Matemática

A matemática tornou-se ferramenta determinante na informação deixando de ser exclusivamente acadêmica, cujos Algoritmos, códigos complexos que controlam como o conteúdo é organizado e distribuído na internet, moldando o jornalismo, às vezes, de modo problemático, realidade que gerou debates sobre como equações invisíveis afetam o modo como a mídia opera e sobrevive em ambiente competitivo. Os algoritmos respondem ​​por decidir qual conteúdo aparece primeiro nos resultados de pesquisa ou nas mídias sociais em geral, projetados para otimizar experiência do usuário, códigos que priorizam fatores como relevância, popularidade e comportamento anterior, no entanto, prioridades algorítmicas nem sempre coincidem com interesses do jornalismo tradicional que busca reportagens equilibradas e abrangentes em detrimento  de velocidade e engajamento, artigos longos e bem pesquisados ​​geralmente são deixados de lado em favor de conteúdo mais leve, viés que não é decisão consciente das plataformas mas resultado de modelo matemático buscando maximizar o tempo que o usuário passa nos ecossistemas. A dependência da mídia ao algoritmo, por um lado, permite direcionar tráfego à seus sites podendo criar dependência, ao passo que algoritmos mudam, fazendo com que os meios de comunicação que não conseguem se adaptar, observam alcance e receitas diminuírem, tal volatilidade levou desequilíbrio financeiro à mídia pequena e independente sem recursos para competir com gigantes que dominam posições nos resultados de busca, não afetando apenas sustentabilidade mas limitando diversidade de vozes no ecossistema de informações. A função social do jornalismo que vai além de capturar cliques ou interações, investiga questões complexas, expõe injustiças e fornece análises que demandam tempo e recursos, no entanto, em ambiente ditado por algoritmos que prioriza conteúdo mais atraente visualmente ou mais compartilhado, essas peças do jornalismo correm o risco de desaparecer, além disso, a personalização de algoritmos cria bolhas de informação que reforçam crenças existentes dificultando acesso a diversidade que pode contribuir à polarização da opinião pública, enfraquecendo o papel do jornalismo como construtor de consenso. Na busca pelo equilíbrio entre tecnologia algorítmica e valores do jornalismo, iniciativas como Regulamentação e transparência, com plataformas de tecnologia trilhando caminho da transparência no modo como algoritmos priorizam conteúdo permitindo que a mídia se adaptasse melhor e garantisse distribuição mais justa das informações, segue a Educação à mídia, com usuários buscando promover compreensão de como algoritmos funcionam buscando reduzir influência desproporcional. Além da Inovação em modelos de negócios cujos veículos de comunicação diversificam fontes de renda, investindo em assinaturas, conteúdo exclusivo e alianças que permitam reduzir dependência a plataformas digitais e, por fim, o Design de algoritmo ético em que empresas de tecnologia possam implementar ajustes para garantir que o conteúdo jornalístico não seja ofuscado pela dinâmica do consumo. A matemática impulsiona como ferramenta e, como tal, o impacto depende de como são projetados e usados, para que o jornalismo sobreviva e prospere necessita repensar a relação entre tecnologia e valores da informação na busca por futuro em que qualidade e diversidade jornalísticas continuem como pilares de sociedade bem informada.

No entanto, IA continua evoluir e, na corrida para desenvolver modelos mais eficientes e acessíveis, a Mistral AI, startup europeia, se destaca com o lançamento do Mistral Small 3, modelo que promete desempenho equivalente a modelos 3 vezes maiores com maior eficiência e menores custos computacionais, com o Mistral Small 3 possuindo 24 bilhões de parâmetros alcançando 81% de precisão em testes padrão enquanto processa até 150 tokens por segundo e, segundo a empresa, o modelo rivaliza com modelos maiores como o 70B Llama 3.3 da Meta por conta de inovações em técnicas de treinamento e otimização. A estratégia baseada da Mistral AI está na eficiência em vez do tamanho, que permite empresas e desenvolvedores acessem recursos avançados sem necessidade de infraestrutura cara, além disso, ao lançar o modelo sob licença Apache 2.0 o torna flexível e modificável à diferentes usos comerciais em que uma das chaves ao sucesso do Mistral Small 3 está na abordagem de treinamento inovadora, ao passo que modelos normalmente dependem de grandes quantidades de dados e reforço via aprendizado sintético, o Mistral com a opção por método mais puro não usa dados sintéticos ou reforço artificial e, conforme Guillaume Lample, diretor científico da startup, ajuda evitar vieses não intencionais melhorando transparência do modelo, tais resultados indicam que foi treinado com 8 bilhões de tokens, quantidade menor em comparação aos 15 bilhões usados ​​pelos concorrentes, o que não apenas reduz custos mas torna o modelo mais acessível à implantações empresariais e de pesquisa. O destaque do Mistral Small 3 é a rápida capacidade de processamento e baixo consumo de recursos que, em testes de benchmark, mostrou modelo 30% mais rápido que o GPT-4o Mini com desempenho comparável em precisão de resposta e consistência que o torna opção à empresas que buscam modelos eficientes em aplicações em atendimento ao cliente, automação de tarefas e análise de dados, já que foi projetado focado no mercado corporativo e, de acordo com Mistral, o Small 3 pode ser executado em uma única GPU permitindo que seja implantado em infraestrutura local sem depender de serviços de nuvem, sendo especialmente atraente em finanças, saúde e manufatura onde a privacidade e controle de dados são essenciais. Considera que empresas preferem soluções locais para garantir maior segurança e confiabilidade nas operações, nesse sentido, ao executar o Mistral Small 3 com menores requisitos de hardware democratiza o acesso à IA avançada permitindo que mais empresas integrem mais ferramentas nos processos e, avaliada em US$ 6 bilhões, a Mistral AI se estabelece como empresa europeia na corrida IA atraindo investimentos da Microsoft fortalecendo posição no mercado, além de planos à potencial IPO no horizonte procura competir com OpenAI, Google e Meta . O anúncio da chinesa DeepSeek que alegou ter treinado modelo de alto desempenho por apenas US$ 5,6 milhões criou turbulência no mercado fazendo com que a Nvidia perdesse US$ 600 bilhões em valor, questiona necessidade de investimentos multimilionários em modelos gigantes de IA favorecendo iniciativas mais compactas e eficientes como a da Mistral.

Moral da Nota: a StartupBlink que analisa potencial de países para estabelecer e desenvolver startups de sucesso, nomeou a Estônia como o melhor ecossistema da UE ao desenvolvimento de startups IA, concedendo ao país prêmio no Startup Ecosystem Awards pelo 2º ano consecutivo, ultrapassando a Alemanha que ficou em 2º lugar, em 15% e, dentre os países da UE, a França ficou entre os 3 primeiros, seguida pela Suíça, Romênia e Noruega, em comparação ao redor do mundo, o ecossistema de startups IA da Estônia ocupa o 6º lugar com liderança do ranking global dos EUA, Israel em 2º lugar e o Reino Unido em 3º lugar. Vaido Mikheim, chefe da Startup Estonia, disse que o reconhecimento fortalece a reputação internacional do ecossistema de startups da Estônia, textualmente, "a Estônia é um país com população pequena, criamos um ecossistema de startups forte e coeso que fomenta o desenvolvimento de inovação de classe mundial e contribui ao desenvolvimento tecnológico, ao mesmo tempo, consideramos que o tamanho do nosso país significa escassez de talentos e competição por mão de obra qualificada e nosso desafio contínuo é garantir influxo de talentos essenciais ao desenvolvimento de tecnologias". A avaliação do Startup Ecosystem Awards reconhece ecossistemas locais de startups anualmente e, no caso da Estônia, destacaram a forte posição no cenário de inovação da UE, considerando o desenvolvimento nacional no campo IA ​​e o número de startups influentes operando, sendo que a avaliação destacou aumento do financiamento e novos empregos criados no campo IA, bem como disponibilidade de trabalho qualificada, cujo sucesso do ecossistema IA se deve a forte apoio do governo, regulamentações locais flexíveis e infraestrutura digital avançada. Vale considerar que os vencedores do Startup Ecosystem Awards são determinados com base no algoritmo do StartupBlink que avalia mais de 40 parâmetros em 11 indústrias e 91 subsetores em metodologia de avaliação do ecossistema de startups baseada em dados quantitativos e objetivos, cujo algoritmo considera conquistas locais, sucesso em nível de parâmetro, crescimento anual e indicadores específicos da indústria, sendo que o ranking dos ecossistemas de startups do mundo foi compilado pela StartupBlink em colaboração com o programa IBM for Startups enquanto os dados vêm de grandes plataformas, como Crunchbase e Semrush, considerando que o Startup Estonia é programa nacional ao desenvolvimento do ecossistema de startups da Estônia, impulsionando surgimento, implementado pela Business and Innovation Agency e financiado pelo Fundo Europeu de Desenvolvimento Regional.

Alipay IA

O recurso IA do maior aplicativo de pagamentos da China, verifica se você está ficando careca, quer dizer, é o verdadeiro ‘aplicativo de tudo’ como a maioria dos aplicativos de carteira eletrônica/pagamentos, o Alipay permite usuários conectarem suas contas bancárias ao aplicativo para agilizar pagamentos online e no ponto de compra, indo além dos pagamentos, pretende ser um “superaplicativo” em que os muitos recursos  incluem compartilhamento de viagens, serviços de telefonia móvel, pagamentos de contas, serviços de cupons e viagens, compras e funcionalidade de mídia social. Relatório do South China Morning Post explica que os usuários podem enviar fotos dos couros cabeludos para processamento por sistema de reconhecimento de imagem treinado em milhares de imagens clinicamente relevantes, o aplicativo dá sugestões aos usuários, incluindo recomendações de cuidados médicos, quando aplicável, sendo que o Alipay construído pelo Antgroup, subsidiária fintech do Alibaba, revelou seu recurso “Assistente Médico” alimentado por IA em abril de 2024 com o novo detector de queda de cabelo adicionado como parte deste pacote. A grande ideia por trás da combinação de aplicativo de carteira digital, aplicativo de serviços de estilo de vida e ferramenta médica é para conveniência e simplificação, no entanto, embora sejam populares no Oriente ainda não encontraram espaço semelhante na Europa e América do Norte, com Elon Musk como proponente do conceito multimodal de “superapp” declarando inúmeras vezes que gostaria que o X se tornasse aplicativo completo comparável às ofertas do mercado chinês. No entanto, vigilantes da privacidade alertam que tais aplicações consolidam informações do utilizador de tal forma que a privacidade e a segurança estão sujeitas aos caprichos do proprietário da aplicação e de entidades que tenham acesso aos dados, no caso do Alipay, por exemplo, o governo chinês deixou claro que os dados dos utilizadores devem estar disponíveis para o governo embora não haja palavra oficial sobre exatamente como estão sendo usados, seria uma questão tecnologicamente trivial construir e operar um banco de dados de atividades do usuário essencialmente criando um rastreador de atividades dos cidadãos em tempo real.

Essa questão nos leva a criação pelo Alipay do AI Medical Assistant transformando o modo como se encontra médico na China, já que o Alipay, aplicativo de pagamento e carteira digital chinesa, com solução inovadora na área de saúde, o “AI Medical Assistant”, sendo que tal ferramenta usa modelos IA e tecnologia humana digital, como avatares virtuais, para mudar o modo como encontrar médico e visita a hospitais. Embora o assistente de IA possa ser introduzido através do Alipay, não se sabe se está integrado ao aplicativo ou se é oferecido como serviço independente, ao passo que o assistente ajuda no percurso do cuidado de saúde, desde fases de pré-tratamento ao pós-tratamento, aí, Assistência pré-consulta em que pacientes descrevem sintomas on-line e o assistente de IA combina com o departamento apropriado, eliminando incômodo de navegar por vários canais ou, pior, acabar no departamento errado. Outra possibilidade é a Orientação Hospitalar ao chegar ao hospital, pacientes encontrarão “Assistentes” especiais customizados à sua cidade e hospital que os guiarão através de planos de tratamento, relatórios e auxiliando com pagamentos de seguros, além do Suporte Pós-Consulta em que pacientes consultam seus prontuários e receitas médicas e perguntam sobre laudos, enquanto o assistente de saúde configura arquivo de saúde para cuidados de longo prazo através dos recursos do Internet Hospital. O projeto piloto é através do Alipay em parceria com a Comissão Provincial de Saúde de Zhejiang lançando seu primeiro assistente de saúde digital, “Anclin” atualmente em operação em 92 hospitais da província, cujos usuários em Zhejiang podem acessar esta experiência de saúde, com o Alipay esclarecendo que o assistente de IA tem potencial de revolucionar o atendimento ao paciente e preencher lacunas existentes na prestação de cuidados de saúde, valendo notar que o Alipay é líder em soluções de pagamento digital, oferecendo serviços além das transações financeiras e, como parte do grupo Alibaba, o ecossistema da Alipay inclui serviços desde a chamada de táxi a compra de seguros, atendendo base diversificada de consumidores, sendo que o AI Medical Assistant da Alipay representa nova era de cuidados de saúde centrados no paciente, com a sua interface fácil de utilizar e funções abrangentes, tendo poder de transformar o panorama dos cuidados de saúde na China. 

Moral da nota: o BAD, Banco Africano de Desenvolvimento, e a Intel uniram forças para equipar 3 milhões de africanos e 30 mil funcionários governamentais com competências avançadas IA visando revolucionar o ecossistema digital africano, sendo que a iniciativa busca dotar africanos de competências em tecnologias avançadas como IA, robótica e ciência de dados, cruciais para impulsionar crescimento econômico e produtividade em África. Visa formar africanos em IA, permitindo desempenhar papel mais ativo no desenvolvimento da tecnologia e contribuir à inovação contínua, esperando que o programa de formação tenha impacto positivo em vários setores, incluindo agricultura, saúde e educação, além de enfrentar desafios sócio econômicos e melhorar produtividade ao promover desenvolvimento sustentável e qualidade de vida geral de África. O diretor de assuntos governamentais da Intel para África e diretor de tecnologia de assuntos governamentais internacionais, expressou  entusiasmo pela parceria dizendo que a Intel quer trabalhar com governos africanos para tornar tecnologias avançadas como IA acessíveis a todos, independente da localização, gênero ou etnia, ajudando pessoas a participar na economia digital e, segundo o comunicado, a parceria vai além do treinamento individual auxiliando países africanos, grupos regionais e organizações continentais desenvolverem políticas e regras consistentes para tecnologias digitais como IA, 5G e computação em nuvem, criando abordagem unificada à transformação digital em toda a África. A Nigéria registrou progressos ao lançar seu primeiro modelo multilingue, buscando liderar o desenvolvimento IA ​​no continente e, apesar dos seus esforços, enfrenta lacuna de talentos na construção de tecnologia IA que rivaliza com capacidades de gigantes tecnológicos como OpenAI, Google e Meta, além disso, o elevado custo da formação de modelos IA é barreira para muitos e organizações fora da indústria tecnológica, dificultando capacidade de participar na revolução da IA e, citando a OpenAI como exemplo, o CEO da empresa, Sam Altman, mencionou o alto custo de treinamento do GPT-4 e procurou arrecadar até US$ 7 trilhões para projeto que abordasse a grande escassez global de chips semicondutores.

Drones e IA

O rápido avanço da tecnologia, permitiu que os Drones ganhassem capacidade de armazenar munições, realizar ataques precisos e mortais, e alguns modelos adquirirem características autônomas, além de preservar a vida do combatente humano, gerando mais economia e atuando de modo ágil e eficaz, mudando o cenário dos conflitos e, conforme a doutoranda e mestre em Ciências Aeroespaciais pela Universidade da Força Aérea de Brasil, UNIFA, “mudou o planejamento da guerra e a organização das ações de defesa em conflitos reais”. Destacou que o conflito Rússia/Ucrânia pode ser considerado marco no uso de drones, com “mudanças de paradigma, elementos avançados, pontos de atenção em relação ao uso dessas aeronaves”, por sua vez, o professor de Ciências Aeroespaciais da UNIFA e coronel reserva da FAB, destaca que existem tipos de drones e aplicações, diferentes custos e efeitos e, “na categoria drones militares, existem tipos de funcionalidades e até tipos de drones  muito grandes semelhantes às aeronaves convencionais". Por se tratar de setor com poder multifacetado, eficaz e mortal, alertou que é vital ter legislação internacional segura para este tipo de armas, tendo os direitos humanos como um das instalações, esclarecendo que “em conflito armado devemos guiar-nos pelas regras do Direito Internacional Humanitário, que são regras mais orientadas à guerra em si e pelos direitos humanos, normas básicas, além de verificar necessidade de normalização em torno desse vetor, que dá suporte à ação e preservação de vidas”. Alguns drones que utilizam IA possuem dispositivo que compara informações obtidas de um sensor ótico com os da memória integrada no míssil ou no próprio drone, “navegando ao longo da trajetória, reconhecendo terreno, e à medida que se aproxima do que entende ser alvo, compara, por exemplo, o formato arquitetônico de engenharia do alvo, a estrutura com os dados de bordo que tem, e decide a direção do míssil ao objetivo militar".

Destacou que um dos principais debates em torno dos drones atualmente, inclusive dentro da ONU, “quando é lançado e, deliberadamente ou não, perde a comunicação com o ser humano por trás da operação, passa a se comportar de modo autônomo, é aí que surgem debates em torno da responsabilização, da ética, da transparência no uso da tecnologia, que genericamente são caracterizadas como drones". Chamados danos colaterais quando ataques provocam morte de civis geralmente causados ​​por erros de inteligência em que a informação sobre o alvo foi mal interpretada, mal obtida e/ou negligenciada pelo operador do drone, “se não tiver boa inteligência, boa capacidade de informação sobre onde estão os objetivos de natureza militar, obviamente, não objetivos aleatórios, corre-se o risco de transgredir preceitos, algum princípio, alguma regra do direito da guerra", por sua vez, defende que a tecnologia oferece possibilidades com ressalvas e deve ser usada com cautela. Uma das definições legais prementes, refere-se aos limites da autonomia IA ​​no combate e garantia que as decisões críticas permaneçam sob controle humano, organizando responsabilidades, ações, com o objetivo de preservar vidas e segundo especialistas, o Brasil avança na área com empresas privadas nacionais desenvolvendo projetos e produções, além de projetos de pesquisa acadêmica, não só militar mas em atividades como como agricultura, vigilância e entregas urbanas. Acrescentou que a FAB utiliza drones israelenses para vigilância, reconhecimento de imagens para fornecer dados sobre crimes e incêndios transfronteiriços, entre outros, no entanto, existem alternativas com a China testando com sucesso drone capaz de carregar até 2 toneladas de peso, enquanto entre nós, a XMobots, fábrica brasileira em São Paulo e a Stela, que produz drones no Brasil, com a XMobots fornecendo ao Exército Brasileiro e a Stela com pré-contrato ou pré-negociação com a Marinha à fornecimento de drones”.

Moral da Nota: apresentado o Plano Brasileiro de IA cuja estratégia visa transformar o Brasil em referência mundial na tecnologia, com investimento previsto de 23 bilhões de reais nos próximos 4 anos, com o PBIA, Plano Brasileiro de Inteligência Artificial 2024-2028 otimizando prestação de serviços públicos e promovendo inclusão social via soluções avançadas IA e, dentre os objetivos traçados está a criação de um supercomputador de alto desempenho para processar grandes volumes de dados e desenvolver algoritmos sofisticados. O economista Mark Esposito comentou que a ascensão da tecnologia nas periferias gera volume de dados sem precedentes expandindo que mais pessoas utilizem  de forma competitiva “que pode acelerar o desenvolvimento em áreas como saúde, educação e infraestruturas” destacando a importância do fenômeno para promover a inclusão digital em geral. A Eve Air Mobility, subsidiária da multinacional aeroespacial brasileira Embraer, revelou informações sobre o primeiro protótipo da aeronave elétrica de descolagem e aterragem vertical, eVTOL, carro voador, que será utilizado em voos urbanos de curta duração e, em serviço comercial em 2026, construído na unidade da Embraer em Gavião Peixoto, em São Paulo, ainda passará por testes e certificação, com o modelo inicial movido por motores elétricos e projetado para transportar até 4 passageiros, com possibilidade de futuras versões autônomas à 6 pessoas. A Emabrapii, Empresa Brasileira de Pesquisa e Inovação Industrial, destacou o projeto SUBOT na conferência, cujo mecanismo de inspeção autônomo e robótico de sistemas elétricos de potência altera manutenção e segurança das operações industriais no setor petrolífero, desenvolvido em colaboração com instituições de pesquisa e empresas do setor, o SUBOT utiliza tecnologia avançada para realizar inspeções detalhadas em ambientes de difícil acesso ou alto risco, como linhas de transmissão e subestações e, ao operar de modo autônomo, o robô identifica falhas e anomalias em tempo real, que reduz custos.

tokens e Imóveis

Estudo da Reental intitulado “Relatório sobre o perfil dos investidores em projetos imobiliários tokenizados”, destaca o crescente interesse argentino em investimentos imobiliários tokenizados, destacando-os como os principais partícipes deste tipo de investimentos na América Latina e, segundo o relatório, 15% dos que investem em imóveis tokenizados são da região , enquanto investidores espanhóis ultrapassam 77% liderando o mercado, em comparação, a Europa apresenta participação menor , chegando a 7% em projetos imobiliários tokenizados, destacando crescente interesse global no investimento. Baseado em mais de 2 mil pesquisas, os argentinos investem em projetos imobiliários tokenizados devido inflação e instabilidade econômica, mostrando que 69% dos investidores têm entre 30 e 55 anos, destacando-se millennials, liderando com 37% do total, seguidos pela Geração X com aumento de 7%, chegando a 32%, ao passo que a geração Z sofreu queda na participação, passando de 27% à 20% e os baby boomers permanecem em 11% . Os resultados indicam que a maioria dos entrevistados realizam investimentos recorrentes e não se limitam ao mercado tokenizado, pois demonstram interesse em ativos tradicionais como bolsa de valores e fundos de investimento, aumento do número de investidores que reflete preferência por combinar estratégias de investimento tradicionais com opções que permitam acesso a diferentes níveis de risco e retorno, no geral, o estudo destaca como os argentinos diversificam suas carteiras com ativos inovadores, como tokens imobiliários, o que pode ser resposta à falta de confiança nos instrumentos tradicionais. O relatório da Reental sobre investimentos imobiliários tokenizados, indica que a maioria dos investidores latino-americanos destinam entre 100 euros e 10 mil euros a este tipo de projeto, representando mais de 84% do total investido, ao passo que 12% dos inquiridos investem em intervalo entre 10 mil e 50 mil euros, enquanto 3% ultrapassam os 50 mil euros nas contribuições, além disso, 69 % dos inquiridos se dispõe aumentar o investimento à 10 mil euros no futuro, embora só o fizessem se não precisassem de liquidez imediata.

Um dos principais fatores que atrai investidores à projetos tokenizados é a facilidade com que acessam os fundos, apenas um clique, enquanto a elevada rentabilidade é outro atrativo já que a maioria dos inquiridos antecipa retorno médio anual entre 5% e 10%, comparativamente elevado em relação a produtos financeiros tradicionais, considerando flexibilidade e variedade de opções essenciais uma vez que os investidores escolhem ativos, localização e momentos de investimento com menos capital, o que facilita diversificação, ao mesmo tempo, maior liquidez e menor risco associado aos projetos são valorizados, considerando que 93% dos entrevistados chegam a reinvestir seus lucros maximizando juros compostos. O relatório observa que aspectos como transparência, regulação, educação e liquidez precisam ser melhorados para incentivar o crescimento do mercado imobiliário tokenizado, considerado como processo de conversão de direitos de propriedade em tokens digitais registrados na blockchain, sistema que permite dividir um imóvel em frações e automatizar o funcionamento, funcionando como fragmentação de Ativos, geração de Tokens, compra e Venda e participação nos lucros. Vale dizer que, a tokenização de imóveis avança no estado de Lagos na Nigéria, com potencial de transformar o mercado imobiliário, tornando-o mais acessível a investidores, com o governo anunciando plano para tokenizar imóveis, aproveitando blockchain para melhorar a transparência, eficiência e facilidade de transferência em transações imobiliárias, iniciativa, delineada nos documentos do Eko Revenue Plus Summit, visando aumentar receitas geradas internamente. A tokenização imobiliária é conversão de ativos imobiliários em tokens digitais na blockchain, sendo que cada token representa parcela de propriedade imobiliária, semelhante ao modo como as ações representam a propriedade de uma empresa, esses tokens podem ser comprados, vendidos ou negociados em plataforma blockchain, proporcionando aos indivíduos modo simplificado e acessível de investir em imóveis, sendo que o plano de tokenização será desenvolvido ao longo de 16 meses, com o Ministério da Ciência e Tecnologia da Nigéria liderando projeto em colaboração com agências e parceiros que trabalharão com orçamento de US$ 314.465 alocado pelo governo estadual para apoiar a iniciativa.

Moral da Nota: a Startup brasileira Moradaai, anuncia aporte de R$ 6 milhões para aceleração IA no mercado imobiliário, salto de 100 à 700 incorporadoras utilizando o chatbot Mia, fundada em 2021 em Belo Horizonte o aporte foi liderado pela Nexus Empreendimentos e ajuda no avanço do Mia, chatbot alimentado por IA voltado ao pré-atendimento de clientes interessados na negociação de imóveis. Os fundadores da empresa já desenvolveram projetos IA à empresas como Itaú, McDonald’s e C&A, com a Mia conseguindo apresentar imóveis, filtrar necessidades apontadas pelos clientes, responder dúvidas e agendar visitas, além de encaminhar o atendimento a corretores humanos, em caso de não engajamento, outra habilidade da Mia é a capacidade de conversar em qualquer idioma, além do atendimento de áudio, textos e utilização de gírias sem que as pessoas percebam que estão conversando com um chatbot. A proptech, spin-off da Kumuni, startup vendida ao Bradesco, informou que a Mia já realizou quase 500 mil atendimentos e trocou mais de 12 milhões de mensagens e, de acordo com a empresa, este ano o chatbot registrou crescimento de 400% em relação ao mesmo período do ano passado, sendo que a utilização da IA em um nicho específico de mercado faz com que a tecnologia seja mais precisa e eficaz, já que a Mia foi projetada para coletar dados específicos que atualizem a compreensão e entender o mercado imobiliário. As fontes de informação da Mia mostram diversos portais especializados, plataformas de anúncios e sites de incorporadoras, além da integração do chatbot com sistemas de gestão de relacionamento com clientes, CRMs, e, quanto às habilidades do chatbot, a empresa destaca acompanhamento de clientes com crédito reprovado e recuperação de leads antigos, estando focada em atendimento via IA, informando que é capaz de fornecer estrutura de dados e fornecimento da tecnologia para marketing através de dashboards inteligentes.

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.