Imagens como as do Google Street View estão assumindo um novo propósito nas mãos do professor assistente de Inteligência Artificial da Universidade da Flórida, Chaofeng Wang.
Ele está usando-as, juntamente com o deep learning, em um projeto de pesquisa para automatizar a avaliação de edifícios urbanos. O projeto visa ajudar os governos a mitigar os danos causados por desastres naturais, fornecendo as informações necessárias para que os tomadores de decisão reforcem as estruturas de construção ou realizem a recuperação pós-desastre.
Após um desastre natural, como um terremoto, os governos locais enviam equipes para verificar e avaliar as condições da construção. Feito manualmente, pode levar até meses para percorrer toda a cidade.
O projeto de Wang usa IA para acelerar o processo de avaliação, reduzindo o tempo necessário para algumas horas. O modelo de IA é treinado usando imagens provenientes do Google Street View e de governos locais para atribuir pontuações a edifícios com base nos padrões P-154 da Agência Federal de Gerenciamento de Emergências (FEMA), que fornecem diretrizes de avaliação com base em fatores como material da parede, tipo de estrutura, idade do edifício e muito mais. Wang também colaborou com o Programa Global de Habitação Resiliente do Banco Mundial para coletar imagens e realizar anotações, que foram usadas para melhorar o modelo.
As imagens coletadas são colocadas em um repositório de dados. O modelo de IA lê o repositório e realiza inferências sobre as imagens, um processo acelerado pelos sistemas NVIDIA DGX A100.
“Sem as GPUs NVIDIA, não seríamos capazes de fazer isso”, disse Wang. “Elas aceleram significativamente o processo, garantindo resultados em tempo hábil.”
Wang usou os nós da DGX A100 no supercomputador da Universidade da Flórida, HiPerGator. O HiPerGator é um dos supercomputadores de IA mais rápidos do mundo no meio acadêmico, entregando 700 petaflops de desempenho de IA, e foi construído com o apoio do fundador da NVIDIA e ex-aluno da UF Chris Malachowsky e hardware, software, treinamento e serviços da NVIDIA.
A saída do modelo de IA é compilada em um banco de dados que alimenta um portal da web, que mostra informações, incluindo a pontuação de avaliação de segurança, tipo de construção e até material de telhado ou parede, em um formato baseado em mapa.
O trabalho de Wang foi financiado pelo NVIDIA Applied Research Accelerator Program, que apoia projetos de pesquisa que têm o potencial de causar um impacto no mundo real por meio da implantação de aplicações aceleradas pela NVIDIA adotadas por organizações comerciais e governamentais.
Um Olhar Que Ajuda
Wang diz que o portal pode atender a diferentes necessidades dependendo do caso de uso. Para se preparar para um desastre natural, um governo pode usar previsões apenas a partir de imagens de rua.
“Essas são imagens estáticas. Um exemplo são as imagens do Google Street View, que são atualizadas a cada vários anos”, disse ele. “Mas isso é bom o suficiente para coletar informações e obter uma compreensão geral sobre certas estatísticas.”
Mas para áreas rurais ou regiões em desenvolvimento, onde essas imagens não estão disponíveis ou não são atualizadas com frequência, os governos podem coletar as próprias imagens. Impulsionado por GPUs NVIDIA, a entrega oportuna de avaliações de construção pode ajudar a acelerar as análises.
Wang também sugere que, com refinamento suficiente, sua pesquisa também poderia criar ondulações para os setores de planejamento urbano e seguros.
O projeto está sendo testado por alguns governos locais no México e está despertando interesse em alguns países africanos, asiáticos e sul-americanos. Em seu estado atual, ele pode alcançar mais de 85% de precisão em suas pontuações de avaliação, de acordo com os padrões FEMA P-154.
Levantamento do Terreno
Um desafio citado por Wang é a variação das paisagens urbanas em diferentes países. Diferentes regiões têm seus próprios estilos culturais e arquitetônicos. Não treinado em um conjunto grande ou diversificado o suficiente de imagens, o modelo de IA pode ser descartado por fatores como a cor da tinta ao realizar a análise de material de parede. Outro desafio é a variação da densidade urbana.
“É uma limitação muito geral da tecnologia de IA atual”, disse Wang. “Para ser útil, requer dados de treinamento suficientes para representar a distribuição do mundo real, então estamos colocando esforços no processo de coleta de dados para resolver o problema da generalização.”
Para superar esse desafio, Wang pretende treinar e testar o modelo para mais cidades. Até agora, ele testou cerca de oito cidades em diferentes países.
“Precisamos gerar anotações mais detalhadas e de alta qualidade para treinar o modelo”, disse. “É assim que podemos melhorar o modelo no futuro para que ele possa ser usado mais amplamente.”
O objetivo de Wang é levar o projeto a um ponto em que possa ser implantado como um serviço para uso mais geral da indústria.
“Estamos criando interfaces de programação de aplicações que podem estimar e analisar edifícios e residências para permitir a integração perfeita com outros produtos”, disse ele. “Também estamos construindo uma aplicação amigável que todas as agências e organizações governamentais podem usar.”