientistas políticos falando em volatilidade de Pedersen, batizada em homenagem ao dinamarquês Mogens N. Pedersen com a existência de equação matemática proibitiva para isto, mas equivalente à “mudança líquida no sistema partidário eleitoral resultante de transferências individuais de votos”, quer dizer, a volatilidade é o número de pessoas que mudam de partido em uma eleição e, no final da década de 1960 na Grã-Bretanha, o índice Pedersen situava-se em 10%, agora próximo dos 40%, relacionado ao uso das redes sociais e sua influência nos resultados eleitorais. Estudo do professor Hanspeter Kreisi, especialista eleitoral suíço, relata que  "um fluxo constante de argumentos e sugestões de votação permitem que eleitores façam escolhas esclarecidas que estejam de acordo com suas preferências", concluindo que, embora os políticos publiquem mais nas redes sociais nas campanhas eleitorais, no geral o número de publicações com conteúdo político é inferior e não superior, daí, o desenvolvimento que somos capazes de utilizar métodos de neurociência social para compreender o comportamento eleitoral. A neurociência permitiu identificar as partes do cérebro ativadas quando vemos anúncios políticos com resultados mostrando que a maioria das pessoas é movida pelo medo e emoção e não por argumentos racionais nas campanhas eleitorais, na prática, significa que os eleitores são mais suscetíveis a mensagens que enfatizam o negativo em vez do positivo, sendo que pesquisadores descobriram que imagens e declarações negativas sobre produtos levaram ao aumento da atividade no córtex pré-frontal dorsolateral, associado à tomada de decisões. Informações negativas sobre uma marca de refrigerante aumentaram a probabilidade dos participantes comprarem a marca concorrente, no entanto, quando a experiência foi repetida com partidos políticos em vez de refrigerantes, o efeito negativo foi 3 vezes maior, mostrando que a publicidade política negativa funciona e agora temos exames de ressonância magnética funcional para provar isso. Aqueles que elaboram slogans eleitorais estão produzindo mensagens que acionam partes do cérebro associadas à vingança e à raiva reprimida, incluindo o chamado córtex cingulado anterior, ou, ACC, nas profundezas do cérebro, com o detalhe que os mais velhos tendem votar em maior número, sendo particularmente interessantes porque, à medida que envelhecemos, ficamos mais propensos a ativar o chamado córtex pré-frontal dorsolateral, área do cérebro associada à cautela. Outra linha de investigação acadêmica sobre a razão pela qual eleitores mudam de ideia relaciona-se ao conhecimento que, desde a década de 1970, os eleitores têm sido mais propensos basear decisões no desempenho macroeconômico, assim, os partidos políticos que presidiram crises financeiras significativas são responsabilizados, o que explica porque os Conservadores perderam em 1992 e os Trabalhistas perderam primeiro em 1979, sendo que os eleitores até mudam de ideia com base no desempenho econômico recente, mesmo que a recessão econômica esteja fora do controle do governo, caso do primeiro-ministro conservador Edward Heath que perdeu o poder pós crise do petróleo de 1973.

Saúde mental e IA

A Oracle anunciou disponibilidade do Oracle Clinical Digital Assistant para clínicas ambulatoriais nos EUA, em que oferta móvel combina IA generativa, inteligência clínica, assistência multimodal por voz tela e fluxos de trabalho simplificados em  solução única e unificada que permite provedores atenção às necessidades dos pacientes, solução que combina voz com IA generativa para eliminar cliques no EHR, reduzir esgotamento do fornecedor e melhorar qualidade do atendimento, sendo que os primeiros usuários relatam economia de 20 a 40% no tempo de documentação. Integrada ao Oracle Health Electronic Health Record, EHR, a solução transforma experiência médico-paciente combinando automação clínica, geração de notas baseadas em conversação e acompanhamento clínico proposto diretamente no local de atendimento, por exemplo,  provedores não precisam interromper compromissos para navegar pelos menus suspensos ou percorrer telas para encontrar informações podendo acessar instantaneamente elementos críticos do histórico médico do paciente, como resultados mais recentes de exames, simplesmente perguntando ao Oracle Clinical Digital Assistant. Na consulta, a solução captura notas abrangentes com modelos preferidos que o provedor usa atualmente no registro EHR do paciente economizando horas do tempo do cuidador, ao contrário de outras soluções, o Oracle Clinical Digital Assistant auxilia geração de notas em minutos, em vez de horas, oferecendo suporte às ações da próxima etapa incluindo elaboração de encaminhamentos e pedidos de prescrição para aprovação e agendamento de laboratórios e consultas de acompanhamento melhorando precisão dos registros médicos e eficiência do fluxo de trabalho, acarretando economia de mais de 4 minutos e meio por paciente e 20-40% em tempo de documentação diariamente. Mais do que eliminar cliques, a solução automatiza o processo de documentação e sincroniza-o com o prontuário individual do paciente, sem necessidade de copiar e colar reduzindo significativamente o trabalho manual que contribui ao esgotamento e, para garantir a supervisão e o controle, provedores concluem interação revisando, modificando e aprovando as notas e as próximas ações em seu computador ou dispositivo móvel.

IA inserida na saúde mental pode melhorar cuidados, facilitando detecção precoce de doenças, planos de tratamento individualizados, monitoramento contínuo e apoio disponível através de chatbots e terapeutas virtuais, auxiliando no tratamento da ansiedade e depressão, na redução do estigma, na melhor alocação de recursos e no controle da dor crônica, no entanto, a criação de aplicativo de saúde mental baseado em IA envolve custos e prazos variados, dependendo da complexidade, dos recursos e experiência da equipe de desenvolvimento, em média, os custos de desenvolvimento variam de US$ 50 mil a US$ 300 mil ou mais. Um aplicativo básico com recursos padrão leva de 4 a 6 meses, enquanto um aplicativo mais avançado com recursos sofisticados de IA pode levar de 9 a 12 meses ou mais em que fatores como design da interface do usuário, infraestrutura de backend, treinamento do modelo de IA, conformidade regulatória e manutenção contínua impactam o custo geral e o tempo de desenvolvimento. Para implementar IA na saúde mental necessita superar etapas ao definir objetivos que estabeleça metas claras ao uso IA ​​na saúde mental, como detecção precoce ou atendimento personalizado, segue a coleta de dados reunindo conjuntos de dados extensos e diversos, incluindo registros de saúde e feedback de pacientes, além de garantia de qualidade e privacidade dos dados validando sua precisão e aplicando proteções de privacidade rigorosas, outra etapa importante é a seleção dos modelos IA com escolha dos algoritmos IA apropriados para aplicações específicas de saúde mental, além do desenvolvimento e treinamento de modelos buscando treinar modelos IA com dados coletados, incorporando melhorias contínuas, segue a condição de testes pilotos, cumprimento de regulamentos integração de sistemas existentes além do monitoramento e avaliação contínua. Por fim, os 10 principais usos IA ​​nos cuidados de saúde mental, incluem Terapeutas virtuais e chatbots, Recuperação de vícios, Pesquisa e desenvolvimento, Diagnóstico precoce, Planos de tratamento personalizados, Monitoramento contínuo, Apoio ao tratamento da dor crônica, Terapia Cognitivo-Comportamental Automatizada, TCC, Análise de sentimentos e Suporte à condições crônicas.

Moral da Nota: relatório de 2023 da Mental Health America esclarece que mais de 50 milhões de adultos nos EUA, 1 em cada 5 sofreu doença mental nos últimos anos, mostrando a natureza generalizada desta crise agravada por desafios incluindo o preconceito social associado aos problemas de saúde mental, o custo proibitivo da terapia e a escassez significativa de profissionais de saúde mental, fatores que criam barreiras de acesso aos cuidados necessários. Tecnologias como IA revolucionam o setor da saúde mental tornando os cuidados mais acessíveis, baratos e personalizados em que ferramentas baseadas em IA incluindo chatbots inteligentes, terapeutas virtuais e análises preditivas, remodelam o modo como o apoio à saúde mental é prestado e oferecer assistência imediata e personalizada além de informações preditivas através de aplicativos de saúde mental baseados em IA que fornecem soluções aos afetadas por doenças mentais, abrindo caminho à futuro melhor e mais brilhante nos cuidados de saúde mental.  IA na saúde mental permite intervenções imediatas e individualizadas analisando padrões de dados intrincados para identificar indicadores precoces de problemas de saúde mental via integração IA​ melhorando acessibilidade e adaptando planos de tratamento para atender necessidades individuais, levando a cuidados mais avançados e eficazes e, à medida que utilizamos o potencial IA ​​na saúde mental, avançamos em direção a futuro onde a tecnologia avançada e o cuidado empático trabalham juntos para promover melhor bem-estar mental à todos.

AI development

A UE concordou com regulamentação buscando utilizar supercomputação da EuroHPC para desenvolver IA impulsionando o ecossistema europeu e apoiando startups, o anúncio do Conselho da União Europeia mostrou planos buscando alterar o regulamento atual que rege a EuroHPC, Empresa Comum Europeia para Computadores de Alto Desempenho, que determina  utilização de supercomputadores no desenvolvimento de inteligência IA atualizando o regulamento para adicionar objetivo de desenvolver e operar fábricas locais IA e, segundo a UE, fornecer infraestrutura à serviços de supercomputação IA. A proposta da comissão, que originou a alteração, baseia-se no trabalho da EuroHPC, entidade criada em 2018 para liderar iniciativas europeias de supercomputação e, atualmente, gerencia 9 supercomputadores na Europa desenvolvidos desde o início da iniciativa enquanto as novas fábricas de IA propostas pela alteração promoverão o empreendimento, além disso, maior capacidade de supercomputação da UE permitiria startups IA na UE inovar e treinar modelos. O vice-presidente da Valônia, entidade federada da Bélgica, e ministro da Economia, Investigação e Inovação, destaca esforço coletivo para alcançar o marco ao esclarecer que “a unidade é a força da Europa para alcançarmos objetivos. Vimos isso no desenvolvimento dos  supercomputadores de classe mundial e queremos impulsionar os resultados destas máquinas através de IA confiável.” O estabelecimento de condições especiais de acesso aos supercomputadores IA além de prioridade à startups e pequenas e médias empresas é solicitação do conselho a EuroHPC e, conforme o novo regulamento, as entidades de hospedagem podem receber até 50% dos custos de aquisição e operacionais de supercomputadores IA com a propriedade das máquinas podendo ser transferida às entidades anfitriãs 5 anos pós teste de aceitação. Os supercomputadores IA concentrar-se-ão no teste, desenvolvimento, avaliação e validação dos modelos de formação IA em grande escala e aplicações emergentes IA, avançando à soluções IA na União, sendo que o regulamento proposto passará por revisão jurídica e, após aprovação, será publicado no Jornal Oficial da União Europeia entrando em vigor 20 dias pós publicação fazendo parte de iniciativa IA anunciada pela presidente da UE significando movimento estratégico para melhorar capacidades IA da Europa além de aprovar em março de 2024, a Lei de IA, primeiro conjunto mundial de regulamentações abrangentes IA destinadas ao desenvolvimento seguro e ético da Inteligência Artificial na região.

Neste ambiente, conforme o EUBOF, a Comissão da UE se prepara para integração blockchain e IA através de redes descentralizadas IA, aprimoramento de contratos inteligentes e protocolos DeFi emergentes inserida em tendências futuras blockchain. Relatório do Observatório e Fórum Europeu de Blockchain, EUBOF, iniciativa da Comissão Europeia, monitorou e analisou desenvolvimentos blockchain na Europa de autoria da Direção-Geral de Redes de Comunicações, Conteúdos e Tecnologia, destacando potencial da tecnologia para se integrar e impulsionar a inovação com o EUBOF identificando tendência relacionada a convergência contínua blockchain e IA sendo que conjuntos de dados sensíveis IA podem ser armazenados com segurança na blockchain, o que, conforme o EUBOF, pode ser útil em “saúde e finanças, onde a segurança dos dados é fundamental”. O relatório acrescenta que a convergência das tecnologias permite redes descentralizadas IA “reduzindo risco de monopólios de dados e promovendo desenvolvimento colaborativo IA”, sendo que o  EUBOF concluiu que IA melhora a funcionalidade dos contratos inteligentes que pode ser aplicada em vários setores com o estudo da Comissão Europeia reconhecendo crescimento contínuo do DeFi, ecossistema financeiro descentralizado, e antecipando lançamento de  protocolos e aplicações emergentes. Vale ainda dizer que o EUBOF prevê que interoperabilidade, sustentabilidade e eficiência energética inerentes na blockchain como principal impulsionador de adoção contínua, recomenda atuar como centro de conhecimento global à tecnologia reforçando envolvimento europeu com partes interessadas e abordando questões decorrentes de inovações e simultaneamente ao relatório da EUBOF, a UE anunciou planos para alterar regulamento atual que rege a Euro-HPC, Empresa Comum Europeia à Computadores de Alto Desempenho, que determina uso de supercomputadores no desenvolvimento IA.

Moral da Nota: no quesito escalabilidade, a Ripio anuncia integração com a UMA, Universal Money Address, tornando mais fáceis transferências cripto quanto enviar e-mail, um novo padrão de código aberto, possível, em colaboração com Lightspark,  solução de acessibilidade ao aplicativo Ripio que permite usuários enviar e receber dinheiro 24 horas por dia, 7 dias por semana quase em tempo real e em qualquer hora, na moeda escolhida e sem complicações. O Universal Money Address é ferramenta que processa transferências em tempo real combinando endereços legíveis por humanos, mais simples que endereços criptográficos convencionais, com sistemas de pagamentos globais e instituições financeiras, combinação de 2 mundos, operando com segurança e quase instantaneamente, agora, com mais simplicidade, sendo que os participantes da transação só precisam ter carteira compatível enquanto o Universal Money Address utiliza a Lightning Network do Bitcoin para realizar liquidação instantânea, dados de infraestrutura que não envolvem ação ou conhecimento avançado por parte do usuário. Entre nós, o Projeto Drex do Banco Central do Brasil busca transformar o modo como as transações digitais são realizadas por meio da blockchain, tecnologia emergente prometendo não só maior segurança e eficiência, mas nova era de transparência nas operações financeiras, sendo que o projeto Drex, conhecido como Real Digital, é resposta do Banco Central à demanda por digitalização na economia como moeda digital emitida pelo banco central, CBDC, extensão digital do real, integrando vantagens blockchain ao sistema financeiro tradicional cujo principal objetivo é criar plataforma robusta e segura que facilite transações digitais de forma mais eficiente e confiável. O Banco Central anunciou a 2ª fase do projeto piloto Drex que busca consolidar e ampliar funcionalidades da plataforma, já que na 1ª fase, concentrou garantir privacidade e segurança das transações e, agora, na 2ª fase, incorpora funcionalidades e realiza testes que avaliam o desempenho da plataforma em cenários mais complexos sendo que uma das inovações nesta fase é a tokenização de ativos, funcionalidade que permite  representar ativos físicos ou digitais na blockchain, facilitando troca e gestão, além de explorar aplicações e casos de uso como pagamentos automatizados e contratos inteligentes que revolucionam como as transações comerciais são realizadas. O Banco Central planeja lançar o Drex em fins de 2024, assim que concluírem os testes e a conformidade à regulamentos  for garantida, já que o projeto Drex representa evolução na interseção entre finanças e tecnologia e, à medida que avançamos em direção a futuro mais digital, iniciativas em infraestruturas financeiras seguras, eficientes e acessíveis a todos são essenciais sendo que o sucesso do Drex é exemplo à economias emergentes que procuram modernizar sistemas financeiros através da utilização blockchain e de moedas digitais.

Grande Exaustão

A 'Alimentação perpétua de informações negativas', fora do trabalho, associada ao stress, pode piorar estado de esgotamento e fazer parte da 'Grande Exaustão', termo cunhado por analistas e economistas para descrever o modo generalizado de esgotamento que se inicia com stress diretamente relacionado ao trabalho se acumulando em ansiedades mais amplas sobre o estado do mundo.  Economistas e analistas do local de trabalho cunharam termos buscando explicar facetas do esgotamento moderno desde que a pandemia alterou o modo como as pessoas viviam e trabalhavam, em decorrência, houve a grande demissão, quando pessoas abandonaram em massa seus empregos por volta de 2021 e a  “demissão silenciosa” decorreu de pessoas que se recusaram trabalhar fora do horário remunerado devido pressão para fazer horas extraordinárias ou estar constantemente de plantão, daí, o novo termo, A Grande Exaustão, se inicia com stress relacionado ao trabalho se acumulando em ansiedades mais amplas sobre o estado do mundo como alterações climáticas, guerra, instabilidade política e aumento do custo de vida. Jennifer Dimoff, psicóloga organizacional que leciona no Telfer School of Management da Universidade de Ottawa, esclarece que “A Grande Exaustão é reflexo da experiência coletiva de estar esgotado, cansado, emocionalmente fatigado pelo trabalho e por coisas em nosso mundo que vão além do trabalho” com o detalhe que programas de bem-estar no escritório, segundo novo estudo, sugere que não estão ajudando e em consequência surge o afastamento associado a desistência silenciosa emergindo a  'Aplicação de raiva' com a mais recente forma de vingança dos trabalhadores. A Grande Exaustão abrange mais que apenas o trabalho, com números sobre satisfação profissional-vida sombrios por si só em que pesquisa online com profissionais canadenses da agência de recrutamento Robert Half descobriu que 42 % dos entrevistados relataram sentir-se esgotados, conforme dados de pesquisas antecipadas compartilhados com o Cost of Living solicitando aos entrevistados que se avaliassem em escala de 1 a 10 em que a classificação de1 a 3 significava não esgotado, 4 a 6 neutro e 7 a 10 esgotado, não havendo definição de esgotamento apenas questionamento cuja resposta foi sim, segundo Michael French, diretor nacional de soluções para clientes da Robert Half, a pesquisa, ainda a ser divulgada, analisou profissionais que trabalham em áreas como finanças, contabilidade, tecnologia, marketing e recursos humanos em empresas com 20 ou mais funcionários no Canadá entrevistando mais de 750 pessoas entre outubro e novembro de 2023. Trabalhadores jovens eram mais propensos relatar esgotamento, segundo a pesquisa, mais de 50 % dos entrevistados da geração Y e 51 % dos entrevistados da geração Z disseram que se sentem esgotados enquanto pessoas da Geração X e da geração baby boomer relataram níveis mais baixos de esgotamento 32 e 24 %, respectivamente.

Inquérito separado divulgado pela ADP Canadá revelou que 53 % dos trabalhadores relataram sentimentos negativos em relação ao trabalho e 30 % sentiam-se cansados e sobrecarregados, com 7 em cada 10 entrevistados relatando sentir-se estressados por causa da inflação e da economia com a fundadora do Candido Consulting Group esclarecendo que em sua experiência “nunca viu neste nível no passado” e, apesar dessas pesquisas  se concentrarem no trabalho, o esgotamento parece ainda maior insuflado por  “alimentação perpétua de informações negativas” fora do trabalho especialmente redes sociais, que inflamam polarização do discurso político com frustrações resultantes que podem não estar diretamente relacionadas ao esgotamento no local de trabalho, mas contribuem à ciclo generalizado de mal-estar do qual parece impossível escapar. Deve ser levado em consideração que tudo é agravado pelo trauma coletivo e fadiga de viver a pandemia, cujos efeitos perduram muito depois da era inicial do confinamento embora as pessoas estejam de volta ao trabalho no escritório, em tempo parcial ou integral, esperando-se que muitas mantenham comunicação constante usando ferramentas virtuais como Zoom, Slack e programas cujo uso explodiu nos primeiros dias de bloqueio. No Canadá o orçamento do governo federal à 2024 incluiu compromisso de atualizar o Código do Trabalho para dar aos trabalhadores dos setores regulamentados a nível federal o chamado direito de se desligarem do trabalho fora do seu horário de trabalho, com a Ministra das Finanças Chrystia Freeland, observando que a proposta foi criada tendo em mente trabalhadores da Geração Z, mas, tal como acontece com muitas leis propostas no orçamento, não está claro quando será implementada. Discute-se o assunto longe de consenso sendo que no do trabalho, cabe às empresas praticar melhor gestão do tempo para garantir que as pessoas tenham tempo para realmente fazer seu trabalho durante o dia, em vez de ficarem enterradas em e-mails e reuniões, para que as tarefas reais não acabem como trabalhos de casa e horas extraordinárias não remuneradas e, no que diz respeito às pressões mais amplas que impulsionam a Grande Exaustão esclarecem que não se espera necessariamente que os empregadores tenham respostas às ansiedades dos trabalhadores sobre a guerra no Oriente Médio por exemplo, mas se conseguirem proporcionar um local de trabalho saudável com linhas de comunicação abertas e honestas poderão proporcionar fatia de estabilidade. Quanto aos próprios trabalhadores, pensam que limitar o uso das redes sociais e saber como consumir mídia, incluindo ser capaz de identificar e filtrar a desinformação, é fundamental para “lidar com as coisas que são incontroláveis”, sem fechar completamente a válvula das notícias e informação sendo que 'desistir silenciosamente' não é realmente desistir, mas força empregadores se adaptarem.

Moral da Nota:  está em questão o quanto podemos confiar na IA e até que ponto transformaria uma indústria pesada como a da saúde, onde outras tecnologias falharam repetidamente e, quando a atual onda de inovação IA captou a atenção do público, da indústria, dos investidores, dos reguladores e dos demais, uma conclusão emergente que a IA fundamentalmente irá alterar a economia e o mundo que vivemos, com indústrias já passando por transformação. A saúde está em constante transformação com o avanço IA cujos cuidados são caros, especialmente nos EUA em que Centros de Serviços Medicare e Medicaid, CMS, relatam aumento de 4,1% nos gastos com saúde em 2022, total de US$ 4,5 bilhões, embora parecendo modesto, a economia norte americana nos últimos 10 anos cresceu 2% ao ano, indicando que gastou-se mais em cuidados de saúde anualmente com projeções do CMS sugerindo que a taxa de crescimento nas despesas com cuidados de saúde continuará e, até 20230, com despesas em cuidados de saúde atingindo US$ 6,8 bilhões. Daí, apetite por inovação para tornar cuidados de alta qualidade mais acessíveis em sistema de saúde como um todo funcionando através de sistema de taxas por serviço, pagando pelos serviços prestados através de fórmulas que levam em consideração tempo e recursos e que a transição à cuidados baseados em valor, ou, pagamento por valor, tem história longa e difícil que se estende por décadas, embora esta transição à cuidados em valor tenha vários graus de sucesso, há muito mais fracassos relacionados incluindo discordância entre partes interessadas sobre como definir "valor", disparidade entre pagamento e custos de prestação de cuidados de alta qualidade e dificuldade em medir e avaliar a qualidade e os resultados. IA emergiu como ferramenta para acelerar a transição à cuidados baseados em valor, em  essência, os vários tipos de IA são concebidos para reduzir encargos do trabalho, automatizar o que pode ser automatizado permitindo alocação mais eficiente de trabalhadores e seu tempo e, à medida que as tecnologias permeiem cuidados de saúde, reduzirão custos unitários da prestação de cuidados, dissociando fatores de mão-de-obra intensiva necessários à prestação de serviços de saúde essenciais que foram concebidos para proporcionar redução no custo da prestação de cuidados funcionando como válvula de escape para moderar mandatos de gestão e maximizar lucros, ponto de inflexão proporcionando oportunidade de utilizar margem de manobra para alinhar incentivos e priorizar cuidados que resultem em resultados de saúde e melhor experiência do paciente, em vez de recompensar a produção do maior número de procedimentos possível. A redução do inchaço administrativo é questão em discussão estimando-se que despesas administrativas variem entre 15% e 30% das despesas anuais com cuidados de saúde, com estimativas de US$ 1 bilhão enquanto metade destas despesas foram caracterizadas como desperdício, evidentemente, apenas contribui ao aumento das despesas e dos custos com cuidados de saúde, aí, a IA tem potencial para reduzir despesas administrativas através da automação com estimativas de poupanças em cuidados de saúde tão elevadas como US$ 200-360 bilhões, utilizando tecnologias existentes realizadas nos próximos 5 anos particularmente importante em programas governamentais federais e estaduais como o Medicare e o Medicaid que dependem de impostos à financiamento  direcionado com o máximo cuidado e, com a capacidade de computação duplicando a cada 6 meses à modelos IA e mercado IA projetado para se expandir em ritmo impressionante à medida que aprendemos aproveitar tecnologias de mudança de paradigma para desbloquear potencial ao sistema de saúde, temos motivos para pensar em mudança.