{"id":51811,"date":"2021-12-20T00:51:20","date_gmt":"2021-12-20T00:51:20","guid":{"rendered":"https:\/\/irap.org\/?p=51811"},"modified":"2021-12-20T00:51:20","modified_gmt":"2021-12-20T00:51:20","slug":"benefit-of-ai-in-proactive-road-infrastructure-safety-management-itf-findings-published","status":"publish","type":"post","link":"https:\/\/irap.org\/pt\/2021\/12\/benefit-of-ai-in-proactive-road-infrastructure-safety-management-itf-findings-published\/","title":{"rendered":"Benef\u00edcio da IA no gerenciamento proativo da seguran\u00e7a da infraestrutura vi\u00e1ria: descobertas da ITF publicadas"},"content":{"rendered":"

Conclus\u00f5es do F\u00f3rum Internacional de Transporte (ITF<\/a>) 187 Mesa Redonda sobre Intelig\u00eancia Artificial (IA) na Gest\u00e3o Proativa da Seguran\u00e7a da Infraestrutura Rodovi\u00e1ria foi publicada observando o importante potencial e papel de AiRAP<\/a>.<\/p>\n

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

A ITF AI Roundtable 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 preven\u00e7\u00e3o de acidentes em uma rede rodovi\u00e1ria inteira.<\/p>\n

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

A IA facilita o gerenciamento proativo da seguran\u00e7a do tr\u00e1fego de duas maneiras: por meio de sensores e sistemas como vis\u00e3o computacional, ele ajuda a coletar dados sobre as condi\u00e7\u00f5es da infraestrutura rodovi\u00e1ria e eventos de tr\u00e1fego em toda a rede rodovi\u00e1ria. E, por meio de modelos preditivos, a IA aprende a identificar os locais na rede onde o risco de falha \u00e9 maior. Em regi\u00f5es onde existem dados precisos e relevantes, a IA pode identificar locais perigosos de forma proativa, antes que ocorram acidentes.<\/p>\n

No entanto, muitos consideram a IA como carente da transpar\u00eancia dos modelos estat\u00edsticos tradicionais e da interpretabilidade das previs\u00f5es. O poder de computa\u00e7\u00e3o estando 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 costumam ser escassos porque permanecem em silos em vez de serem compartilhados e \u00e9 not\u00f3rio que a ind\u00fastria automotiva mant\u00e9m alguns dos dados mais preciosos para a previs\u00e3o de risco.<\/p>\n

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