Tóquio — InkDesign News — Pesquisadores da Universidade de Tóquio desenvolveram um sistema de automação predial baseado em inteligência artificial (IA) que utiliza machine learning distribuído para controlar ambientes sem comprometer a privacidade dos usuários.
Contexto da pesquisa
Com a crescente automação em residências e escritórios, a coleta centralizada de dados de dispositivos como câmeras e sensores levanta preocupações quanto à segurança e privacidade das informações pessoais. Sistemas convencionais armazenam esses dados em servidores centrais, o que pode gerar riscos em caso de invasão ou vazamento.
O grupo da Universidade de Tóquio, liderado pelo Professor Associado Hideya Ochiai, propôs uma alternativa descentralizada para reduzir esses riscos, descentralizando o processamento e armazenamento temporário, atuando diretamente entre dispositivos sem necessidade de servidores centrais.
Método proposto
A proposta, chamada Distributed Logic-Free Building Automation (D-LFBA), distribui o processamento do aprendizado de máquina entre os dispositivos inteligentes presentes no ambiente, como câmeras, sensores e controladores de luz e temperatura. O sistema usa uma forma de comunicação direta dispositivo a dispositivo, eliminando a dependência de servidores centralizados.
O modelo de machine learning adotado não requer programação explícita prévia, mas aprende comportamentos dos usuários por meio da associação sincronizada de timestamps entre imagens e estados de controle ao longo do tempo. Assim, o sistema adapta-se automaticamente às preferências dos ocupantes.
Essa arquitetura proporciona uma camada compatível entre produtos de diferentes fabricantes (cross-vendor), facilitando a integração de dispositivos diversos. O armazenamento interno é limitado ao necessário para a operação imediata, evitando retenção prolongada de dados sensíveis.
Resultados e impacto
Durante os testes realizados no último ano, o sistema demonstrou alta capacidade de adaptação ao comportamento dos usuários sem intervenção manual, gerando controle preciso dos ambientes. A abordagem elimina a concentração de dados pessoais, reduzindo potencial vulnerabilidade a ataques cibernéticos.
“Efetivamente distribuímos a carga de uma rede neural, o programa de computador responsável por aprender e controlar, entre os dispositivos do ambiente. Além das vantagens mencionadas, isso deve proporcionar uma camada de compatibilidade entre diferentes fornecedores, significando que o ambiente de automação não precisa ser composto por sistemas de um único fabricante.”
(“We effectively spread the load of a neural network, the computer program responsible for learning and controlling things, across the devices in the environment. Among the advantages already mentioned, it should provide a cross-vendor layer of compatibility, meaning the automation environment need not be composed of systems from one manufacturer.”)— Hideya Ochiai, Professor Associado, Universidade de Tóquio
Além de preservar a privacidade, o método mostra como o machine learning pode se tornar mais flexível e distribuído, com maior segurança e operação autônoma, sem a necessidade de configuração explícita por programadores humanos.
O trabalho foi apresentado na IEEE Conference on Artificial Intelligence 2025, destacando seu potencial para automação residencial, comercial e industrial, com ênfase na segurança de dados e interoperabilidade.
Para aprofundar, acesse também os conteúdos relacionados em
machine learning e
deep learning.
Fonte: (TechXplore – Machine Learning & AI)
