Por Antonio Mauro Saraiva, professor do Instituto de Estudos Avançados (IEA) e da Escola Politécnica (Poli) da USP, e Alexandre Cláudio Botazzo Delbem, professor do Instituto de Ciências Matemáticas e de Computação (ICMC) da USP*
Antonio Mauro Saraiva – Foto: IEA
A fome e a insegurança alimentar são problemas complexos, multifacetados, que envolvem diversos fatores, causas e atores. Podem ser devidas à falta de acesso a alimentos e à qualidade nutricional da dieta ingerida. Podem ter suas raízes na produção agrícola e nos efeitos do clima; podem ainda ser consequência da situação econômica do país e da população, de desigualdades sociais, de hábitos culturais, de conflitos e guerras, para citar alguns fatores. Por conseguinte, o combate à fome e à insegurança alimentar demanda a consideração de muitas variáveis e dados que permitam entender essa complexidade. Mas como lidar com essa enorme quantidade de dados para tomar decisões e propor políticas públicas?
A ciência de dados e a inteligência artificial podem contribuir sobremaneira para superar os desafios ligados aos dados, e para disponibilizar ferramentas para apoio à tomada de decisão. De imediato, o primeiro desafio está ligado ao acesso e à qualidade dos dados. Por se referirem a assuntos tão diversos como produção agrícola, dados sociais e de saúde, clima, mercado, entre outros, os dados de interesse estão espalhados em diversas organizações, públicas ou privadas. Em razão disso, são heterogêneos, ou seja, foram criados e estão armazenados de formas totalmente diferentes, com conteúdos não padronizados. E são distribuídos, ou seja, estão em sistemas de informações isolados, requerendo o acesso a cada um deles para obter a parte dos dados que contêm, e que isso seja feito segundo métodos diferentes. Em geral, essas bases não foram construídas para o propósito de investigação sobre fome, insegurança alimentar e políticas públicas. Assim, é preciso descobrir o que há de informação realmente útil (relevante e confiável) nessas múltiplas bases de dados, o que é um desafio na área de Inteligência Artificial. Outras questões importantes são a cobertura geográfica e a frequência de atualização dos dados nessas bases. Frequentemente estão disponíveis em resoluções espaciais e/ou temporais diferentes e podem ter lacunas. O Censo Nacional, por exemplo, não foi realizado quando previsto, em 2020.
Alexandre Cláudio Botazzo Delbem – Foto: CeMEAI
Os resultados e modelos computacionais obtidos por inteligência artificial também precisam ser explicáveis e de fácil entendimento, uma vez que as políticas públicas devem ser justificadas com clareza e requerem apoio de diversos setores do governo e da sociedade para serem aprovadas, implementadas e incorporadas pela sociedade. Gerar modelos explicáveis, isto é, que descrevem de forma simples como funcionam e como se chega aos resultados, é outro desafio na área de inteligência artificial. Modelos explicáveis possibilitam um melhor entendimento dos sistemas alimentares e de resultados efetivos de políticas públicas nessa área. Isso se torna mais importante em problemas complexos como a fome e a insegurança alimentar, uma vez que podem possibilitar a identificação de tendências e comportamentos nos dados e nos modelos que não são óbvios (mesmo para especialistas), gerando insights importantes sobre as questões em análise e beneficiando inovações na área.
Adicionalmente, o uso dos métodos de inteligência artificial deve ser fácil de aprender por interessados de várias áreas do conhecimento. Isso é importante porque as decisões no setor público envolvem gestores de várias áreas e que podem ter perspectivas diferentes sobre as questões envolvidas. Assim, é fundamental que pessoas com diferentes formações possam ser capacitadas a usar adequadamente as ferramentas e a interpretar os seus resultados. O processo de treinamento também deve ser escalável, de forma a se conseguir abranger muitas pessoas e atender às demandas de um país continental.
Buscando enfrentar esses desafios para a inteligência artificial e a contribuir fortemente para melhorar a segurança alimentar, os pesquisadores do GT USP Políticas Públicas de Combate à Insegurança Alimentar e à Fome e do eixo AgriBio do Centro de Inteligência Artificial investem no desenvolvimento de novos algoritmos inteligentes. As ações vão desde a criação de padrões para aquisição e armazenagem de dados, participando de iniciativas como as internacionais e nacionais sobre dados abertos (Go FAIR Brasil, e Parceria para Governo Aberto), passando pela construção de uma infraestrutura para abrigar os dados coletados de sistemas públicos e/ou de parceiros e analisar a consistência e a qualidade dos dados, até a construção de ferramentas de análise e apoio à tomada de decisão. Um exemplo desse trabalho se refere ao estudo da alimentação escolar a partir de dados públicos, que se baseia nos dados de despesas do PNAE, coletados do site do Fundo Nacional de Desenvolvimento da Educação (FNDE), entre outras bases, como as relativas a informações complementares sobre vulnerabilidade social e nutricional.
* Membros do GT USP Políticas Públicas de Combate à Insegurança Alimentar e à Fome
E-mail GT – grupocombatefome@usp.br
Por Jornal da USP
