”O que é reCAPTCHA?”

O objetivo não é somente provar pro Google que você não é um robô. Estas associações de uma palavra a uma imagem serve como serviço gratuito de geração de dados para treinar modelos de inteligência artifical.

E o que o incêndio tem a ver com isso? Calma, vamos por partes.

Em um mundo com infinidades de soluções que utilizam inteligência artificial, o ouro da era atual tornou-se a geração de dados.

Dados são observações documentadas ou resultados de medições. No teste acima, ao clicar em imagens associadas a táxis, o usuário está indicando quais imagens contém um táxi. A ampla disponibilidade desses dados oferece oportunidades para o treinamento de diversos algoritmos.

Para entender o porque disso, é interessante o conceito de aprendizado supervisionado (supervised learning). Esta é uma técnica para elaborar algoritmos de aprendizado de máquina (machine learning) que busca classificar dados com base na coleta de padrões ou recursos que caracterizam as diferentes classes.

Com certeza você já respondeu a esse tipo de teste

Exemplo das associações entre as classes e as características que as definem aos olhos da inteligência artificial

As classes representam um grupo de objetos com características, padrões ou recursos similares. No exemplo citado ao longo deste artigo, a classe seria justamente o táxi.

Para fazer isso, um modelo de aprendizado de máquina supervisionado é fornecido com muitos dados rotulados, chamados de dados de treinamento. Dados rotulados são aqueles que já contam com alguma identificação de classe, justamente por essa razão é considerado supervisionado, já que um humano precisa rotular esses dados. Este algoritmo então aprenderá os recursos associados a uma classe para que possa classificar novos dados.

Voltando aos táxis para tornar esse entendimento mais palpável:

Os dados rotulados seriam justamente a associação de imagens às classes presentes e os padrões similares seriam, por exemplo, a cor amarela presente na maioria dos táxis.

Diagrama explicativo de um algoritmo de classificação de imagens de táxi

Bom, tendo isso em vista e sabendo que geralmente são necessários milhares ou milhões de dados cuidadosamente rotulados para se atingir um bom modelo, quem vai fazer o trabalho de formiguinha para classificar todos os dados? VOCÊ.

Sim, somente um ser humano poderia fazer isso. Inclusive, em muitos casos, utilizasse de ferramentas para geração gratuita desses rótulos. É onde entra o Google com a ferramenta reCAPTCHA.

Exemplo de um reCAPTCHA com imagens de incêndios florestais. 

O que o Google ganha com isso?

O teste apresenta imagens já rotuladas corretamente como descriminado na figura acima (seleção 1, representando as imagens onde há táxis, e seleção 3, grupo de imagens sem a presença de táxis).

No entanto, também coloca ao menos uma imagem que ainda não há confirmação da presença do objeto (seleção 2, na figura acima).

As imagens já rotuladas servem de fato para definir se é um humano que esta controlando as ações da sua máquina ou um robô programado para isso. As outras são classificações gratuitas que os usuários fornecem.

Esses novos dados rotulados podem servir de insumo para um algoritmo de reconhecimento de táxis.

Isto aplicado, por exemplo, à imagens de incêndio florestal, poderia auxiliar no treinamento de algoritmos de detecção prévia de queimadas, aumentando a eficiência de combate das brigadas e economizando recursos utilizados devido a um combate em fases inicias do fogo.  

O reCAPTCHA ficaria mais ou menos assim:

Distribuição de imagens rotuladas ou não rotuladas no reCAPTCHA usado de exemplo

Com um propósito desses, com certeza você não se incomodaria em responder, de vez em quando, se você é um robô ou não, né?

Este é o primeiro de uma série de artigos que discorrem sobre combate a incêndios, monitoramento florestal e inteligência artificial aplicada à imagens. 

Explicação de como o algoritmo aprende com os testes reCAPTCHA do Google

Explanation of how the algorithm learns from Google reCAPTCHA tests

Como os testes reCAPTCHA do Google poderiam ajudar a reduzir queimadas?

How could Google reCAPTCHA tests help reduce wildfires?

Focos de calor entre os anos de 2018 e 2020 no estado do Mato Grosso

O futuro dos biomas brasileiros

O Estado do Mato Grosso contempla três biomas brasileiros, sendo eles a Amazônia, o Cerrado e o Pantanal, além de ser a região de diversas áreas de preservação, parques nacionais e terras indígenas. Porém, mesmo com a extrema importância desses biomas para o equilíbrio do ecossistema e para a subsistência de muitas pessoas e comunidades, o estado sofre com altas taxas de queima não natural e desmatamento, as quais serão explorados a seguir.

De acordo com dados disponibilizados pelo mapeamento de cicatrizes de fogo do Mapbiomas, de 2018 a 2020 as áreas queimadas nestes três anos totalizaram 7 milhões de hectares, quase duas vezes o tamanho do Estado do Rio de Janeiro. O pior ano nesta série foi 2019 registrando mais de 3 milhões de hectares queimados. Isso também significa emissão de gases de efeito estufa que agravam a crise climática.

Além dos dados de áreas queimadas, focos de calor detectados por satélites também corroboram com o quadro crítico apresentado. O Banco de Dados de Queimadas do INPE aponta que no ano de 2019, mais de 700 mil focos de calor ocorreram no estado do Mato Grosso. Determinadas regiões do estado apresentam maiores concentrações de ocorrências, associadas também com a concentração de áreas queimadas.

Muitas destas queimas ocorrem de forma ilegal, sendo provocadas de forma intencional pelas atividades antrópicas. Áreas florestais são queimadas ilegalmente com o objetivo de serem convertidas em pastagens ou em terras agrícolas, existindo ainda no estado a questão problemática do garimpo ilegal.

A pauta ambiental e o futuro dos biomas brasileiros precisam receber a devida atenção e devemos entender a importância e os impactos que incêndios florestais podem ter na saúde humana e no meio ambiente.

NEWS AND INTERVIEWS

Startup uses artificial intelligence to detect and reduce forest fires.

The first wildfire detection software Pantera in the Pantanal

The Pantanal now has one of the largest early detection projects for wildfires in the world

BLOG

How could Google reCAPTCHA tests help reduce wildfires?

The growth of heat spots in Mato Grosso