2026-10-16 –, Paralela 2
Descubra como construir uma arquitetura de IA que une detecção de objetos e modelos multimodais para apoiar equipes de resgate na tomada de decisão em desastres urbanos complexos.
Em cenários de desastres, a velocidade de resposta salva vidas. Para apoiar equipes de emergência, o desafio da engenharia vai além de rodar modelos isolados: é preciso criar uma solução capaz de processar imagens caóticas e transformá-las em informações úteis em tempo real.
Esta palestra apresenta os desafios técnicos e práticos por trás de modelos de visão computacional voltados para desastres urbanos. Discutiremos como estruturar uma pipeline de IA de ponta a ponta, focando na detecção de objetos em ambientes degradados por enchentes e desabamentos. Abordaremos como superar as falhas de modelos genéricos através da criação de um dataset específico, mostrando como foi feita a curadoria manual no Roboflow, a hospedagem no Kaggle e o uso do modelo multimodal Gemini-Flash para gerar imagens e enriquecer o conjunto de dados para classes críticas como civis, socorristas e animais.
Veremos como realizar o treinamento desse modelo utilizando a biblioteca Ultralytics (YOLO) no ecossistema Python. Por fim, utilizaremos uma interface no Gradio, hospedada no Hugging Face, para apresentar os resultados práticos da solução de forma totalmente visual e acessível, demonstrando o potencial da IA aplicada ao impacto social.
Lógica e Sintaxe Python: Familiaridade básica com a linguagem, como manipulação de listas, dicionários e a instalação de pacotes externos.
Conceitos de IA e Visão Computacional: Ter uma noção inicial sobre o que é o treinamento de um modelo, datasets e o conceito de detecção de objetos ajuda bastante a acompanhar o ritmo.
What can participants expect to learn from your activity?:Quem participar da palestra aprenderá como tirar um projeto de Inteligência Artificial do campo teórico e aplicá-lo a um cenário caótico e complexo do mundo real. As pessoas aprenderão os passos práticos para construir uma pipeline de dados do zero, entendendo como o modelo multimodal Gemini-Flash pode atuar como um aliado poderoso para gerar dados sintéticos e robustecer conjuntos de treinamento escassos através do Roboflow e Kaggle.
Além disso, o público entenderá os fundamentos práticos do treinamento de redes neurais modernas de detecção de objetos usando a biblioteca Ultralytics (YOLO) em Python, identificando como analisar se um modelo está pronto para produção. Por fim, os participantes sairão com a expectativa alinhada de como apresentar resultados de IA de maneira acessível e dinâmica usando o Gradio no Hugging Face, inspirando a comunidade a desenvolver soluções tecnológicas voltadas diretamente para o impacto social e humanitário.
Choose one or more areas where this proposal fits.: Data Science and Data Analysis, Machine Learning and Artificial Intelligence
Desenvolvedora na Alura. Graduando Ciências e Tecnologia na UFRN. Compartilhando experiências sobre IA, dados e soluções de software com impacto no mundo real.