Um case da Murabei em parceria com a Vale
Desde o início, sabíamos que o desafio da Prova de Conceito (PoC) desenvolvida pela MURABEI em parceria com a Vale seria complexo. A missão da Vale era clara: reduzir os acidentes que afetam comunidades próximas às suas operações mineradoras, onde o aumento do fluxo de pessoas e veículos eleva os riscos para os moradores locais. Este projeto possui o potencial de impactar positivamente a vida de milhares de pessoas, sejam trabalhadores das unidades da mineradora ou residentes das cidades da região.
Para enfrentar esse desafio, o primeiro passo da Vale é compreender, em detalhes, a tipificação e as tendências dos incidentes e acidentes registrados. Esse esforço incluiu a análise de possíveis relações de causa e efeito, sazonalidades e a elaboração de previsões que poderiam subsidiar ações preventivas.
O primeiro desafio técnico da PoC estava na natureza da fonte primária dos dados: relatos em formato de texto contendo descrições de incidentes, ou seja, informações não estruturadas. Para viabilizar uma análise detalhada, tornou-se essencial transformar esses dados em um formato estruturado, consistente e organizado.
A Tecnologia LLM na Prática
Para resolver a estruturação, decidimos utilizar modelos generativos, como o LLM, uma tecnologia emergente capaz de interpretar e extrair informações relevantes de grandes volumes de dados textuais. Um exemplo conhecido de LLM é o ChatGPT, que você já deve ter visto em ação, respondendo a perguntas complexas e gerando textos a partir de comandos de linguagem natural. No nosso caso, escolhemos a Ollama, uma plataforma open-source que permite o uso seguro e local de LLMs, garantindo a privacidade dos dados e atendendo aos mais altos padrões de segurança.
A partir da Llama 3.1, da Meta, conhecida por sua robustez, analisamos as descrições dos eventos e identificamos padrões de acidentes e áreas de risco com precisão. Os prompts que desenvolvemos nos ajudaram a direcionar o modelo para extrair exatamente as informações de que precisávamos.
Como segundo passo, a partir das classificações dos eventos, foi realizada a análise de tendências, sazonalidade, distribuição por zonas geográficas, entre outros aspectos. Os resultados foram apresentados em painéis para dar suporte ao acompanhamento e à tomada de decisões.
Resultados e Reflexões
Ao final do projeto, os resultados preliminares foram altamente positivos. Conseguimos estruturar, com elevado nível de assertividade, as descrições dos eventos e desenvolver as análise da evolução dos diferentes tipos de eventos em distintas regiões.
A possibilidade de operar o Llama 3.1 localmente eliminou a necessidade de transferir dados sensíveis para nuvens externas, algo que nos permitiu análises mais rápidas e com total segurança. A precisão e o detalhamento nas análises reforçaram o quanto os LLMs, quando bem configurados, podem transformar dados complexos em insights realmente acionáveis – aplicáveis a empresas de diferentes setores e áreas de atuação.
Essa experiência também destacou o vasto potencial de integração entre os LLMs e a modelagem tradicional, permitindo aproveitar o que há de melhor em cada abordagem metodológica.
O projeto ilustra de maneira exemplar o papel transformador da inteligência artificial na construção de um futuro onde a tecnologia e o cuidado com as pessoas caminham de forma integrada e harmoniosa.
Quer levar o poder da ciência de dados para dentro da sua empresa? O MyScientist é o serviço de consultoria em Data Science da Murabei, que aplica métodos científicos e inteligência artificial para transformar dados em decisões estratégicas. Combinamos expertise analítica e inovação para resolver desafios complexos e gerar impacto real. Agende um diagnóstico e descubra como podemos ajudar sua empresa a tomar decisões mais inteligentes.