Hubyratan Alves

A Inteligência Artificial (IA) é um campo da computação que está em crescimento acelerado. Os modelos de IA podem ser treinados de diversas formas, entre elas, por treinamento supervisionado. Para esse tipo de treinamento faz-se a necessidade de uma massiva quantidade de dados. No entanto, nem sempre dispomos de dados suficientes para o treinamento da IA. Por um longo período isso restringiu os avanços na área, ressurgindo apenas com aparecimento do Big Data. No entanto, mesmo dispondo de dados para o treinamento do modelo, o dataset pode se apresentar não balanceado ou ainda com pouca variabilidade. O problema pode ser resolvido por meio da técnica de Machine Learning denominada GANs (do inglês Redes Neurais Generativas Adversárias). Essa ferramenta consiste em duas redes neurais artificiais contrapostas cujo objetivo é gerar qualquer distribuição de dados (imagem, vídeo, texto) próximos dos exemplos fornecidos. Com as GANs, os datasets podem ser aumentados sinteticamente, com a adição de variabilidade e uniformidade. Durante o ano de 2022, pude utilizar a técnica no projeto de pesquisa do IFG Câmpus Goiânia: \"Detecção de anomalias em painéis fotovoltaicos utilizando CNN (Redes Neurais Convolucionais)\". Utilizando um banco de imagens de espectro infravermelho, pôde-se fazer a detecção automática de anomalias em painéis solares do próprio IFG. Com a utilização das GANs para aumento do banco de dados, obtivemos na pesquisa uma ótima acurácia do modelo. Sendo assim, a palestra pretende mostrar como as GANs podem ser uma ferramenta importante quando estamos lidando com datasets reduzidos e quais as aplicações no campo do Aprendizado de Máquina.