Em nosso dia a dia utilizamos instrumentos que fornecem medidas das mais diversas, representadas por valores numéricos.
São balanças, velocímetros, cronômetros, que precisam ser calibrados. Essa calibração é feita com uma série de medidas a partir das quais obtém-se uma curva de calibração, preferivelmente uma reta com a dependência linear entre a grandeza que está sendo medida e o fenômeno que lhe dá origem.
Num glicosímetro para monitorar o nível de glicose no sangue de uma pessoa com diabetes, por exemplo, a leitura da concentração depende da interação da glicose com uma enzima afixada na fita sobre a qual a amostra de sangue é colocada. O valor numérico para uma nova medida com sangue é inferido da curva de calibração, que dá ao instrumento a capacidade de predizer concentrações em amostras desconhecidas.
Apesar de sua onipresença em instrumentos, sensores e biossensores, curvas de calibração não são possíveis em muitas aplicações práticas. Isso ocorre principalmente quando a substância que se quer detectar está numa amostra complexa, com muitos outros componentes e afetada pelas condições ambientais. Pois pode não ser possível estabelecer uma dependência única entre a concentração dessa substância e uma variável da amostra. Além disso, numa medida com sensores como os de uma língua eletrônica, o trabalho é de classificação de diferentes tipos de amostras, como os de vinho e café. Não há uma substância específica a ser determinada. Com a língua eletrônica pretende-se distinguir líquidos semelhantes, quer seja para verificar diferenças de qualidade, contaminação, adulteração ou gosto.
Para essas últimas aplicações, hoje empregam-se técnicas estatísticas ou computacionais, como as que utilizam algoritmos de aprendizado de máquina, uma área da inteligência artificial (IA). O uso de IA para análise de dados de sensores não é novo, já tendo sido explorado por pesquisadores de muitos países, inclusive de São Carlos. Há cerca de 15 anos, pesquisadores da USP e da Embrapa criaram um sistema de IA para correlacionar medidas de uma língua eletrônica com a qualidade de café degustado por especialistas humanos. Independentemente da sofisticação dessas abordagens, e da utilidade das aplicações, não há um caráter preditivo ou explicativo. Não se pode, com tais abordagens, explicar como uma nova amostra será classificada.
Um trabalho recente assinado pesquisadores da USP de São Carlos – Institutos de Física, e de Ciências Matemáticas e de Computação -, e do Canadá, publicado na revista Bulletin of the Chemical Society of Japan, eliminou essa limitação. Utilizando algoritmos de aprendizado de máquina denominados árvores de decisão, os pesquisadores criaram um novo conceito, que eles denominaram espaço de calibração multidimensional. O espaço de calibração funciona como numa curva de calibração: os resultados de várias medidas de um tipo de amostras são usados para “ensinar” o sistema inteligente a fazer a classificação. Como o sistema inteligente é baseado em árvores de decisão são obtidas regras que explicam o porquê de cada classificação. Se for num sistema de diagnóstico médico automático, por exemplo, descobre-se se o paciente tem uma determinada doença e explicam-se os resultados que levaram a essa conclusão. É chamado de espaço multidimensional porque as regras que explicam a classificação podem depender de vários parâmetros ou variáveis – ao contrário de uma curva de calibração que 
depende de apenas um parâmetro.
Para explicar e exemplificar o novo conceito, os pesquisadores usaram no artigo dados da literatura de sensores, biossensores e línguas eletrônicas. Nesses exemplos, os dados são extraídos de medidas elétricas, mas o conceito pode ser aplicado a qualquer tipo de dado. Um espaço de calibração multidimensional serve, portanto, para qualquer tipo de classificação, como em sistemas de diagnóstico – médico ou de outra natureza.
Questionado sobre as implicações desse novo conceito de espaço de calibração, o Prof. Osvaldo (IFSC/USP), um dos autores do artigo, comentou: “Grande parte das tarefas que fazemos e que nos afetam é de classificação. Já foi mencionado o diagnóstico médico, mas isso vale para muitas outras áreas, como previsão do tempo, evolução do mercado financeiro, monitoramento do trânsito. O aprendizado de máquina é muito eficaz para tarefas de classificação, o que justifica o otimismo com Inteligência Artificial e as aplicações que já existem. Mas até agora não havia maneira de explicar como essa classificação se dava; com o conceito de espaço de calibração multidimensional será possível explicar com regras. Abre-se uma oportunidade de desenvolver sistemas inteligentes mais eficientes a partir desse conhecimento”.
Confira AQUI o artigo publicado.
Assessoria de Comunicação – IFSC/USP
