Convidado 
Por: Eldrige de Melo, Gestor Sénior de Programas Espaciais
O termo “Inteligência Artificial” (IA) foi criado em 1956 por John McCarthy, durante uma conferência nos Estados Unidos da América no Dartmouth College. O termo “inteligência artificial” (IA) compreende todas as técnicas que permitem que os computadores imitem a inteligência humana. Geralmente, esses sistemas artificialmente inteligentes são treinados por humanos, esse processo de treinamento envolve a programação de sistemas e a escrita de uma grande quantidade de código complexo.
No entanto, o conceito de criar máquinas com a capacidade de realizar tarefas que por norma requerem inteligência humana tem uma história muito mais antiga, e nos remete ao mito de Pigmalião da Grécia antiga.
Pigmaleão foi um escultor grego, extremamente talentoso que, por causa do desprezo que tinha por mulheres, decidiu esculpir a mulher que seria ideal consoante os seus padrões.
Créditos: D.R
A escultura era perfeita e assemelhava-se a uma pessoa de carne e osso. De tão encantado e apaixonado pela criação, o artista pediu à deusa Afrodite que concedesse a ele uma mulher igual a estátua. Em resposta, Afrodite deu vida à estátua, que se tornou humana. Pigmaleão chamou-a Galateia. Esse mito famoso inspirou muitos filmes de Hollywood na ficção, como o renomado Ex Machina (2014).
No século 20, o desenvolvimento de IA teve avanços significativos com o surgimento da era digital e dos primeiros sistemas computadorizados. No entanto, a IA tornou-se uma área dominante de pesquisa e desenvolvimento com o surgimento de computadores com alta capacidade de processamento e armazenamento de dados.
Hoje, a IA tem um impacto significativo em muitos sectores da sociedade, desde saúde, educação, finanças entre outros. Apesar do seu rápido crescimento, a IA continua a ser um campo em rápida evolução, com muito mais a ser descoberto e desenvolvido. A IA também pode ser alcançada por meio de Machine Learning (ML) ou Aprendizado de Máquina em português. Machine Learning possibilita que as máquinas se tornem autónomas e aprendam por si mesmas. ML é uma forma de ‘treinar’ um algoritmo relativamente simples para se tornar mais complexo. Para isso ser possível, enormes quantidades de dados são inseridos no algoritmo, que vai se ajustando e aprimorando com o tempo, quanto mais tempo e mais dados recolhe mais inteligente se tornam e assim as máquinas processam informações de maneira semelhante aos humanos, desenvolvendo redes neurais artificiais denominada Deep Learning (DL) ou Aprendizagem Profunda em português.
Créditos: D.R
O aprendizado profundo (DL) é uma técnica especializada de Machine Learning, em que a máquina se treina executando tarefas complexas utilizando várias camadas de redes neurais. Isso pode acontecer por meio de aprendizado supervisionado (por exemplo, alimentar o sistema com imagens da Terra e da Lua ou outros objectos celestes até que o algoritmo possa identificar com sucesso os dois tipos de objecto celeste) ou aprendizado não supervisionado, em que a rede encontra a estrutura por si mesma. Bons exemplos de aprendizado profundo são arquivos de imagens, serviços de tradução online e sistemas de navegação para carros autónomos ou naves espaciais.
Na Indústria Espacial, é cada vez mais comum gestores de projecto e engenheiros de sistema integrarem sistemas de IA nas missões espaciais. O primeiro caso de utilização de IA na exploração espacial deu-se com a sonda Deep Space 1, em 1998.
A aplicações de IA mais promissoras para a Indústria Espacial são as seguintes:
- Operações de satélite: IA é utilizada em particular para auxiliar a operação de grandes constelações de satélites e minimizar o erro humano e custos de operação com pessoal. Agências espaciais como a NASA e ESA têm desenvolvido novos procedimentos de automatização baseados em AI para reduzir a carga de trabalho dos operadores. A automação dos segmentos terrestre e espacial reduzirá a necessidade de intervenção humana, especialmente para grandes constelações e viagens interplanetárias, por exemplo, os sistemas de manobras automatizadas para prevenir colisões.
Créditos: D.R
- Processamento de dados de Observação da Terra: os satélites de observação da Terra, hoje em dia, têm a capacidade de capturar um volume alto de dados. No entanto, este factor aumenta a demanda nos sistemas de gestão, armazenamento e processamento de dados. O processo de downlinking de dados de satélite para as estações terrestres até certo ponto ainda enfrenta limitações, as limitações variam desde os limites fundamentais do número de vezes que um satélite pode sobrevoar um local específico, a cobertura de estações terrestres e até limitações de interoperabilidade entre sistemas de segmentos terrestres e aplicativos de utilizador final. O que tem sido muito comum hoje em dia, é o treinamento de modelos de IA para detectar nuvens e corrigir imagens cobertas por nuvens. Além disso, esses modelos também são treinados para facilmente analisar um número alto de dados e identificar objectos.
Créditos: D.R
- Viagens interplanetárias: Os rovers lançados mais recentemente para explorar Marte têm os computadores de bordo equipados com IA, isso possibilita-os a serem autónomos para navegar e conseguirem tomar decisões caso não tenham comunicação ou comandos de humanos por algum tempo.
Créditos: D:R
Como podemos ver, essa tecnologia se desenvolveu muito nas últimas duas décadas, mas os modelos e estruturas necessárias para ML por serem complexos, precisam ser aprimorados antes que possam ser amplamente úteis. Actualmente, a IA também carece da confiabilidade e adaptabilidade exigidas em novos sistemas e softwares, essas qualidades precisam ser aprimoradas antes da indústria espacial adoptar por completo essa tecnologia.
No próximo artigo vamos falar sobre ChatGPT, as oportunidades e as ameaças dessa tecnologia.
Já assistiu aos nossos vídeos no YouTube? Inscreva-se no nosso canal clicando aqui !!!
