São Paulo — InkDesign News —
A utilização de machine learning está se expandindo nas pesquisas científicas, com recentes avanços prometendo aumentar a segurança nas estradas. Pesquisadores da Universidade Johns Hopkins desenvolveram uma ferramenta de IA que promete prever fatores de risco associados a acidentes de carro nos Estados Unidos.
Contexto da pesquisa
O projeto, denominado SafeTraffic Copilot, visa oferecer análises e previsões de acidentes para ajudar a reduzir o crescente número de fatalidades nas estradas dos EUA. Os pesquisadores apontam que, apesar de décadas de medidas preventivas, os acidentes de carro ainda estão aumentando devido à complexidade dos fatores envolvidos, como condições climáticas e comportamentos dos motoristas.
Método proposto
A abordagem utiliza um tipo de IA conhecido como Modelos de Linguagem Grande (LLMs), que são projetados para processar e aprender com grandes volumes de dados. O SafeTraffic Copilot foi treinado com uma combinação de descrições textuais das condições das estradas, valores numéricos como níveis de álcool no sangue, e imagens satélite e fotográficas. O modelo também pode avaliar fatores de risco individuais e suas interações, proporcionando uma visão mais detalhada sobre a influência desses fatores nos acidentes.
“Com o SafeTraffic Copilot, nosso objetivo é simplificar essa complexidade e fornecer aos designers de infraestrutura e formuladores de políticas informações baseadas em dados para mitigar acidentes.”
(“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, Johns Hopkins University
Resultados e impacto
A ferramenta incorpora um loop contínuo de aprendizado, o que significa que sua performance de previsão melhora com a adição de mais dados relacionados a acidentes. Os pesquisadores também conseguem quantificar a confiabilidade das previsões, afirmando que, por exemplo, uma previsão pode ter 70% de chance de acerto em situações do mundo real. Isso fornece uma ferramenta confiável e interpretável para que formuladores de políticas e engenheiros de transporte identifiquem combinações de fatores que aumentam o risco de acidentes.
“Ao reestruturar a previsão de acidentes como uma tarefa de raciocínio e utilizar LLMs para integrar dados escritos e visuais, os envolvidos podem passar de estatísticas agregadas para um entendimento mais refinado do que causa acidentes específicos.”
(“By reframing crash prediction as a reasoning task and using LLMs to integrate written and visual data, the stakeholders can move from coarse, aggregate statistics, to a fine-tuned understanding of what causes specific crashes.”)— Hao (Frank) Yang, Professor, Johns Hopkins University
A equipe considera que a ferramenta poderá ser um modelo para a integração responsável de modelos baseados em IA em áreas críticas, como saúde pública e segurança humana. Os próximos passos da pesquisa incluem entender melhor como os modelos de IA podem ser utilizados de maneira responsável em cenários de tomada de decisão de alto risco.
Fonte: (TechXplore – Machine Learning & AI)
