São Paulo — InkDesign News — O avanço em sistemas de comunicação, impulsionado por machine learning e deep learning, tem proposto novas abordagens para otimizar a transmissão de informações, especialmente em cenários de segurança.
Arquitetura de modelo
Os sistemas tradicionais se concentravam em transmitir dados brutos entre dois pontos, mas a crescente complexidade de redes e dispositivos IoT trouxe à tona um desafio crítico: a sobrecarga de dados. Em cenários de monitoramento, como exemplificado por câmeras de segurança, a transmissão completa de imagens e vídeos se tornou ineficiente.
A solução proposta pela comunicação semântica consiste em transmitir apenas informações relevantes, como: “zona_A, pessoa_não_autorizada, nível_ameaça_alto”.
(“semantic communication seeks to transmit only relevant information, such as: ‘zone_A, unauthorized_person, threat_level_high'”)— Especialista em Sistemas de Comunicação
A construção de Sistemas de Conhecimento Semântico (SKB) foi um passo inicial, onde a informação era reduzida através da similaridade de cosseno. No entanto, esses sistemas falham ao lidar com situações inesperadas, uma vez que dependem de categorias bem definidas.
Treinamento e otimização
Quando uma situação inédita é confrontada, como a presença de um trabalhador de manutenção em horário não autorizado, um SKB pode erroneamente classificá-lo como uma ameaça. Isso ocorre porque, ao forçar um encaixe em categorias existentes, ele ignora o contexto e as relações entre os dados.
A máxima funcionalidade não é alcançada quando as opções disponíveis são limitadas.
(“The maximum functionality is not achieved when the available options are limited.”)— Pesquisador em Inteligência Artificial
Em contrapartida, a comunicação semântica baseada em Grafos de Conhecimento supera as limitações dos SKBs ao mapear relações entre atributos. Esse modelo não apenas reconhece categorias, mas também suas interconexões, permitindo um raciocínio contextual.
Resultados e métricas
Os resultados mostram que sistemas baseados em grafos de conhecimento apresentaram uma melhoria de 70% a 80% na acurácia em ambientes familiares e desconhecidos. Essa metodologia mostrou robustez mesmo em condições de sinal fraco, um fator crucial para a eficácia operacional.
O sistema é capaz de afirmar: “verificar antes de alarmar”, em vez da categorização forçada observada nos SKBs.
(“The system is able to state: ‘verify before alarm’, instead of the forced categorization observed in SKBs.”)— Pesquisador em Segurança Inteligente
Embora os sistemas baseados em grafos de conhecimento ainda enfrentem desafios em termos de custo e complexidade na construção, suas aplicações práticas em ambientes dinâmicos são promissoras. A próxima fase da pesquisa envolve a ampliação dos testes em cenários do mundo real para validar a eficácia e escalabilidade dessas soluções.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
