Ao ouvir a expressão gestão de carbono com IA, podemos imaginar que ela explica de uma só vez um campo complexo. Recomendo começar perguntando que decisão o modelo deve ajudar a tomar. No capítulo 8 de Tecnologia e soluções para comprovar a redução de carbono, distingo as funções dos modelos de previsão de metano e o escopo em que podem ser usados. Um modelo que identifica falhas e outro que estima emissões respondem a perguntas diferentes.
O que vale a pena distinguir primeiro no livro
Ao avaliar os alertas, é bom examinar não apenas o que foi sinalizado, mas também as anomalias que não foram detectadas. Também é preciso verificar os períodos sem alertas para estimar as omissões. Ao mesmo tempo, examine se a equipe responsável consegue responder na prática. Defina também o que fazer quando a entrada estiver fora do escopo de uso. Talvez seja necessário limitar a saída ou encaminhar a situação a uma pessoa. Lembre-se também de que o apoio à decisão fornecido pela IA e a verificação externa da quantidade de redução de emissões têm objetivos e responsabilidades diferentes.
Verificação funcional. O teste de resposta de um detector de segurança consiste em aplicar gás para verificar a resposta do sensor e a função de alarme; ele não substitui a calibração quantitativa. Em analisadores de metano para pesquisa, devem ser realizadas verificações adequadas ao objetivo, como testes de zero e de span segundo o procedimento do fabricante, verificação de vazamentos e ensaios de recuperação. A aprovação numa verificação funcional não garante, por si só, a exatidão da medição das emissões.
As quantidades de redução de emissões dependem tanto da rastreabilidade metrológica da medição quanto da rastreabilidade dos cálculos. Os valores medidos são vinculados a referências por meio de uma cadeia de calibração documentada e da incerteza; os dados de atividade e os fatores de emissão ou modelos são rastreados até o resultado final por suas fontes, versões e condições de aplicação. Nem toda quantidade de redução de emissões vem de uma única medição direta. Quem revisa deve verificar tanto se os cálculos podem ser reproduzidos quanto se os dados e métodos utilizados são adequados à alegação.
Um caminho de desenvolvimento realista é acumular observações de concentração e medições de referência das taxas de emissão, conectando-as a informações sobre ventilação, condições meteorológicas, número de animais e ração. Avalie o erro de previsão em propriedades e períodos que não foram usados no desenvolvimento do modelo e especifique o escopo de aplicação. Mesmo que aumente o número de observações simultâneas, a confiança no modelo não melhora automaticamente quando falta representatividade ou há vieses comuns.
Ao comparar sensores, examine em conjunto a faixa de medição, a resolução, a sensibilidade cruzada a outros gases, o tempo de resposta e o desvio. Também é preciso avaliar as condições ambientais, como temperatura, umidade e poeira, e os requisitos de calibração. Se o objetivo for distinguir pequenas diferenças de concentração, verifique, para cada produto e modo de operação, se a unidade indicada pelo equipamento e sua incerteza são adequadas a esse objetivo. O nome do princípio de funcionamento do sensor não substitui essa avaliação.
A IA pode ser usada para identificar possíveis anomalias, estimar pequenos períodos com dados ausentes sob condições definidas e explorar relações entre múltiplas variáveis. Também pode ajudar a organizar dados, verificar sua qualidade e preparar rascunhos de relatórios. Os objetivos e custos das falhas de cada função são diferentes, portanto não se deve avaliar todas com a mesma métrica de desempenho. É preciso informar quais dados de entrada e hipóteses geraram cada resultado e distinguir os valores estimados daqueles observados diretamente.
Como examinar isso no campo
Imagine que um sensor esteja apresentando valores diferentes do habitual. A IA pode indicar possíveis pontos a inspecionar. Mas o alerta não confirma uma falha no equipamento nem comprova um resultado de redução de emissões. É preciso registrar as conclusões da equipe responsável e as medidas realmente tomadas para examinar como o modelo ajudou no trabalho.
A IA pode organizar observações e estimar valores ausentes. Seu valor não está em ocultar que houve uma estimativa, mas em mostrar com clareza quais dados e hipóteses permitiram obter um valor confiável e dentro de que escopo.
Separe primeiro os dados de avaliação. Se os dados de horários próximos da mesma propriedade forem distribuídos aleatoriamente entre os conjuntos, o desempenho de um modelo que memorizou padrões recorrentes do local poderá ser confundido com seu desempenho em propriedades novas. Se o objetivo for prever operações futuras, separe os dados por ordem temporal; para uso em outras propriedades, faça a separação por propriedade. Diferencie os dados de validação usados na seleção do modelo daqueles reservados para a avaliação final de desempenho; execute também o pré-processamento e o preenchimento de dados ausentes segundo regras definidas com base nos dados de treinamento.
Os dados de avaliação de IA devem ser separados de acordo com a finalidade de uso. Para prever a operação futura, considere a ordem temporal; para aplicar o modelo em outras propriedades, considere a separação por propriedade. Também separe os dados usados para selecionar o modelo daqueles reservados para a verificação final de desempenho. Compare o modelo com um modelo de referência simples e examine não apenas o erro médio, mas também os vieses por propriedade e estação do ano e as condições de falha. Assim será possível explicar o escopo real de uso.
Perguntas a incluir na análise de investimento
Na análise de investimento, é útil perguntar o que melhorou em comparação com os métodos existentes, em vez de se concentrar no nome IA. Também é preciso definir se o objetivo é gerar muitos alertas ou deixar passar menos anomalias importantes. Considerar em conjunto a equipe disponível para responder no campo e o custo dos falsos alertas torna mais claro em que condições a solução pode ser usada.
Se a linhagem dos dados for insuficiente, será difícil para quem revisa verificar como os números foram produzidos, e a aceitação dos dados poderá ser limitada conforme a finalidade de uso. O período de retenção dos dados originais e do histórico de alterações deve ser definido de acordo com os requisitos do sistema aplicável, do contrato e da privacidade. Os dados que precisam ser preservados não devem ser sobrescritos arbitrariamente, mas não se deve adotar como princípio a retenção de todos os dados por tempo indeterminado.
Por fim, há a privacidade e os direitos sobre os dados. Os dados das propriedades podem estar ligados a informações sobre os animais, resultados de produção e informações financeiras. Se forem reutilizados para finanças, seguros ou marketing além do objetivo de verificar a redução de emissões, os produtores poderão perder a confiança. Como mencionei no capítulo 1, quando se perde a confiança, a qualidade dos dados também se perde. Por isso, a limitação de finalidade, o consentimento separado, os diferentes níveis de acesso e os procedimentos para contestação são tão importantes quanto a segurança técnica. Esse desenho é desenvolvido na discussão contratual do capítulo 12 e na recomendação de política pública nº 12.
Uma pergunta para levar ao fechar o livro
Explicar de forma delimitada o papel da IA não reduz seu potencial. Pelo contrário, permite saber o que delegar e o que uma pessoa deve verificar. Registre em conjunto a saída do modelo, a decisão real e o resultado das medidas tomadas.
Sobre o autor
Bongjun Lee concluiu a pós-graduação em Gestão de Tecnologia (MOT) da Sogang University. Trabalhou durante 27 anos no setor de medição de gases, incluindo 7 anos na Infitron Co., Ltd. e 20 anos na Honeywell, atuando como engenheiro de serviços, em vendas técnicas e na gestão de canais. Atualmente, como fundador da AI Safety Korea Co., Ltd., pesquisa o monitoramento de metano na pecuária com o uso de sensores, IA e análise de dados, bem como sistemas de medição, relato e verificação (MRV).