{"id":3014,"date":"2021-12-20T00:51:20","date_gmt":"2021-12-19T13:51:20","guid":{"rendered":"https:\/\/wordpress.temp.irap-dev.org\/benefit-of-ai-in-proactive-road-infrastructure-safety-management-itf-findings-published\/"},"modified":"2026-04-30T12:39:48","modified_gmt":"2026-04-30T02:39:48","slug":"benefit-of-ai-in-proactive-road-infrastructure-safety-management-itf-findings-published","status":"publish","type":"post","link":"https:\/\/irap.org\/pt\/benefit-of-ai-in-proactive-road-infrastructure-safety-management-itf-findings-published\/","title":{"rendered":"Benef\u00edcios da IA na gest\u00e3o proativa da seguran\u00e7a da infraestrutura rodovi\u00e1ria: resultados do ITF publicados"},"content":{"rendered":"

Resultados do F\u00f3rum Internacional de Transporte (ITF<\/a>) 187 Mesa Redonda sobre Intelig\u00eancia Artificial (IA) em Gest\u00e3o Proativa de Seguran\u00e7a de Infraestrutura Rodovi\u00e1ria foram publicadas, destacando o importante potencial e papel de AiRAP<\/a>.<\/p>\n

A IA expande os limites do reconhecimento de padr\u00f5es al\u00e9m das capacidades humanas e pode conter a chave para identificar configura\u00e7\u00f5es de estradas desconhecidas e propensas a acidentes para salvar vidas.<\/p>\n

A Mesa Redonda de IA da ITF em fevereiro de 2021 reuniu especialistas de 33 organiza\u00e7\u00f5es e 15 pa\u00edses para examinar e determinar os casos mais relevantes para o uso de intelig\u00eancia artificial em um contexto de planejamento de transporte para a preven\u00e7\u00e3o de acidentes em toda a rede rodovi\u00e1ria.<\/p>\n

O relat\u00f3rio<\/a> resume as descobertas da mesa redonda e explora a possibilidade de usar vis\u00e3o computacional para adquirir informa\u00e7\u00f5es relevantes e a capacidade de modelos computacionais para mapear locais de alto risco. S\u00e3o oferecidas recomenda\u00e7\u00f5es \u00e0s partes interessadas sobre o desenvolvimento e o uso apropriado de solu\u00e7\u00f5es de IA para salvar vidas.<\/p>\n

A IA facilita o gerenciamento proativo da seguran\u00e7a no tr\u00e2nsito de duas maneiras: Por meio de sensores e sistemas como vis\u00e3o computacional, ela ajuda a coletar dados sobre as condi\u00e7\u00f5es da infraestrutura rodovi\u00e1ria e eventos de tr\u00e1fego em toda a rede vi\u00e1ria. E, por meio de modelos preditivos, a IA aprende a identificar locais na rede onde o risco de acidentes \u00e9 maior. Em regi\u00f5es onde dados precisos e relevantes existem, a IA pode identificar locais perigosos proativamente, antes que os acidentes aconte\u00e7am.<\/p>\n

No entanto, muitos consideram que a IA carece da transpar\u00eancia e da interpretabilidade das previs\u00f5es dos modelos estat\u00edsticos tradicionais. Com o poder computacional amplamente dispon\u00edvel, o que agora limita a IA \u00e9 a disponibilidade de dados e de indiv\u00edduos qualificados para supervisionar a modelagem. Os dados muitas vezes s\u00e3o escassos porque permanecem em silos em vez de serem compartilhados, e observa-se que a ind\u00fastria automotiva det\u00e9m alguns dos dados mais valiosos para a previs\u00e3o de riscos.<\/p>\n

O relat\u00f3rio recomenda que:<\/p>\n