Lois Anne Leal e Chaitree Sham Baradkar participaram do inovador Desafio de 8 semanas iRAP Omdena no início deste ano, para encontrar soluções baseadas em IA para mapear o risco de acidentes e gerar dados de atributos de classificação por estrelas iRAP. Eles eram apenas 2 de 50 engenheiros de IA e aprendizado de máquina vindos de todo o mundo focados em encontrar uma solução para a coleta e codificação acelerada e inteligente de dados de atributos de estradas (AiRAP) para salvar vidas.

Lois é especialista em pesquisa científica, engenheira de aprendizado de máquina e desenvolvedor certificada do TensorFlow das Filipinas, e Chaitree é cientista de dados na PharmaACE e engenheira de aprendizado de máquina na Omdena de Pune, Índia.

O Desafio Omdena iRAP tinha 3 objetivos principais:

  1. Obtenha dados de acidentes geo-localizados e produza mapas de risco iRAP dos acidentes históricos por quilômetro e acidentes por quilômetro percorrido para cada usuário da estrada
  2. Obtenha dados de atributos, fluxo de tráfego e velocidade da estrada para o padrão global iRAP e mapeie o desempenho de segurança e a classificação por estrelas de mais de 100 milhões de km de estradas em todo o mundo
  3. Produzir indicadores-chave de desempenho de infraestrutura rodoviária repetível que podem formar a base do rastreamento de desempenho anual

Lois e Chaitree contribuíram para o segundo objetivo ao obter automaticamente o componente crucial da contagem de veículos sob o atributo de tráfego ou fluxo de veículos usando imagens de satélite com a ajuda da Inteligência Artificial.

Leia o blog publicado: “Usando redes neurais convolucionais para melhorar a segurança no trânsito e salvar vidas“.

Nossos agradecimentos a Lois e Chaitree, e a todos os voluntários do Desafio por sua valiosa contribuição!

Versão para impressão, PDF e e-mail
pt_BRPortuguês do Brasil
Compartilhar isso

Compartilhar isso

Compartilhe este post com seus amigos!