Um consórcio formado por agricultores, agências do governo e um instituto de ciência de dados permitiu modelar as respostas das plantações frente a diferentes alterações climáticas, sendo assim possível estabelecer diretrizes que permitissem estabilizar o rendimento mesmo diante de oscilações das condições ambientais.
O Dr. Bessa resolveu inverter o processo de desenvolvimento de novos materiais, usando machine learning para primeiro explorar novos designs em um ambiente virtual, para só então fabricar as soluções em laboratório, diminuindo assim a necessidade de ensaios experimentais para o mínimo necessário.
Os pesquisadores da Universidade da Califórnia, em parceira com a empresa Salesforce, usaram visão computacional para analisar vídeos capturados por drones, e assim identificar e contar as espécies de tubarões presentes na região de costa.
A ferramenta usa dados de relatórios de atividade ilegal e informações ambientais, como distância para estradas, topografia e densidade de animais, para classificar áreas dentro de reservas quanto ao risco de caça no futuro, e assim sugerir rotas otimizadas de patrulha.
Pesquisadores usaram um algoritmo desenvolvidos por eles para encontrar trabalhos científicos relevantes sobre um assunto complexo, que pudessem servir para produzir uma revisão da literatura. O algoritmo teve desempenho semelhante ao do processo manual, mas levou apenas 3 horas para produzir seus resultados, contra as 69 horas dedicadas por um pesquisador.
O modelo foi treinado exaustivamente para reconhecer esse tipo de câncer em imagens de endoscopia. Com precisão comparável a de especialistas, o sistema ainda atingiu uma latência de apenas 40 milissegundos, permitindo seu uso em tempo real durante os exames.
A plataforma usa dados obtidos de diversas fontes, desde as mais tradicionais coletas relacionadas ao trânsito até dados detalhados de funcionamento coletados em veículos da Ford, para gerar um panorama complexo em tempo real das condições relacionadas à mobilidade, e assim permitir decisões mais bem informadas pelas autoridades municipais de trânsito.
O sistema comercial tem precisão comparável à do consenso formado por 3 radiologistas, mas realiza a análise em uma fração do tempo: 10 segundos contra 20 minutos. Os pesquisadores pretendem começar a usar o modelo em ambiente clínico ainda esse ano.
Os agentes foram separados em dois times, colocados para disputar partidas de esconde-esconde. Com o tempo, e sem nenhum incentivo explícito, eles aprenderam a manipular o ambiente, e até a cooperar entre si – ou seja, aprenderam a desempenhar comportamentos complexos -, para vencer o jogo.
Ben Hamm usou uma câmera e um modelo de machine learning para reconhecer quando o gato tentava entrar na casa com uma presa (geralmente de madrugada), e travar a portinhola de acesso pelo intervalo suficiente para que o gato se desfizesse de sua caça.
