Lois Anne Leal e Chaitree Sham Baradkar participaram da inovadora Desafio Omdena de 8 semanas iRAP no início deste ano para encontrar soluções baseadas em IA para mapear o risco de acidentes e gerar dados de atributos para a classificação por estrelas iRAP. Eles eram apenas dois dos 50 engenheiros de IA e aprendizado de máquina recrutados por meio de crowdsourcing em todo o mundo, com o objetivo de encontrar uma solução para a coleta e codificação aceleradas e inteligentes de dados de atributos rodoviários (AiRAP) para salvar vidas.
Lois é uma Especialista em Pesquisa Científica, Engenheira de Machine Learning e Desenvolvedora Certificada em TensorFlow das Filipinas e Chaitree é Cientista de Dados na PharmaACE e Engenheira de Machine Learning na Omdena, de Pune, Índia.
O Desafio Omdena iRAP tinha três objetivos principais:
- Obter dados geolocalizados de acidentes e elaborar mapas de risco iRAP com o número de acidentes históricos por quilômetro e o número de acidentes por quilômetro percorrido para cada usuário da via
- Atribuir dados sobre características das vias, fluxo de tráfego e velocidade de acordo com o padrão global iRAP e mapear o desempenho em segurança e a classificação por estrelas de mais de 100 milhões de km de estradas em todo o mundo
- Produzir indicadores chave de desempenho (KPIs) para infraestrutura rodoviária que sejam repetíveis e que possam formar a base para o acompanhamento de desempenho anual
Lois e Chaitree contribuíram para o segundo objetivo ao obterem automaticamente o componente crucial da contagem de veículos sob o atributo de tráfego ou fluxo de veículos usando imagens de satélite com a ajuda da Inteligência Artificial.
Leia o blog publicado deles: “Usando Redes Neurais Convolucionais Para Melhorar a Segurança Viária e Salvar Vidas“.
Nossos agradecimentos a Lois e Chaitree, e a todos os voluntários do Desafio por sua valiosa contribuição!