Por Jennifer Langston
Sean Cusack tem sido um apicultor de quintal há 10 anos e funileiro há mais tempo. É assim que ele e um amigo entomologista começaram a falar sobre a construção de um sistema de alerta precoce para alertar os proprietários de colmeias sobre ameaças potencialmente catastróficas.
Eles imaginaram instalar uma câmera ativada por sensor de movimento na entrada da colmeia e usar o machine learning para identificar remotamente quando invasores como ácaros ou vespas ou, potencialmente, até mesmo o vespão gigante asiático estavam entrando.
“Uma ameaça como essa poderia matar sua colmeia em algumas horas e seria game over”, disse Cusack. “Mas se você soubesse dentro de 10 minutos do que aconteceu e pudesse sair e se envolver, você poderia potencialmente resgatar colônias inteiras.”
Só quando Cusack ouviu falar do Lobe, um aplicativo que visa tornar o aprendizado de máquina mais fácil para as pessoas usarem e ajudá-las a treinar modelos sem escrever código, é que ele viu uma maneira gerenciável de transformar o projeto em realidade.
“Tenho bastante experiência em tecnologia, mas quando tentei fazer algumas coisas de aprendizado de máquina no passado, achei muito intimidante ou opressor juntar todas as peças do quebra-cabeça”, disse Cusack, um engenheiro de software da Microsoft que normalmente trabalha em desenvolvimento web empresarial. “Lobe fez sentido imediato para mim.”
O aplicativo gratuito, que a Microsoft está disponibilizando em visualização pública, ajuda pessoas sem experiência em ciência de dados a importar imagens para o Lobe e facilmente rotulá-las para criar um conjunto de dados de aprendizado de máquina. O Lobe seleciona automaticamente a arquitetura de aprendizado de máquina certa e começa o treinamento sem qualquer instalação ou configuração. Os usuários podem avaliar os pontos fortes e fracos do modelo com resultados visuais em tempo real, brincar com o modelo e oferecer feedback para impulsionar o desempenho.
O Lobe oferece suporte à classificação de imagens, mas planeja expandir para outros modelos e tipos de dados no futuro, diz a Microsoft.
Uma vez que o treinamento é feito, os modelos podem ser facilmente exportados para rodar em plataformas padrão da indústria e funcionar em aplicativos, sites ou dispositivos. Isso permite que as pessoas criem soluções de aprendizado de máquina de ponta a ponta em casa ou no local de trabalho, como criar um alerta quando um guaxinim pegar seu lixo ou sinalizar quando um funcionário em uma situação perigosa não está usando um capacete.
Os primeiros clientes incluem The Nature Conservancy, que está usando o aplicativo Lobe como parte de um projeto maior para mapear e proteger os recursos marinhos do Caribe e escolher quais fotos de férias carregadas por turistas que visitam essas regiões estão relacionadas à observação de baleias e golfinhos.
Outros clientes usaram o Lobe para criar aplicativos que podem ajudar a identificar plantas nocivas como carvalho venenoso em uma caminhada ou que usam uma câmera para enviar um alerta quando acidentalmente deixam a porta da garagem aberta ou quando a vaga de estacionamento na rua em frente de sua casa abre.
“Lobe está pegando o que é uma peça sofisticada e complexa de tecnologia e tornando-a ativamente divertida”, disse Bill Barnes, gerente da Lobe, que a Microsoft adquiriu e começou a incubar em 2018. “O que descobrimos é que ela inspira as pessoas. Isso os deixa com a confiança de que podem realmente usar o aprendizado de máquina. E quando você tem confiança, você se torna mais criativo e começa a olhar ao redor e perguntar ‘Que outras coisas posso fazer com isso?’”
O Lobe, que está disponível para download em computadores Windows ou Mac, usa arquiteturas de aprendizado de máquina de código aberto e transfere o aprendizado para treinar modelos de aprendizado de máquina personalizados na própria máquina do usuário. Todos os dados são mantidos em sigilo, sem conexão à Internet ou logins necessários. Como o treinamento é automático, as pessoas podem começar simplesmente importando imagens das coisas que desejam que o Lobe reconheça.
No projeto colmeia de Cusack, que ele mostrou durante o último Microsoft Hackathon, ele usou uma câmera com sensor de movimento que tirou fotos de abelhas enquanto voavam para a colmeia, bem como de invasores como vespas, tesourinhas e a vespa gigante asiática. Como os avistamentos de vespas na natureza ainda são raros, Cusack imprimiu fotos, prendeu-as a gravetos e enfiou-as na colmeia para imitar uma ameaça invasiva.
Lobe usou essas imagens para criar um modelo de aprendizado de máquina que pode distinguir entre os diferentes insetos e ser executado em um pequeno dispositivo Raspberry Pi na entrada da colmeia para alertar os proprietários sobre problemas.
O Lobe preenche um ponto ideal para clientes que procuram uma maneira simples e rápida de começar a usar o aprendizado de máquina em seus PCs ou Macs sem a necessidade de qualquer dependência da nuvem, afirma a Microsoft. Ele complementa os serviços do Azure AI para clientes que buscam aproveitar os recursos de computação em nuvem.
“Queremos realmente capacitar mais pessoas para alavancar o aprendizado de máquina e testá-lo pela primeira vez”, disse Jake Cohen, gerente de programa sênior da Lobe. “Queremos que eles sejam capazes de usá-lo de maneiras que não podiam antes ou não perceberam isso.”
The Nature Conservancy está usando o Lobe para apoiar seu projeto Mapping Ocean Wealth, que busca mapear como e onde o turismo, a pesca e outras atividades estão potencialmente afetando importantes recursos oceânicos – com o objetivo de ajudar as autoridades em cinco países caribenhos a tornar a conservação e a economia mais informadas decisões.
A organização sem fins lucrativos está usando o Lobe para sinalizar fotos de férias retratando atividades de observação de baleias ou golfinhos que os visitantes desses países carregaram em um site de viagens popular. As fotos foram retiradas de todas as informações pessoais, mas retêm dados geográficos, o que pode ajudar a dar aos tomadores de decisão uma ideia aproximada de quão populares são essas atividades de turismo baseadas na natureza em diferentes locais.
“Existem muitos mapas de pesca bons, muitos mapas de navegação bons e mapas que mostram onde estão os diferentes habitats. Mas na verdade é muito difícil capturar padrões espaciais do que os turistas estão fazendo, onde e com que intensidade”, disse Kate Longley-Wood, coordenadora de mapeamento oceânico da The Nature Conservancy. “Então, descobrimos que esses conjuntos de dados de crowdsourcing podem ser realmente úteis para preencher essas lacunas.”
Antes de usar o Lobe, a The Nature Conservancy teve que contratar pesquisadores e estudantes de ciência de dados para criar um modelo de aprendizado de máquina personalizado que pudesse identificar turistas que se envolviam com recifes de coral. Mas o Lobe permitiu que a organização sem fins lucrativos fizesse o mesmo trabalho internamente, usando uma equipe sem experiência em programação ou ciência de dados.
Para treinar o modelo, Longley-Wood coletou dois conjuntos de imagens e os importou para o Lobe. A primeira foram fotos de férias de “observação de baleias e golfinhos” de pessoas que estão claramente envolvidas nessas atividades. O segundo contém imagens que “não são de baleia ou golfinho” – fotos de águas abertas, outros tipos de barcos, pessoas mergulhando.
Uma vantagem do Lobe é que é muito fácil ver onde o modelo está errando e melhorar rapidamente sua precisão, disse Longley-Wood. Se o modelo ficar confuso e rotular incorretamente a foto de uma pessoa nadando ao lado de um barco como uma foto de observação de baleias, você pode corrigi-la com o clique de um botão.
Outro cliente inicial, Chris Cachor, é engenheiro de software da Sincro, uma empresa da Ansira com foco em marketing automotivo. Ele ajuda as concessionárias de automóveis locais a obter o melhor desempenho dos anúncios de mídia social.
As pessoas são menos propensas a se envolver com anúncios que exibam imagens de um modelo de carro à venda, em oposição a uma foto autêntica do carro que aparece no estacionamento, disse Cachor. No entanto, scripts projetados para sinalizar fotos genéricas de carros nem sempre foram capazes de acompanhar as imagens geradas por computador cada vez mais sofisticadas, disse ele.
Cachor disse que pensou em usar o aprendizado de máquina para automatizar essa tarefa, mas as ferramentas que ele encontrou pareciam muito complicadas e demoradas para aprender. Com o Lobe, ele foi capaz de importar e rotular exemplos de imagens de carros autênticas e geradas por computador. Em minutos, ele teve sua primeira versão de um modelo de visão computacional para eliminar fotos com menor probabilidade de ter um bom desempenho em anúncios.
“Foi tão legal ver os resultados imediatamente, sem se tornar um projeto acadêmico de fim de semana”, disse Cachor. “Isso te leva de zero a 60 muito rápido.”
Imagem superior: um apicultor de quintal usou o Lobe, um aplicativo gratuito que ajuda as pessoas a treinar modelos de aprendizado de máquina personalizados, para criar um dispositivo que pode distinguir entre abelhas que entram em uma colmeia e insetos invasores que ameaçam a colônia. Vídeo da Getty Images.
Relacionado:
Jennifer Langston escreve sobre pesquisa e inovação da Microsoft. Siga-a no Twitter.
