Machine Learning e Inteligência Artificial como Instrumentos de Segurança Viária
A pesquisa conduzida por especialistas da Universidade Johns Hopkins explora o uso de machine learning e inteligência artificial (AI) na previsão de acidentes automobilísticos, visando aprimorar a segurança nas estradas.
Contexto da pesquisa
Com o aumento contínuo do número de fatalidades em acidentes, um novo modelo de AI, chamado SafeTraffic Copilot, foi desenvolvido para analisar fatores que influenciam a segurança viária. “Com o SafeTraffic Copilot, nosso objetivo é simplificar essa complexidade e oferecer insights baseados em dados para mitigar colisões.” (“With SafeTraffic Copilot, our goal is to simplify this complexity and provide infrastructure designers and policymakers with data-based insights to mitigate crashes.”)
— Hao “Frank” Yang, Professor Assistente, Universidade Johns Hopkins
Método proposto
O modelo SafeTraffic Copilot utiliza grandes modelos de linguagem (LLMs) para processar e aprender com um vasto conjunto de dados, incluindo descrições de mais de 66.000 acidentes. Ele aborda tanto fatores individuais como combinados de risco e fornece uma análise detalhada das influências de segurança. Além disto, o modelo apresenta “scores de confiança”, que medem a fiabilidade das previsões. “Esses scores de confiança são cruciais, pois a inteligência artificial é uma caixa preta — ninguém sabe como ela toma decisões.” (“These confidence scores are crucial because artificial intelligence is a black box—no one knows how it makes decisions.”)
— Hao “Frank” Yang, Professor Assistente, Universidade Johns Hopkins
Resultados e impacto
No estado de Maryland, os dados revelam que 381 pessoas morreram em acidentes em 2023, evidenciando a necessidade de intervenções eficazes. O modelo indica que o uso de álcool e comportamentos de direção agressivos são os fatores mais críticos, contribuindo para três vezes mais colisões. Atualmente, abordagens similares em Maryland utilizam machine learning, mas com limitações em relação à previsibilidade de novos cenários. Segundo Yang, “Com machine learning, se uma amostra não for semelhante aos seus dados de treinamento, você não pode gerar uma previsão.” (“With machine learning, if a sample is not similar to your training samples, you cannot generate a prediction.”)
— Hao “Frank” Yang, Professor Assistente, Universidade Johns Hopkins
O SafeTraffic Copilot ainda se adapta a diferentes condições de trânsito em regiões diversas, havendo potencial para expandir essa pesquisa para países com comportamentos de direção distintos, como Taiwan e Filipinas.
Esse avanço pode transformar a segurança nas vias, permitindo intervenções mais precisas que visam salvar vidas e reduzir acidentes em larga escala.
Fonte: (TechXplore – Machine Learning & AI)
