CORTEX Areatec: O Caminho Pragmático para o Primeiro Large Mobility Model da América Latina
Em 2017, um grupo de pesquisadores do Google publicou um artigo científico intitulado "Attention Is All You Need". Esse documento apresentou ao mundo a arquitetura Transformer, um modelo matemático baseado em mecanismos de atenção que permitia processar sequências de dados de forma paralela e profunda. Esse marco acadêmico iniciou uma corrida global pelo desenvolvimento de inteligência artificial generativa. No entanto, enquanto os laboratórios do Vale do Silício celebravam a capacidade de seus modelos em redigir poemas ou gerar imagens abstratas, os engenheiros da Areatec, em Araras, no interior de São Paulo, olhavam para aquela tecnologia com uma pergunta pragmática: como essa arquitetura matemática pode resolver o caos do trânsito nas cidades brasileiras e latino-americanas?
A resposta convencional do mercado de tecnologia seria simples. Muitas empresas escolheriam contratar APIs de modelos de prateleira desenvolvidos por grandes corporações norte-americanas, pagando por requisição e enviando as imagens capturadas nas ruas para processamento em servidores internacionais. A Areatec rejeitou esse caminho fácil. A liderança técnica compreendeu que as soluções genéricas de inteligência artificial são projetadas para cenários ideais de laboratório. Elas falham de forma sistemática quando expostas à poeira, à chuva torrencial, às placas tortas ou cobertas por galhos de árvores e à instabilidade crônica das redes de telefonia móvel do Brasil. Para criar uma tecnologia que realmente funciona nas ruas, a empresa decidiu trilhar o caminho complexo de treinar seu próprio modelo, criando o primeiro Large Mobility Model (LMM) do continente com capacidade de inferência local.
O Abismo entre o Laboratório e o Asfalto Latino-Americano
Os modelos de inteligência artificial de prateleira disponíveis no mercado global são alimentados com bases de dados genéricas, compostas majoritariamente por imagens de ruas norte-americanas ou europeias. Essas vias possuem sinalização padronizada, asfalto uniforme e condições de luminosidade previsíveis. Quando um algoritmo treinado nesse ambiente asséptico é colocado para operar em uma cidade média do interior paulista ou em uma metrópole latino-americana, o índice de erro inviabiliza a operação. Placas de veículos amassadas, caracteres desgastados pelo sol, iluminação pública deficiente e a geometria caótica das vias urbanas tropicais transformam-se em ruído intransponível para as inteligências artificiais estrangeiras.
Além da barreira física das ruas, há um obstáculo estrutural de conectividade. Os modelos comerciais de nuvem exigem que cada frame de vídeo capturado pelas câmeras de fiscalização seja transmitido via internet para que a inferência ocorra. Em zonas de sombra de sinal celular, que são comuns nas periferias e vias expressas brasileiras, o sistema de fiscalização simplesmente pararia de funcionar. Para garantir a continuidade do serviço público, a Areatec estabeleceu como premissa que o processamento deveria ocorrer de forma embarcada, diretamente no hardware dos veículos de patrulha Olho Vivo. Isso exigia um modelo altamente especializado, compacto e eficiente, capaz de rodar sem qualquer dependência de conexão com a internet.
A Arquitetura do Large Mobility Model da Areatec
O desenvolvimento do Large Mobility Model começou com a seleção rigorosa do modelo de base. A equipe de engenharia da Areatec avaliou diversas arquiteturas de redes neurais profundas de código aberto, buscando um equilíbrio preciso entre a capacidade de representação espacial e o consumo de recursos computacionais. A escolha recaiu sobre uma arquitetura de visão computacional baseada em Transformers, otimizada para o processamento de sequências temporais de imagens de alta velocidade. Essa base foi desestruturada e reconstruída para focar exclusivamente nas características geométricas e texturais relevantes para a mobilidade urbana.
O treinamento de um modelo desse porte exige a definição clara de quais tarefas ele deve executar com perfeição matemática. Em vez de ensinar a inteligência artificial a reconhecer milhões de objetos inúteis para a gestão urbana, o modelo foi treinado para focar em elementos críticos. Ele aprendeu a identificar a microgeometria de placas veiculares sob ângulos extremos, a mapear deformações milimétricas no asfalto que indicam o início de buracos, a avaliar a integridade de sinalizações verticais e horizontais e a detectar padrões de comportamento de tráfego em cruzamentos saturados. Esse foco cirúrgico permitiu que o modelo atingisse níveis de precisão superiores aos de qualquer sistema genérico, consumindo uma fração do poder de processamento.
O Desafio Supremo da Qualidade dos Dados
Na engenharia de inteligência artificial, existe um consenso de que o algoritmo representa apenas uma pequena parte do sucesso do projeto. O verdadeiro diferencial competitivo reside na qualidade dos dados utilizados para o treinamento. O maior desafio da equipe da Areatec não foi escrever as linhas de código do compilador ou ajustar os hiperparâmetros da rede neural, mas sim construir e curar uma base de dados que refletisse com exatidão a realidade do trânsito brasileiro. Ensinar o modelo a reconhecer uma placa limpa e nova é uma tarefa simples. O desafio técnico reside em ensiná-lo a decifrar uma placa Mercosul parcialmente coberta por lama, sob a chuva fina do final de tarde, em uma rua de paralelepípedos.
Para superar esse obstáculo, a Areatec mobilizou seu histórico de operação real, que processa dezenas de milhões de transações mensais. Cada imagem selecionada para o treinamento passou por um processo rigoroso de curadoria e rotulação manual realizado por especialistas em trânsito. Foram inseridos cenários de oclusão parcial, variações extremas de sombreamento causadas por copas de árvores e distorções ópticas provocadas pela vibração dos veículos de patrulha. Esse investimento na qualidade da base de dados garantiu que o Large Mobility Model aprendesse a ignorar o ruído visual urbano e a focar estritamente nos vetores de informação necessários para gerar evidências robustas.
Soberania de Hardware e a Rigidez Técnica da LGPD
A decisão de manter uma infraestrutura de servidores própria, localizada no centro de pesquisa e desenvolvimento em Araras, foi fundamentada em razões técnicas e jurídicas incontornáveis. A primeira delas diz respeito à Lei Geral de Proteção de Dados (LGPD). Imagens de vias públicas contêm dados pessoais sensíveis, como rostos de pedestres e placas de veículos que podem identificar indivíduos. Ao processar essas informações em nuvens públicas de terceiros, o controlador dos dados perde o controle físico sobre as fronteiras de tráfego da informação, aumentando os riscos de vazamentos e violações regulatórias. A infraestrutura própria da Areatec garante que nenhum dado não anonimizado saia do perímetro de segurança física da empresa, atendendo aos requisitos de segurança desde a concepção exigidos pela lei brasileira.
Além da conformidade jurídica, a propriedade da infraestrutura oferece uma vantagem técnica decisiva na otimização do software. Ao controlar diretamente o hardware, os engenheiros da Areatec conseguem programar o código de inferência para tocar diretamente os registradores e as instruções específicas das unidades de processamento gráfico (GPUs). Essa integração profunda entre software e hardware elimina as camadas de abstração comuns em serviços de nuvem genéricos, reduzindo a latência de processamento para menos de cinquenta milissegundos por frame de vídeo. Essa eficiência energética e computacional é o que viabiliza a execução do modelo de forma local e embarcada nos veículos que patrulham as ruas das cidades brasileiras.
Escala e Treinamento Contínuo para o Mundo Real
A conclusão de um ciclo de treinamento não significa o fim do desenvolvimento do Large Mobility Model. A cidade é um organismo vivo que muda constantemente. Novos modelos de veículos são lançados, padrões de sinalização sofrem alterações regulatórias e o próprio desgaste das vias urbanas apresenta novas formas de degradação. Para manter a eficácia da tecnologia, a Areatec estruturou um fluxo contínuo de aprendizado ativo. Os dados coletados em campo que apresentam baixo índice de confiança pelo modelo são automaticamente isolados, higienizados em conformidade com as regras de privacidade e enviados para a infraestrutura de Araras para alimentar novos ciclos de fine-tuning.
Esse ciclo fechado de melhoria contínua é o que sustenta a reputação técnica da empresa no mercado GovTech. Enquanto soluções teóricas de laboratório perdem precisão à medida que são expostas às variações do mundo real, o Large Mobility Model da Areatec torna-se mais robusto a cada quilômetro rodado. É essa engenharia pragmática, ancorada na soberania de dados e no controle direto sobre o hardware, que permite à empresa entregar soluções de alta confiabilidade para a administração pública, consolidando seu compromisso de desenvolver tecnologia que funciona.
Marcio Alexandroni
Diretor de Engenharia, Areatec
