Categorias
Blog

Machine learning nas empresas: 7 exemplos e como aplicar?

Você entende o impacto do machine learning nas empresas? O mercado global de IA, incluindo software, hardware e serviços, está crescendo a uma taxa de quase 20% ao ano, de acordo com dados do International Data Corporation de 2022.

Além de ser um grande indício da força do investimento em tecnologia nos negócios, há um elemento fundamental para esse crescimento que precisa ser destacado. E ele é justamente o machine learning para as empresas.

Um dos desdobramentos mais importantes da Inteligência Artificial, o machine learning  (aprendizado de máquina) tem sido fundamental para ganhos de produtividade. Afinal, ele está associado com a capacidade de aprender padrões de forma independente.

Bons líderes precisam acompanhar de perto essa inovação e, principalmente, descobrir como podem aplicar o aprendizado de máquinas diante da sua empresa.

Por isso, neste texto, vamos falar sobre machine learning nas empresas, desde a sua importância até os desafios que precisam ser considerados diante dessa aplicação. 

Boa leitura!

banner-leading-the-future

Leia também:

Qual é a importância do machine learning para empresas?

O machine learning nas empresas está cada dia mais presente. De acordo com dados apurados pela McKinsey em 2018, 46% das empresas já usaram esse tipo de inteligência.

E os negócios que não estão usando, muito provavelmente já tem esse planejamento, pelo menos, no horizonte. Mas por qual razão ela vem se mostrando tão importante?

Um dos benefícios do machine learning nas empresas é que ele garante a análise de grandes volumes de dados, algo que só é possível com a tecnologia. No entanto, ele consegue também aprender e se aperfeiçoar a partir deles.

Desde comportamento do cliente até previsão de demanda, diversas áreas da organização podem se beneficiar do uso dessa tecnologia.

Ainda que as máquinas não consigam ter o mesmo raciocínio humano, elas conseguem processar uma quantidade gigantesca de informações para tomar decisões em questões importantes.

Como efeito disso, um dos impactos do machine learning nas empresas são os ganhos de produtividade — e redução de custos — afinal, o tempo gasto em análises pode ser investido em atividades estratégicas.

7 exemplos de machine learning para empresas

Filtragem de e-mail, recomendação de produtos e chatbots são alguns dos exemplos de machine learning para empresas.

O machine learning nas empresas pode ajudar a resolver diversos problemas nas organizações. 

Para entender melhor como isso ocorre na prática, é interessante mostrar alguns exemplos de machine learning. Entre os principais, estão:

  • recomendação de produtos;
  • filtragem de emails;
  • chatbots;
  • cruzamento de dados;
  • economia de energia;
  • navegação inteligente;
  • análise de documentos complexos.

Entenda melhor cada um desses tipos de usos a seguir.

  1. Recomendação de produtos

A recomendação de produtos para clientes é um dos exemplos de machine learning amplamente usado em plataformas de e-commerce.

Com o histórico de compras, buscas e outros dados, as máquinas conseguem identificar o perfil do cliente e oferecer produtos que podem ser do seu interesse.

Isso acontece porque o algoritmo aprende com os dados anteriores para fazer previsões sobre os novos. 

Ou seja: quanto mais informações, melhores são as recomendações para o usuário.

  1. Filtragem de emails

O machine learning nas empresas também é usado para fazer a filtragem de emails, separando o que é importante do que não é.

Para isso, o algoritmo analisa diversos critérios como: destinatário, assunto e data em que foi enviado naquele momento. 

Assim, os emails mais relevantes para o funcionário são colocados na caixa de entrada, enquanto os menos relevantes ficam em outra pasta.

Aqui a aprendizagem é fundamental para que o sistema entenda os parâmetros e sinais de que uma mensagem é SPAM, por exemplo.

  1. Chatbots

Já os chatbots são programas que simulam uma conversa humana e, por isso, são capazes de responder perguntas em tempo real.

Eles usam o machine learning nas empresas para analisar o histórico das conversas com os clientes e entender o que está sendo pedido. Assim, conseguem fazer respostas mais personalizadas, aumentando a satisfação do cliente.

O rápido progresso de grandes modelos de linguagem e ferramentas como essa tem feito com que muitos negócios apostem em chatbots.

Em 2021, foram 2016 mil novos bots no mercado, segundo dados do Mapa do Ecossistema Brasileiro de Bots.

  1. Cruzamento de dados
O cruzamento de dados é um exemplo de machine learning para empresas.

O cruzamento de dados é uma técnica que pode ser usada, por exemplo, na área da saúde.

Imagine que um médico precise fazer o diagnóstico de um paciente. Com o machine learning para as empresas, é possível cruzar os dados do histórico dele com exames e outras informações para chegar a uma conclusão mais assertiva.

Há até mesmo tecnologias tão avançadas que conseguem fazer a interpretação antecipada de sinais que demoraram mais até o médico perceber certas doenças no paciente.

Além disso, essa técnica pode ser usada para identificar padrões em grandes massas de dados — sejam eles financeiros ou demográficos, por exemplo.

  1. Economia de energia

A economia de energia é outro exemplo desse uso nas empresas. Afinal, com a análise dos dados históricos do consumo de energia, as máquinas conseguem aprender o padrão de uso e fazer uma previsão para o futuro.

Com isso, conseguem indicar quais são os horários em que a demanda é maior.

Dessa forma, é possível tomar medidas para diminuir o consumo nesses períodos — impactando diretamente no resultado financeiro da organização.

Junto a isso, a economia de energia também é uma questão importante para o meio ambiente, tornando isso ainda mais vantajoso para uma empresa.

  1. Navegação inteligente

A navegação inteligente pode ajudar negócios com as pesquisas inteligentes. E esse é mais um dos impactos do machine learning nas empresas.

Isso se dá a partir da análise do comportamento dos usuários, no qual as máquinas conseguem identificar seus interesses e mostrar os conteúdos que são relevantes para ele.

Nesse ponto, atender à intenção da busca é fundamental, pois é isso que vai aumentar as chances de conversão.

Além disso, esse tipo de navegação também permite uma melhor experiência do usuário, já que ele estará sempre sendo impactado por aquilo que lhe é relevante.

  1. Análise de documentos complexos

A análise e interpretação de documentos, por fim, são outras áreas nas quais o machine learning nas empresas pode ser muito útil. 

Esse tipo de tarefa é complexa e, normalmente, exige um grande esforço humano.

Com a máquina, é possível automatizar esses processos, afinal, as máquinas conseguem processar um grande volume de texto em menor tempo, além de fazer uma leitura mais precisa do conteúdo.

Com isso, é possível ter um ganho significativo na produtividade — uma vez que os profissionais não precisarão mais fazer essa análise manualmente.

Como aplicar machine learning nas empresas?

Mas como aplicar machine learning nas empresas? Para isso, é fundamental levar alguns fatores em consideração. 

Mas, antes disso, é necessário salientar: qualquer empresa — pequena ou gigantesca — pode aplicar o aprendizado de máquinas.

Para isso, primeiramente, é preciso definir qual será o objetivo da aplicação. Uma boa abordagem para chegar nisso começa quando o líder se pergunta: qual é o problema que eu quero resolver?

A partir daí, será possível escolher a melhor ferramenta e começar a trabalhar com os dados.

Nesse processo de entender como aplicar  machine learning nas empresas, também entra a necessidade de ter uma base de dados ampla das questões que serão processadas.

Depois disso, os seus passos vão depender do seu propósito. Você vai poder introduzir tanto soluções como a recomendação de produtos como a análise de documentos complexos.

Nesse momento, é também fundamental ter uma equipe capacitada para lidar com esse tipo de tecnologia e entender as implicações que ela pode causar na organização.

Por fim, é preciso considerar os desafios que esse tipo de tecnologia pode trazer na hora de implementá-la.

Quais desafios devem ser levados em conta?

Impactos e desafios do machine learning para as empresas.

Quando estamos nos referindo aos desafios, assim como qualquer tecnologia, o machine learning também pode esbarrar em alguns deles.

Entre os principais, podemos destacar o armazenamento de dados, a segurança dessas informações e o mau uso das soluções.

Entenda um pouco melhor sobre esses pontos a seguir.

Armazenamento de dados

Como o machine learning usa grandes volumes de dados, é importante que a empresa possua uma boa estrutura para armazenar essas informações.

Isso envolve um bom sistema de gestão de dados, que possa armazenar e processar esses dados com segurança.

Além disso, é necessário ter um backup desses dados, caso haja algum problema com o primeiro armazenamento.

Segurança das informações

Outro ponto crucial é a segurança das informações. Como os dados são muito valiosos para as organizações, é preciso proteger essas informações para que elas não caiam em mãos erradas.

E como isso pode ser feito? Uma das soluções é criptografar os dados, o que torna mais difícil para terceiros conseguirem acessá-los.

Como falamos, esse processo também pode ser mais seguro com a adesão de especialistas capacitados. Eles vão evitar possíveis problemas de segurança durante a adesão dessa tecnologia.

Mau uso das soluções

Por fim, o mau uso das soluções também é um desafio — afinal, se as ferramentas não forem bem utilizadas, os resultados podem não ser os esperados. Mas não só isso: problemas éticos também podem ser uma realidade.

Não é por acaso que um estudo recente da FICO mostrou que mais de três quartos das lideranças de negócios entendem que soluções de IA e machine learning nas empresas podem ser mal utilizadas.

Apesar disso, somente 35% dessas mesmas lideranças afirmaram que suas organizações se esforçam para usar IA de forma justa e responsável. 

Essa é uma preocupação, portanto, que entra no rol dos desafios, pois o uso precisa ser melhor desenvolvido pelas empresas.

banner-leading-the-future

Quais empresas utilizam machine learning?

Google, IBM e Apple são exemplos de empresas que usam o machine learning.

Como vimos, os benefícios do machine learning nas empresas são muitos. Mas quais são as que, efetivamente, estão fazendo um bom uso dessa tecnologia?

A verdade é que há uma grande quantidade de exemplos, mas vamos concentrar aqui alguns dos principais.

São empresas como Google, IBM, Apple, Salesforce e Netflix que têm mostrado continuamente como aplicar o aprendizado de máquina em suas iniciativas.

Nos próximos tópicos, você vai entender melhor esse funcionamento, na prática.

Google

A Google utiliza machine learning

A Google é uma das empresas que mais investe no aprendizado de máquina. O primeiro exemplo é o uso da tecnologia para melhorar seus produtos.

E não são poucos: Search, Email, Maps, Tradutor, Imagens e Assistente Virtual são apenas alguns dos principais que utilizam a aprendizagem das máquinas para fazer melhores entregas.

A companhia também disponibiliza várias ferramentas gratuitas para quem quer aprender a usar a tecnologia.

Uma dessas ferramentas é o AutoML, um conjunto de ferramentas de código aberto que visa simplificar o processo de criar modelos de machine learning.

Com ela, qualquer pessoa pode criar seus próprios modelos, sem a necessidade de um conhecimento profundo da área.

IBM

A IBM é uma das empresas que utiliza machine learning

A IBM (International Business Machines Corporation) é uma empresa dos Estados Unidos voltada para a área de informática.

Ela é outra empresa que, desde o século passado, está também na vanguarda do ML. A companhia tem uma série de produtos e soluções voltadas para a tecnologia, como o Watson Studio e o Watson Machine Learning.

O primeiro é uma plataforma de dados completa para cientistas de dados, engenheiros desse aprendizado e analistas.

Já o segundo é uma solução completa para criar, treinar e implantar modelos de machine learning em escala.

Apple

A Apple é uma das empresas que usa machine learning em seus produtos

Mais uma gigante que está usando machine learning em seus produtos é a Apple, que dispensa apresentações.

A companhia usa a tecnologia para melhorar a experiência do usuário nos seus principais dispositivos, como o iPhone e o iPad. 

A Siri, assistente pessoal da Apple, pode ser uma das principais aplicações.

Outro exemplo é o uso dessa inteligência para analisar as fotos que são tiradas e, assim, classificá-las de forma correta em relação às pessoas que fazem parte da imagem.

Um outro uso que a  maioria dos usuários experimenta é quando ele está digitando uma mensagem de texto. 

O machine learning percebe o que a pessoa quer dizer e sugere a melhor palavra para ser usada naquele contexto.

Salesforce

A Salesforce aproveita o machine learning nas empresas para otimizar resultados

A Salesforce é uma empresa norte-americana especializada no desenvolvimento de soluções de CRM (Customer Relationship Management, ou Gestão de Relacionamento com Clientes, em português).

A companhia também é uma das que melhor estão aproveitando o machine learning nas empresas para otimizar os seus produtos.

Uma das principais soluções oferecidas é o Einstein, uma plataforma de inteligência artificial que visa simplificar as tarefas rotineiras dos usuários e, assim, aumentar a produtividade.

A plataforma está disponível em diversos produtos da Salesforce, como o Marketing Cloud e o Service Cloud.

Netflix

A Netflix usa o machine learning para melhorar a experiência do usuário

Por fim, uma empresa que não poderia ficar de fora dessa lista é a Netflix.A companhia usa o machine learning para melhorar a experiência do usuário, principalmente, em relação à recomendação de produtos.

Na hora de assistir a um filme ou uma série, o usuário pode ver as opções que mais se adequam ao seu perfil.

Isso acontece porque a “máquina” analisa o histórico de navegação e de consumo do usuário para fazer essas recomendações.

Outro exemplo é o controle de qualidade dos vídeos. A tecnologia é usada para monitorar a taxa de bits e o nível de compressão do conteúdo para evitar falhas na hora da execução.

Perguntas frequentes sobre o tema

Na sequência, separamos algumas dúvidas frequentes em relação ao tema que podem ser úteis para você. Acompanhe!

Onde o machine learning é usado?

O machine learning pode ser usado em diversos setores, como a saúde, por meio do cruzamento de dados, e na área financeira, como na análise de investimentos.

A tecnologia também está continuamente mais presente no nosso dia a dia, como na recomendação de produtos do Netflix ou na classificação de fotos do iPhone.

Machine learning x deep learning: quais são as diferenças?

Qual é a diferença entre machine learning e deep learning?

O machine learning é uma área da inteligência artificial que se baseia na criação de modelos para analisar dados e, assim, tomar decisões.

Já o deep learning é uma das técnicas mais utilizadas para o ML. A principal diferença é que, nesse caso, são criadas redes neurais para fazer a análise dos dados.

Usar machine learning na empresa é seguro?

Sim, é seguro usar machine learning nas empresas. Mas é preciso lembrar que ele serve para analisar dados sensíveis, como os de saúde. 

Por isso, é importante ter cuidado na hora de escolher a solução e o fornecedor certos para garantir a segurança das informações.

banner-leading-the-future

Conclusão

Os benefícios do machine learning nas empresas está fazendo com que essa tecnologia se torne mais essencial, principalmente aquelas que buscam inovação e melhorias na entrega de seus produtos.

A tecnologia tem ajudado a otimizar processos, aumentar a produtividade e, consequentemente, a reduzir custos. Tudo isso por meio da aprendizagem de máquinas.

Ao aprender como aplicar machine learning na sua empresa, você entende que é preciso escolher a solução certa para o seu negócio, ou seja, de acordo com seu nicho e com sua necessidade.

Bons líderes sempre estarão em busca de encontrar uma solução para otimizar a empresa. 

Para continuar aprendendo sobre inovação e liderança, não deixe de acompanhar nosso blog!

Categorias
Blog

Uma nova era na busca por vida extraterrestre: podemos finalmente analisar as atmosferas dos exoplanetas

Os ingredientes para a vida estão espalhados por todo o universo. Embora a Terra seja o único lugar conhecido no universo com vida, detectar vida além da Terra é um dos principais objetivos da astronomia moderna e da ciência planetária.

Somos dois cientistas que estudam exoplanetas e astrobiologia. Graças em grande parte aos telescópios de última geração como James Webb, pesquisadores como nós em breve poderão medir a composição química das atmosferas dos planetas ao redor de outras estrelas. A esperança é que um ou mais desses planetas tenham uma assinatura química de vida.

Exoplanetas habitáveis
A vida pode existir no sistema solar onde há água líquida – como os aquíferos subterrâneos em Marte ou nos oceanos da lua de Júpiter, Europa. No entanto, procurar vida nesses lugares é incrivelmente difícil, pois eles são difíceis de alcançar e detectar vida exigiria o envio de uma sonda para retornar amostras físicas.

Muitos astrônomos acreditam que há uma boa chance de que exista vida em planetas que orbitam outras estrelas, e é possível que seja onde a vida será encontrada pela primeira vez.

Cálculos teóricos sugerem que existem cerca de 300 milhões de planetas potencialmente habitáveis ​​apenas na Via Láctea e vários planetas habitáveis ​​do tamanho da Terra a apenas 30 anos-luz da Terra – essencialmente vizinhos galácticos da humanidade. Até agora, os astrônomos descobriram mais de 5.000 exoplanetas, incluindo centenas de potencialmente habitáveis, usando métodos indiretos que medem como um planeta afeta sua estrela próxima. Essas medições podem fornecer aos astrônomos informações sobre a massa e o tamanho de um exoplaneta, mas não muito mais.

Procurando por bioassinaturas
Para detectar vida em um planeta distante, os astrobiólogos estudarão a luz das estrelas que interagiu com a superfície ou atmosfera de um planeta. Se a atmosfera ou superfície foi transformada pela vida, a luz pode levar uma pista, chamada bioassinatura.

Durante a primeira metade de sua existência, a Terra ostentou uma atmosfera sem oxigênio, embora abrigasse vida simples e unicelular. A bioassinatura da Terra era muito fraca durante esta era inicial. Isso mudou abruptamente 2,4 bilhões de anos atrás, quando uma nova família de algas evoluiu. As algas usaram um processo de fotossíntese que produz oxigênio livre – oxigênio que não está quimicamente ligado a nenhum outro elemento. A partir desse momento, a atmosfera cheia de oxigênio da Terra deixou uma bioassinatura forte e facilmente detectável na luz que passa por ela.

Quando a luz reflete na superfície de um material ou passa através de um gás, é mais provável que certos comprimentos de onda da luz permaneçam presos na superfície do gás ou do material do que outros. Esse aprisionamento seletivo de comprimentos de onda de luz é o motivo pelo qual os objetos são de cores diferentes. As folhas são verdes porque a clorofila é particularmente boa para absorver a luz nos comprimentos de onda vermelho e azul. À medida que a luz atinge uma folha, os comprimentos de onda vermelho e azul são absorvidos, deixando principalmente a luz verde para refletir de volta em seus olhos.

O padrão de falta de luz é determinado pela composição específica do material com o qual a luz interage. Por causa disso, os astrônomos podem aprender algo sobre a composição da atmosfera ou superfície de um exoplaneta, em essência, medindo a cor específica da luz que vem de um planeta.

Esse método pode ser usado para reconhecer a presença de certos gases atmosféricos associados à vida – como oxigênio ou metano – porque esses gases deixam assinaturas muito específicas na luz. Também poderia ser usado para detectar cores peculiares na superfície de um planeta. Na Terra, por exemplo, a clorofila e outros pigmentos que plantas e algas usam para a fotossíntese capturam comprimentos de onda específicos de luz. Esses pigmentos produzem cores características que podem ser detectadas usando uma câmera infravermelha sensível. Se você visse essa cor refletida na superfície de um planeta distante, isso significaria potencialmente a presença de clorofila.

Telescópios no Espaço e na Terra
É preciso um telescópio incrivelmente poderoso para detectar essas mudanças sutis na luz proveniente de um exoplaneta potencialmente habitável. Por enquanto, o único telescópio capaz de tal façanha é o novo Telescópio Espacial James Webb. Ao iniciar as operações científicas em julho de 2022, James Webb fez uma leitura do espectro do exoplaneta gigante gasoso WASP-96b. O espectro mostrou a presença de água e nuvens, mas é improvável que um planeta tão grande e quente quanto WASP-96b hospede vida.

No entanto, esses dados iniciais mostram que James Webb é capaz de detectar assinaturas químicas fracas na luz proveniente de exoplanetas. Nos próximos meses, o Webb deve voltar seus espelhos para TRAPPIST-1e, um planeta potencialmente habitável do tamanho da Terra a apenas 39 anos-luz da Terra.

Webb pode procurar bioassinaturas estudando planetas à medida que passam na frente de suas estrelas hospedeiras e capturando a luz estelar que filtra através da atmosfera do planeta. Mas o Webb não foi projetado para procurar vida, então o telescópio só é capaz de examinar alguns dos mundos potencialmente habitáveis ​​mais próximos. Ele também só pode detectar mudanças nos níveis atmosféricos de dióxido de carbono, metano e vapor de água. Embora certas combinações desses gases possam sugerir vida, o Webb não é capaz de detectar a presença de oxigênio não ligado, que é o sinal mais forte para a vida.

Os principais conceitos para futuros telescópios espaciais ainda mais poderosos incluem planos para bloquear a luz brilhante da estrela hospedeira de um planeta para revelar a luz estelar refletida de volta do planeta. Essa ideia é semelhante a usar a mão para bloquear a luz do sol para ver melhor algo à distância. Os futuros telescópios espaciais poderiam usar pequenas máscaras internas ou naves espaciais grandes, externas, semelhantes a guarda-chuvas para fazer isso. Uma vez que a luz das estrelas é bloqueada, fica muito mais fácil estudar a luz refletida em um planeta.

Existem também três enormes telescópios terrestres atualmente em construção que serão capazes de procurar bioassinaturas: o Giant Magellen Telescope, o Thirty Meter Telescope e o European Extremely Large Telescope. Cada um é muito mais poderoso do que os telescópios existentes na Terra e, apesar da desvantagem da atmosfera da Terra que distorce a luz das estrelas, esses telescópios podem ser capazes de sondar as atmosferas dos mundos mais próximos em busca de oxigênio.

É Biologia ou Geologia?
Mesmo usando os telescópios mais poderosos das próximas décadas, os astrobiólogos só poderão detectar bioassinaturas fortes produzidas por mundos que foram completamente transformados pela vida.

Infelizmente, a maioria dos gases liberados pela vida terrestre também pode ser produzida por processos não biológicos – tanto vacas quanto vulcões liberam metano. A fotossíntese produz oxigênio, mas a luz solar também, quando divide as moléculas de água em oxigênio e hidrogênio. Há uma boa chance de os astrônomos detectarem alguns falsos positivos ao procurar por vida distante. Para ajudar a descartar falsos positivos, os astrônomos precisarão entender um planeta de interesse o suficiente para entender se seus processos geológicos ou atmosféricos podem imitar uma bioassinatura.

A próxima geração de estudos de exoplanetas tem o potencial de ultrapassar a barreira das extraordinárias evidências necessárias para provar a existência de vida. Os primeiros dados divulgados pelo Telescópio Espacial James Webb nos dão uma noção do excitante progresso que está por vir.

Este artigo é republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.

Categorias
Blog

Só porque você pode não significa que você deve: o que os engenheiros genéticos podem aprender com o ‘Jurassic World’

Jurassic World: Dominion é o entretenimento hiperbólico de Hollywood no seu melhor, com um enredo cheio de ação que se recusa a deixar a realidade atrapalhar uma boa história. No entanto, assim como seus antecessores, oferece um conto de advertência subjacente de arrogância tecnológica que é muito real.

Como discuto em meu livro Filmes do Futuro, o Jurassic Park de Steven Spielberg de 1993, baseado no romance de Michael Crichton de 1990, não se esquivou de lidar com os perigos do empreendedorismo desenfreado e da inovação irresponsável. Os cientistas da época estavam se aproximando de poder manipular o DNA no mundo real, e tanto o livro quanto o filme capturaram preocupações emergentes de que brincar de Deus com o código genético da natureza poderia levar a consequências devastadoras. Isso foi notoriamente capturado por um dos protagonistas do filme, Dr. Ian Malcolm, interpretado por Jeff Goldblum, quando declarou: “Seus cientistas estavam tão preocupados em saber se podiam, que não pararam para pensar se deveriam”.

Na última iteração da franquia Jurassic Park, a sociedade está aceitando as consequências de inovações que foram, na melhor das hipóteses, mal concebidas. Uma litania de “poderia” sobre “deveria” levou a um futuro em que dinossauros ressuscitados e redesenhados vagam livremente, e o domínio da humanidade como espécie está ameaçado.

No centro desses filmes estão questões mais relevantes do que nunca: os pesquisadores aprenderam a lição de Jurassic Park e fecharam suficientemente a lacuna entre “poderia” e “deveria”? Ou a ciência e a tecnologia da manipulação do DNA continuarão a superar qualquer consenso sobre como usá-los de forma ética e responsável?

(Re)projetando o Genoma
O primeiro rascunho do genoma humano foi publicado com grande alarde em 2001, preparando o terreno para os cientistas lerem, redesenharem e até reescreverem sequências genéticas complexas.

No entanto, as tecnologias existentes eram demoradas e caras, colocando a manipulação genética fora do alcance de muitos pesquisadores. O primeiro rascunho do genoma humano custou cerca de US$ 300 milhões, e as sequências subsequentes de todo o genoma pouco menos de US$ 100 milhões – uma quantia proibitiva para todos, exceto para os grupos de pesquisa mais bem financiados. À medida que as tecnologias existentes eram refinadas e novas surgiam on-line, no entanto, laboratórios menores – e até mesmo estudantes e amadores do “DIY bio” – podiam experimentar mais livremente a leitura e a escrita do código genético.

Em 2005, o bioengenheiro Drew Endy propôs que deveria ser possível trabalhar com DNA da mesma forma que engenheiros trabalham com componentes eletrônicos. Por mais que os projetistas de eletrônicos estejam menos preocupados com a física dos semicondutores do que com os componentes que dependem deles, Endy argumentou que deveria ser possível criar peças padronizadas baseadas em DNA chamadas “biobricks” que os cientistas poderiam usar sem precisar ser especialistas. em sua biologia subjacente.

O trabalho de Endy e outros foi fundamental para o campo emergente da biologia sintética, que aplica princípios de engenharia e design à manipulação genética.

Cientistas, engenheiros e até artistas começaram a abordar o DNA como um código biológico que poderia ser digitalizado, manipulado e redesenhado no ciberespaço da mesma forma que fotos ou vídeos digitais. Isso, por sua vez, abriu as portas para a reprogramação de plantas, microorganismos e fungos para produzir medicamentos e outras substâncias úteis. A levedura modificada, por exemplo, produz o sabor carnudo dos Impossible Burgers vegetarianos.

Apesar do crescente interesse na edição de genes, a maior barreira para a imaginação e visão dos pioneiros da biologia sintética ainda era a velocidade e o custo das tecnologias de edição.

Então o CRISPR mudou tudo.

A Revolução CRISPR
Em 2020, as cientistas Jennifer Doudna e Emanuelle Charpentier ganharam o Prêmio Nobel de Química por seu trabalho em uma nova e revolucionária tecnologia de edição de genes que permite aos pesquisadores recortar e substituir com precisão sequências de DNA dentro dos genes: CRISPR.

O CRISPR era rápido, barato e relativamente fácil de usar. E desencadeou a imaginação dos codificadores de DNA.

Mais do que qualquer avanço anterior em engenharia genética, o CRISPR permitiu que técnicas de codificação digital e engenharia de sistemas fossem aplicadas à biologia. Essa fertilização cruzada de ideias e métodos levou a avanços que vão desde o uso de DNA para armazenar dados de computador até a criação de estruturas de “DNA origami” em 3D.

O CRISPR também abriu caminho para os cientistas explorarem o redesenho de espécies inteiras – incluindo trazer de volta animais da extinção.

Gene drives usam CRISPR para inserir diretamente um pedaço de código genético no genoma de um organismo e garantir que características específicas sejam herdadas por todas as gerações subsequentes. Os cientistas estão atualmente experimentando essa tecnologia para controlar mosquitos transmissores de doenças.

Apesar dos benefícios potenciais da tecnologia, os genes drives levantam sérias questões éticas. Mesmo quando aplicadas para eliminar ameaças à saúde pública, como mosquitos, essas perguntas não são fáceis de navegar. Eles ficam ainda mais complexos ao considerar aplicações hipotéticas em pessoas, como aumentar o desempenho atlético nas gerações futuras.

Ganho de função
Os avanços na edição de genes também tornaram mais fácil alterar geneticamente o comportamento de células individuais. Isso está no centro das tecnologias de biofabricação que reestruturam organismos simples para produzir substâncias úteis que vão desde combustível de aviação a aditivos alimentares.

Também está no centro das controvérsias em torno dos vírus geneticamente modificados.

Desde o início da pandemia, há rumores de que o vírus que causa a Covid-19 resultou de experimentos genéticos que deram errado. Embora esses rumores permaneçam infundados, eles renovaram o debate em torno da ética da pesquisa de ganho de função.

A pesquisa de ganho de função usa técnicas de edição de DNA para alterar a forma como os organismos funcionam, incluindo o aumento da capacidade dos vírus de causar doenças. Os cientistas fazem isso para prever e se preparar para possíveis mutações de vírus existentes que aumentam sua capacidade de causar danos. No entanto, essa pesquisa também levanta a possibilidade de um vírus perigosamente aprimorado ser liberado fora do laboratório, acidentalmente ou intencionalmente.

Ao mesmo tempo, o crescente domínio dos cientistas sobre o código-fonte biológico é o que lhes permitiu desenvolver rapidamente as vacinas de mRNA Pfizer-BioNTech e Moderna para combater o COVID-19. Ao projetar com precisão o código genético que instrui as células a produzir versões inofensivas de proteínas virais, as vacinas são capazes de preparar o sistema imunológico para responder quando encontrar o vírus real.

Manipulação de código-fonte biológico responsável
Por mais presciente que Michael Crichton fosse, é improvável que ele pudesse ter imaginado até que ponto as habilidades dos cientistas para engenharia da biologia avançaram nas últimas três décadas. Trazer de volta espécies extintas, embora seja uma área ativa de pesquisa, continua sendo terrivelmente difícil. No entanto, de muitas maneiras, nossas tecnologias estão substancialmente mais avançadas do que as de Jurassic Park e os filmes subsequentes.

Mas como nos saímos na frente da responsabilidade?

Felizmente, a consideração do lado social e ético da edição genética andou de mãos dadas com o desenvolvimento da ciência. Em 1975, os cientistas concordaram em abordagens para garantir que a pesquisa emergente de DNA recombinante fosse realizada com segurança. Desde o início, as dimensões ética, legal e social da ciência foram incorporadas ao Projeto Genoma Humano. As comunidades biológicas DIY estão na vanguarda da pesquisa de edição genética segura e responsável. E a responsabilidade social é parte integrante das competições de biologia sintética.

No entanto, à medida que a edição de genes se torna cada vez mais poderosa e acessível, é improvável que uma comunidade de cientistas e engenheiros bem-intencionados seja suficiente. Embora os filmes de Jurassic Park tenham uma licença dramática em seu retrato do futuro, eles acertam uma coisa: mesmo com boas intenções, coisas ruins acontecem quando você mistura tecnologias poderosas com cientistas que não foram treinados para pensar nas consequências de seus ações – e não pensei em perguntar a especialistas que o fizeram.

Talvez esta seja a mensagem permanente de Jurassic World: Dominion – que, apesar dos incríveis avanços em design e engenharia genética, as coisas podem dar errado se não adotarmos o desenvolvimento e o uso da tecnologia de maneira socialmente responsável.

A boa notícia é que ainda temos tempo para fechar a lacuna entre “poderia” e “deveria” na forma como os cientistas redesenham e reengenhariam o código genético. Mas, como Jurassic World: Dominion lembra aos espectadores, o futuro geralmente está mais próximo do que parece.

Este artigo é republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.

Categorias
Blog

Inovação disruptiva: entenda o que é, importância e exemplos

Acompanhar as tendências transformadoras é uma tarefa que todos os líderes deveriam fazer. 

Para que uma mudança de impacto aconteça, é preciso quebrar paradigmas. É por isso que, mais do nunca, tem se falado de inovação disruptiva.

Mas, afinal, o que há por trás desse conceito? Esse termo foi cunhado pelo professor de Harvard, Clayton M. Christensen, em uma publicação de 1997.

Seu entendimento era de que revoluções – industriais ou tecnológicas – acabariam com as anteriores. E criações grandes o suficiente para isso podem ser vistas como disruptivas.

De lá para cá, muitas inovações surgiram, mas um dos campos que mais o absorveu foi o mundo dos negócios.

Considerando o contexto atual, é preciso entender como a disrupção pode ser útil dentro das empresas, principalmente aquelas que querem se destacar.

Nesse artigo vamos explorar bem esse assunto, falando sobre seus fundamentos, importância, exemplos e até mesmo contextualizando o cenário brasileiro e mundial. Boa leitura!

banner-economia-exponencial

O que é inovação disruptiva?

A inovação disruptiva é a transformação completa de uma solução existente, muitas vezes, por meio da tecnologia.

Ela modifica algo – seja um serviço ou produto – para deixá-lo ainda melhor, ao mesmo tempo que torna o original obsoleto.

A definição de inovação disruptiva, conceito criado nos anos 90, também se refere a toda novidade que chega para mudar, de verdade, um mercado ou uma indústria. 

Com isso, torna alguma coisa mais viável do ponto de vista financeiro e do consumo.

Como afirma o próprio Clayton:

“Inovações disruptivas não são avanços de tecnologias que fazem bons produtos melhores; ao contrário, são inovações que tornam os produtos e serviços mais acessíveis e baratos, tornando-os disponíveis a uma população muito maior”.

https://www.youtube.com/embed/WxwR_TTuKdc

Quais os fundamentos da inovação disruptiva?

A inovação que gera ideias disruptivas tem alguns princípios que a sustentam para que ela seja capaz de trazer algo verdadeiramente transformador. Entre esses pilares, se destacam:

  • modelo de negócio diferente dos concorrentes;
  • novos processos diante dos antigos;
  • foco nas melhorias ao consumidor.

A seguir, vamos explorar um pouco sobre cada um desses fundamentos.

Modelo de negócio diferente dos concorrentes

O primeiro fundamento desse conceito é inovar o modelo de negócio em relação à concorrência. Ou seja, uma empresa precisa ter um diferencial competitivo que a torne única no mercado.

Para isso, é necessário pensar fora da caixa, deixando o negócio ainda mais robusto. Não estamos falando de criar algo do zero, mas de modificar algo que todas as outras empresas fazem da mesma forma.

A inovação nesse quesito é uma das principais formas de conquistar vantagem no seu segmento.

Novos processos diante dos antigos

Outro fundamento é a construção de novos processos. Afinal, inovação, mais uma vez, não é só criar algo do zero. 

Quando nos referimos a essa ruptura, estamos falando sobre inovar dentro de um algo antigo, tornando-o ainda melhor.

A inovação nos processos, no entanto, vai além do produto ou serviço, modificando toda a cadeia de atividades que levam a sua produção, por exemplo.

Muitas vezes, a criação de um novo produto só funciona se os processos que a acompanham se transformam.

Foco nas melhorias ao consumidor

Por fim, considerando o mundo dos negócios principalmente, é preciso que esse foco seja voltado para o cliente final da inovação.

Ou seja, inovar significa pensar em algo que traga benefícios – desde o preço até a sustentabilidade – para os consumidores de um produto ou serviço.

Em resumo, ele precisa ganhar algo com isso. A inovação disruptiva não é pensada para as pessoas que não querem mudanças, mas sim para aquelas que buscam por novidades.

Qual é a importância da inovação disruptiva?

Por que é importante ter ideias disruptivas?

Agora que você entendeu o que é inovação disruptiva e quais são seus fundamentos, é importante entender sua relevância.

A estratégia disruptiva tem uma importância enorme porque ela se baseia em melhorar algum produto ou serviço.

O principal objetivo é o seu poder de simplificar o complexo, oferecendo soluções mais baratas e acessíveis para todos.

Naturalmente, ela é responsável também por mudar a forma como as pessoas vivem, o que tem impacto gigantesco na sociedade.

Esse pensamento disruptivo está ligado à evolução de alguma coisa ao longo do tempo. E isso a torna fundamental no crescimento das empresas, principalmente ao se apoiar em tecnologias.

Como efeito disso, as inovações disruptivas também se relacionam com a economia, afinal, inovar é o que faz com que as empresas cresçam e sejam mais competitivas.

Qual é a diferença entre inovação disruptiva e tradicional?

A inovação tradicional ou incremental é aquela que está alinhada com o mercado, ou seja, não inova em relação à concorrência. 

Ela está mais preocupada em aumentar o ciclo de vida, a partir de melhorias superficiais nas características.

Já a inovação disruptiva é inovadora em relação à concorrência, pois inova de forma completa. Seu foco está nas tecnologias que podem gerar uma mudança de paradigma no setor.

Ela vai muito além das qualidades do produto e, muitas vezes, essa ruptura impacta na lógica de consumo. No lugar de preservar o mercado, ela cria um novo com base nesse e, por sua vez, destrói o original.

banner-economia-exponencial

Características de inovações disruptivas

Definição de inovação disruptiva e principais características

As inovações disruptivas possuem algumas características muito próprias. Entre elas, destacamos a acessibilidade, a mudança no comportamento, o público low-end e a criação de novos mercados.

A seguir, vamos explicar como isso funciona.

É mais acessível, simples ou conveniente

Uma inovação disruptiva é aquela que torna o produto mais acessível para um público. A ideia é simplificar o complexo, de forma que mais pessoas possam usufruir do novo produto ou serviço.

Por essa razão, tem como características a acessibilidade, simplicidade e conveniência. Para exemplificar essa evolução pautada nesses três elementos, podemos dar o exemplo dos reprodutores de música.

Começando com discos de vinil, passando por CDs e dispositivos MP3, hoje, a inovação gerou as plataformas de streaming, como Spotify e Deezer, que tornaram os anteriores sem uso.

Causa mudança no comportamento de consumo

Outra característica é a capacidade de inovação de mudar o comportamento das pessoas, principalmente pelo processo de adaptação.

Continuando no mesmo exemplo, se antes as mesmas pessoas compravam CDs, com a inovação do streaming e o fim dos tocadores, elas passaram a pagar uma mensalidade para ouvir música.

Sem essa tecnologia, não haveria margem para essa lógica de assinatura para reproduzir música. Ou seja, a inovação foi responsável pelo surgimento de um novo costume.

Atende demandas de um público low-end

A estratégia disruptiva também pode se voltar para um público low-end, ou seja, uma parcela da população que não é atendida pelas empresas tradicionais.

Isso quer dizer que ela inova a partir de um nicho de mercado, oferecendo produtos ou serviços mais baratos e acessíveis. Como consequência, acaba atraindo outros públicos para o negócio, que cresce naturalmente.

Um exemplo disso são as bicicletas elétricas, que inicialmente eram voltadas para pessoas com deficiência e, hoje, já é possível encontrar modelos para pessoas que não tem.

Cria um novo mercado com um novo público

Essa inovação também pode criar um novo mercado, atraindo um público que não era consumidor do produto. Isso quer dizer que ao se ter um pensamento disruptivo se inova em relação à concorrência, oferecendo um novo produto ou serviço.

Para exemplificar, podemos citar o surgimento das redes sociais, que inovaram a forma como as pessoas se relacionam na internet e, consequentemente, trouxeram um novo público para o mercado.

Embora seja uma evolução derivada da web 1.0, a web 2.0 (em que o usuário participa) criou um mercado bastante diferenciado com pessoas que, até então, poderiam não usar a internet.

Cenário da inovação disruptiva no Brasil

Para entendermos melhor como funciona a inovação disruptiva, é importante observar o cenário atual do Brasil. Ainda que vivencie constantemente avanços, o País ainda está distante de ter esse conceito presente com grande força.

O Brasil ocupava, em 2021, a 57.ª posição no Índice Global de Inovação (IGI), em um ranking integrado por 132 nações. Embora tenha ganhado posições em relação à 2020, ainda é muito baixa essa colocação.

Mas quando falamos de inovação no País, ainda estamos nos referindo àquela tradicional. As ideias disruptivas estão mais distantes.

De acordo com Silvio Kotujansky, vice-presidente de mercado da Associação Catarinense de Tecnologia (Acate), há uma dificuldade considerável em promover a inovação radical no país.

Um dos principais motivos disso é que as universidades ainda estão muito afastadas do mercado, o que faz com que as pesquisas não cheguem na velocidade que deveriam.

No entanto, existem iniciativas pontuais de destaque, além da própria Acate, como o Porto Digital, polo tecnológico com mais 300 empresas em Recife, por exemplo.

E no mundo?

Quando saímos do Brasil e consideramos todo o planeta, a tecnologia disruptiva é mais forte em alguns locais. São eles os Estados Unidos, a Alemanha, a Suíça, a Inglaterra, a Holanda e os asiáticos Coreia do Sul, Japão e China.

Diferentemente do que falamos antes, esses países contam com uma maior conexão entre as universidades e o mercado, o que torna o avanço das pesquisas muito mais rápido. E isso é essencial para criar tecnologias disruptivas.

Mas o grande nome da inovação disruptiva, quando consideramos o mundo, é o Vale do Silício, na Califórnia.

A região concentra inúmeras startups de alto impacto, que inovam em diversos setores e geram bilhões de dólares.

Nomes como Apple, Facebook e Amazon são apenas alguns dos exemplos desse cenário.

5 exemplos de inovações disruptivas mais conhecidas

Para finalizar, é fundamental trazer ideias disruptivas que deram certo. Alguns exemplos de inovações disruptivas mais conhecidas são o Google, a Netflix, o Nubank, a Uber e o WhatsApp. Veja mais sobre elas!

Google

O Google é um exemplo de inovação disruptiva

A inovação da Google está em oferecer um buscador de qualidade, com resultados relevantes para o usuário. Além disso, a ferramenta é bastante simples e intuitiva de ser usada.

Com isso, a empresa inovou o segmento de buscadores e, consequentemente, criou um novo mercado. A Google hoje é líder mundial no setor.

Netflix

Um dos exemplos de inovação disruptiva é a Netflix

A Netflix inovou o mercado de streaming ao permitir que o usuário assista aos vídeos quando e onde quiser, além de não ser necessário ter um pacote de TV por assinatura.

A inovação da Netflix trouxe uma nova forma de consumo para o mercado e, logo, uma nova forma de negócio. Embora não necessariamente tenha ainda acabado com a televisão fechada, ela tem uma força absurdamente maior.

Nubank

O Nubank é um exemplo de inovação disruptiva

A inovação do Nubank, criação nacional inclusive, está em simplificar o mercado bancário, permitindo que o cliente tenha mais controle sobre suas finanças.

Com isso, a inovação trouxe uma nova forma de se relacionar com o banco para o mercado, que era até então bastante burocrático. Isso forçou com que os bancos tradicionais se transformassem também para não se tornarem obsoletos.

Uber

O Uber é considerado uma inovação disruptiva

A ideia disruptiva do Uber está em simplificar o táxi, permitindo que o usuário tenha um motorista particular a qualquer momento e lugar que se encontre.

Com isso, inovou todo o mercado de transporte que era até então bastante ineficiente. Além de trazer oportunidades de renda rápida — profissionais autônomos — , o serviço também se tornou mais simples para os passageiros.

WhatsApp

O WhatsApp é um exemplo de inovação disruptiva

A inovação disruptiva do WhatsApp está em simplificar a troca de mensagens por SMS. Ela trouxe uma nova forma de comunicação, com apoio da internet.

Seu destaque vai pela mudança no mercado de telecomunicações, que era até então controlado pelas operadoras. Além de gerar uma economia para os usuários, o serviço também se tornou mais simples e prático para todos.

Como as ideias disruptivas têm revolucionado o mercado?

O pensamento disruptivo tem revolucionado o mercado, inovando em diversos setores. Como falamos, desde a forma de pesquisar até mesmo a forma de se relacionar, inovações como Google e WhatsApp são bons exemplos disso.

Isso mostra, ao mesmo tempo, que o mercado é capaz de transformar comportamentos tidos como consolidados.

Mas é bom reforçar que isso não é algo que acontece apenas nos grandes players. Startups inovadoras também estão surgindo e, com isso, o mercado tem se tornado mais aberto para inovações.

Por isso, estamos falando de uma tendência revolucionária, pois tem relevância para grandes negócios, mas que também pode começar de pequenas empresas.

Dúvidas frequentes: inovação disruptiva 

Na sequência, separamos algumas dúvidas frequentes em relação ao pensamento disruptivo. Acompanhe!

Qual é o conceito de disruptivo?

A definição de disruptivo está associada à ideia de destruição de algo anterior.  Por isso, essa palavra está associada a uma inovação que gera mudança significativa.

Qual a principal característica de uma inovação disruptiva?

A principal característica de uma estratégia disruptiva inovadora é a acessibilidade. Ou seja, o produto inovador deve se tornar viável a um grande número de pessoas.

O que a inovação disruptiva provoca?

A estratégia disruptiva geralmente provoca uma mudança no mercado, uma vez que oferece um produto ou serviço inovador e de qualidade.

banner-economia-exponencial

Conclusão

A inovação disruptiva está presente em diversos setores tem se tornado uma tendência para as empresas.

Isso acontece porque o mercado está se tornando aberto para transformação. Assim, esse conceito tem se mostrado como uma estratégia eficiente para as empresas, principalmente porque melhora a vida das pessoas.

Por isso, é importante que os líderes estejam atentos à inovação e acompanhem o mercado para não ficarem para trás.

O sucesso de um negócio sempre poderá ser maior se há uma preocupação em trazer acessibilidade, simplicidade e conveniência.

Categorias
Blog

A tecnologia que levará a VR aos limites do olho humano

A grande tecnologia está ansiosa para nos empolgar com a chegada do metaverso, mas o hardware de realidade virtual de hoje está muito longe de atingir seus objetivos ambiciosos. Um dos maiores desafios é construir telas melhores com muito mais pixels por polegada, mas especialistas dizem que novos materiais e designs estão a caminho.

O Vale do Silício está apostando bilhões de dólares que a internet está prestes a sofrer sua maior mudança desde o advento do smartphone. Em breve, o pensamento continua, a maioria das pessoas estará acessando a web por meio de fones de ouvido vestíveis que nos transportam para mundos virtuais, em vez de tocar em uma tela sensível ao toque.

Hoje, porém, a realidade virtual e aumentada ainda são bastante rudimentares. Embora empresas como Meta, Microsoft, Google e Magic Leap já estejam vendendo headsets de realidade virtual e aumentada, eles encontraram casos de uso limitados até agora, e as experiências que eles oferecem ainda estão muito aquém dos padrões de alta definição que esperamos do entretenimento digital.

Uma das maiores limitações é a tecnologia de exibição atual. Em um fone de ouvido VR, as telas ficam a apenas alguns centímetros à frente de nossos olhos, então elas precisam empacotar um grande número de pixels em um espaço muito pequeno para se aproximar da definição que você pode esperar da mais recente TV 4K.

Isso é impossível com as telas de hoje, mas em uma perspectiva publicada na semana passada na Science, pesquisadores da Samsung e da Universidade de Stanford dizem que as tecnologias emergentes podem em breve nos aproximar do limite teórico da densidade de pixels, inaugurando novos e poderosos headsets de realidade virtual.

Os esforços para aumentar o desempenho dos monitores são complicados pelo fato de que isso concorre diretamente com outro objetivo crucial: torná-los menores, mais baratos e mais eficientes em termos de energia. Os dispositivos de hoje são volumosos e pesados, limitando a quantidade de tempo que podem ser usados ​​e o contexto em que podem ser usados.

Uma das principais razões pelas quais os fones de ouvido são tão grandes hoje é a variedade de elementos ópticos que eles apresentam e a necessidade de manter espaço suficiente entre eles e as telas para focar a luz adequadamente. Embora os novos designs de lentes compactas e o uso de metasuperfícies – filmes nanoestruturados com propriedades ópticas únicas – tenham permitido alguma miniaturização nessa área, dizem os autores, isso provavelmente está atingindo seus limites.

Novos designs como lentes holográficas e “lentes panqueca” que envolvem a luz refletida entre diferentes pedaços de plástico ou vidro podem ajudar a reduzir a distância entre a lente e a tela em um fator de dois a três. Mas cada uma dessas interações reduz o brilho das imagens, que precisa ser compensado por displays mais potentes e eficientes.

Telas melhores também são necessárias para resolver outra limitação importante dos dispositivos atuais: a resolução. As telas de TV Ultra-HD podem atingir densidades de pixel de cerca de 200 pixels por grau (PPD) a distâncias de cerca de 10 pés, muito acima dos cerca de 60 PPD que o olho humano pode distinguir. Mas como as telas de VR estão no máximo a uma ou duas polegadas dos olhos do espectador, elas só podem atingir cerca de 15 PPD.

Para corresponder aos limites de resolução do olho humano, os monitores de RV precisam espremer entre 7.000 e 10.000 pixels em cada polegada de tela, dizem os autores. Para contextualizar, as telas de smartphones mais recentes gerenciam apenas cerca de 460 pixels por polegada.

Apesar do tamanho dessa lacuna, porém, já existem caminhos claros para fechá-la. Atualmente, a maioria dos headsets VR usa diodos orgânicos emissores de luz (OLEDs) vermelhos, verdes e azuis separados, que são difíceis de tornar mais compactos devido ao seu processo de fabricação. Mas uma abordagem alternativa que adiciona filtros coloridos a OLEDs brancos pode tornar possível atingir 60 PPD.

Confiar na filtragem tem seus próprios desafios, pois reduz a eficiência da fonte de luz, resultando em menor brilho ou maior consumo de energia. Mas um projeto experimental de OLED conhecido como “meta-OLED” poderia contornar essa troca combinando a fonte de luz com espelhos de nanopadrões que exploram o fenômeno da ressonância para emitir luz apenas de uma determinada frequência.

Meta-OLEDS poderia atingir densidades de pixel de mais de 10.000 PPD, aproximando-se dos limites físicos estabelecidos pelo comprimento de onda da luz. Eles também podem ser mais eficientes e ter uma definição de cor melhorada em comparação com as gerações anteriores. No entanto, apesar do grande interesse das empresas de tecnologia de exibição, a tecnologia ainda é incipiente e provavelmente ainda mais distante da comercialização.

A inovação de curto prazo mais provável nas telas, dizem os autores, é aquela que explora uma peculiaridade da biologia humana. O olho só é capaz de distinguir 60 PPD na região central da retina conhecida como fóvea, com sensibilidade significativamente menor na periferia.

Se os movimentos dos olhos puderem ser rastreados com precisão, você só precisará renderizar a definição mais alta na seção específica da tela para a qual o usuário está olhando. Embora as melhorias necessárias no rastreamento dos olhos e da cabeça adicionem complexidade extra aos projetos, os autores dizem que essa é provavelmente a inovação que acontecerá mais rapidamente.

É importante lembrar que há uma série de problemas além de telas melhores que precisarão ser resolvidas para que a VR seja amplamente comercializada. Em particular, alimentar esses fones de ouvido levanta desafios complicados em relação à capacidade da bateria e à capacidade de dissipar o calor dos componentes eletrônicos integrados.

Além disso, as tecnologias de exibição discutidas pelos pesquisadores são principalmente relevantes para VR e não AR, cujos fones de ouvido provavelmente dependem de tecnologia óptica muito diferente que não obscurece a visão do usuário do mundo real. De qualquer forma, porém, parece que, embora as experiências virtuais mais imersivas ainda estejam longe, o roteiro para nos levar até lá está bem definido.

Categorias
Blog

Executive Program da SU: onde os líderes se encontram para se prepararem para o futuro do trabalho

O lifelong learning parte de uma premissa muito simples: o aprendizado não tem data para acabar. Mesmo depois dos diplomas – do ensino básico, da faculdade ou da especialização, por exemplo –, é necessário adotar uma postura aberta ao conhecimento.

A expressão, que ganhou força nos últimos anos, é um reflexo do dinamismo do mundo contemporâneo. Na prática, o lifelong learning pressupõe que nunca é cedo ou tarde demais para aprender algo novo – e, no que diz respeito ao mercado, essa mentalidade está alinhada às demandas corporativas.

Entenda também sobre como funciona a nanotecnologia na medicina.

O Executive Program da Singularity University Brazil chega à sua sétima edição se consolidando como uma porta de entrada para a comunidade Learning Circle. São profissionais de todo o mundo que integram um grupo de alumnis de alta liderança cujo expertise individual se dilui em uma mesma intenção: aprender, trocar experiências, viabilizar parcerias, encontrar novos clientes e fomentar a cadeia de colaboração e ajuda mútua.

O que faz esses profissionais se conectarem tão fortemente? – A jornada de aprendizagem proposta pela Singularity University que possibilita que, em três dias, cada executivo e executiva desfrute da mesma disposição para fazer networking, acessar experiências práticas e passar por uma imersão sem igual em tecnologias exponenciais.

Por mais que temas como blockchain, realidade estendida e metaverso, inteligência artificial e machine learning, robótica, nanotecnologia, redes e sistemas de computação e neurociência estejam no radar dos líderes, é fundamental que esses profissionais tenham a chance de voltarem a ser alunos, aprendendo a:
– identificar novas oportunidades com o uso de tecnologia
– pensar exponencialmente
– traçar caminhos para a sua empresa, usando o conceito de moonshot e uma visão de geração de abundância e de impacto positivo.

Esse acompanhamento na aprendizagem é realizado por um corpo docente definido após rigorosa curadoria de nomes. Ricardo Justus, Jeffrey Rogers, Carla Tieppo, Guilherme Horn, Ricardo Cavallini, Leandro Mattos, David Roberts, Eduardo Abrahim, Glaucia Guarcello, Letícia Setembro e outros grandes experts estarão focados em auxiliar cada aluno a compreender as principais pautas de futuro do negócio e planejar uma jornada de transformação e inovação dentro dos seus negócios ou área de atuação.

Quer aprender com especialistas certificados pela SU como as empresas utilizam as tecnologias exponenciais para melhorar seus resultados, por meio de: palestras, wordkshops, exercícios preditivos e pesquisas, cercado de algumas das mais brilhantes mentes do mundo?

O último EP desse ano acontecerá a partir do dia 23 de outubro, em Campos do Jordão, no Bendito Cacao Resort & Spa. Para participar, basta acessar esse link e se inscrever!

Categorias
Blog

O DeepMind deu “intuição” a IA treinando-a como um bebê

Os bebês são bolas borbulhantes, fofinhas e risonhas de alegria. Eles também são máquinas de aprendizado extremamente poderosas. Aos três meses de idade, eles já têm intuição sobre como as coisas ao seu redor se comportam – sem que ninguém lhes ensine explicitamente as regras do jogo.

Essa habilidade, apelidada de “física intuitiva”, parece extremamente trivial na superfície. Se eu encher um copo com água e colocá-lo sobre a mesa, sei que o copo é um objeto – algo em que posso envolver minhas mãos sem que derreta em minhas palmas. Não vai afundar na mesa. E se começasse a levitar, eu olhava e imediatamente corria para fora da porta.

Os bebês desenvolvem rapidamente essa capacidade absorvendo dados de seus ambientes externos, formando uma espécie de “senso comum” sobre a dinâmica do mundo físico. Quando as coisas não se movem como esperado – digamos, em truques de mágica onde objetos desaparecem – eles ficam surpresos.

Para a IA, é uma questão completamente diferente. Embora os modelos recentes de IA já tenham derrotado os humanos desde o jogo até a resolução de enigmas científicos de décadas, eles ainda lutam para desenvolver a intuição sobre o mundo físico.

Este mês, pesquisadores da DeepMind, de propriedade do Google, se inspiraram na psicologia do desenvolvimento e construíram uma IA que naturalmente extrai regras simples sobre o mundo assistindo a vídeos. Netflix e chill não funcionaram sozinhos; o modelo de IA só aprendeu as regras do nosso mundo físico quando recebeu uma ideia básica dos objetos, como quais são seus limites, onde estão e como se movem. Semelhante aos bebês, a IA expressou “surpresa” quando mostrou situações mágicas que não faziam sentido, como uma bola rolando em uma rampa.

Apelidado de PLATO (para Aprendizado de Física através de Auto-codificação e Objetos de Rastreamento), a IA foi surpreendentemente flexível. Precisava apenas de um conjunto relativamente pequeno de exemplos para desenvolver sua “intuição”. Uma vez que aprendesse isso, o software poderia generalizar suas previsões sobre como as coisas se moviam e interagiam com outros objetos, bem como sobre cenários nunca encontrados anteriormente.

De certa forma, PLATO atinge o ponto ideal entre natureza e criação. Os psicólogos do desenvolvimento há muito discutem se o aprendizado em bebês pode ser alcançado a partir da descoberta de padrões em dados de experiências apenas. PLATO sugere que a resposta é não, pelo menos não para esta tarefa específica. Tanto o conhecimento interno quanto a experiência são fundamentais para completar toda a história de aprendizagem.

Para sermos claros, PLATO não é uma réplica digital de um bebê de três meses – e nunca foi projetado para ser. No entanto, fornece um vislumbre de como nossas próprias mentes potencialmente se desenvolvem.

“O trabalho… está ultrapassando os limites do que a experiência cotidiana pode e não pode explicar em termos de inteligência”, comentou os Drs. Susan Hespos e Apoorva Shivaram, da Northwestern University e da Western Sydney University, respectivamente, que não participaram do estudo. Pode “nos dizer como construir melhores modelos de computador que simulem a mente humana”.

O enigma do senso comum
Com apenas três meses de idade, a maioria dos bebês não piscará se deixar cair um brinquedo e ele cair no chão; eles já pegaram o conceito de gravidade.

Como isso acontece ainda é desconcertante, mas existem algumas ideias. Nessa idade, os bebês ainda lutam para se contorcer, engatinhar ou se movimentar. Sua entrada do mundo exterior é principalmente através da observação. Essa é uma ótima notícia para a IA: significa que, em vez de construir robôs para explorar fisicamente seu ambiente, é possível imbuir um senso de física na IA por meio de vídeos.

É uma teoria endossada pelo Dr. Yann LeCun, um dos principais especialistas em IA e cientista-chefe de IA da Meta. Em uma palestra de 2019, ele postulou que os bebês provavelmente aprendem por meio da observação. Seus cérebros se baseiam nesses dados para formar uma ideia conceitual da realidade. Em contraste, mesmo os modelos de aprendizado profundo mais sofisticados ainda lutam para construir uma noção do nosso mundo físico, o que limita o quanto eles podem se envolver com o mundo – tornando-os quase literalmente mentes nas nuvens.

Então, como você mede a compreensão de um bebê sobre a física cotidiana? “Felizmente para nós, os psicólogos do desenvolvimento passaram décadas estudando o que as crianças sabem sobre o mundo físico”, escreveu o principal cientista Dr. Luis Piloto. Um teste particularmente poderoso é o paradigma de violação de expectativa (VoE). Mostre a um bebê uma bola rolando morro acima, desaparecendo aleatoriamente ou de repente indo na direção oposta, e o bebê olhará para a anomalia por mais tempo do que faria se estivesse atendendo às suas expectativas normais. Algo estranho está acontecendo.

Esquisitice espacial
No novo estudo, a equipe adaptou o VoE para testar a IA. Eles abordaram cinco conceitos físicos diferentes para construir o PLATO. Entre eles estão a solidez – ou seja, dois objetos não podem passar um pelo outro; e continuidade – a ideia de que as coisas existem e não piscam mesmo quando escondidas por outro objeto (o teste do “esconde-esconde”).

Para construir o PLATO, a equipe começou com um método padrão em IA com uma abordagem em duas frentes. Um componente, o modelo perceptual, recebe dados visuais para analisar objetos discretos em uma imagem. Em seguida vem o preditor dinâmico, que usa uma rede neural para considerar o histórico de objetos anteriores e prever o comportamento do próximo. Em outras palavras, o modelo constrói um tipo de “motor de física” que mapeia objetos ou cenários e adivinha como algo se comportaria na vida real. Essa configuração deu a PLATO uma ideia inicial das propriedades físicas dos objetos, como sua posição e quão rápido eles estão se movendo.

Em seguida veio o treinamento. A equipe mostrou ao PLATO menos de 30 horas de vídeos sintéticos de um conjunto de dados de código aberto. Estes não são vídeos de eventos da vida real. Em vez disso, imagine animações em blocos do tipo Nintendo da velha escola de uma bola rolando por uma rampa, quicando em outra bola ou desaparecendo de repente. PLATO eventualmente aprendeu a prever como um único objeto se moveria no próximo quadro de vídeo e também atualizou sua memória para esse objeto. Com o treinamento, suas previsões sobre a próxima “cena” ficaram mais precisas.

A equipe então jogou uma chave inglesa nos raios. Eles apresentaram a PLATO uma cena normal e uma impossível, como uma bola desaparecendo repentinamente. Ao medir a diferença entre o evento real e as previsões do PLATO, a equipe pôde avaliar o nível de “surpresa” da IA ​​– que passou do teto para eventos mágicos.

O aprendizado generalizou-se para outros objetos em movimento. Desafiado com um conjunto de dados completamente diferente desenvolvido pelo MIT, apresentando, entre outros itens, coelhos e pinos de boliche, PLATO habilmente discriminava entre eventos impossíveis e realistas. PLATO nunca tinha “visto” um coelho antes, mas sem qualquer retreinamento, mostrou surpresa quando um coelho desafiou as leis da física. Semelhante aos bebês, o PLATO foi capaz de capturar sua intuição física com apenas 28 horas de treinamento em vídeo.

Para Hespos e Shivaram, “essas descobertas também são características paralelas que vemos em estudos infantis”.

Intuição digital
PLATO não pretende ser um modelo de IA para o raciocínio infantil. Mas mostra que explorar nossos cérebros de bebês em expansão pode inspirar computadores com um senso de fisicalidade, mesmo quando o “cérebro” do software está literalmente preso dentro de uma caixa. Não se trata apenas de construir robôs humanóides. De próteses a carros autônomos, uma compreensão intuitiva do mundo físico conecta o mundo digital amorfo de 0s e 1s à realidade cotidiana e comum.

Não é a primeira vez que os cientistas de IA pensam em turbinar as mentes das máquinas com uma pitada de engenhosidade infantil. Uma ideia é dar à IA um senso de teoria da mente – a capacidade de se distinguir dos outros e ser capaz de se imaginar no lugar dos outros. É uma habilidade que vem naturalmente para crianças de cerca de quatro anos e, se incorporada aos modelos de IA, pode ajudar drasticamente a entender as interações sociais.

O novo estudo se baseia em nossos primeiros meses de vida como um rico recurso para desenvolver IA com bom senso. Por enquanto, o campo está apenas em sua infância. Os autores estão liberando seu conjunto de dados para que outros possam desenvolver e explorar a capacidade de um modelo de IA de interagir com conceitos físicos mais complexos, incluindo vídeos do mundo real. Por enquanto, “esses estudos podem servir como uma oportunidade sinérgica entre a IA e a ciência do desenvolvimento”, disseram Hespos e Shivaram.

Leia também: Como o cérebro aprende? Entenda como ele funciona e como estimular!

Categorias
Blog

Cientistas estudaram a camada de gelo da Antártida por mais de 10.000 anos. Suas descobertas trazem insights para o futuro

Histórias alarmantes da Antártida são agora mais frequentes do que nunca; a superfície do gelo está derretendo, as plataformas de gelo flutuantes estão entrando em colapso e as geleiras estão fluindo mais rápido para o oceano.

A Antártida será a maior fonte de aumento futuro do nível do mar. No entanto, os cientistas não sabem exatamente como esse derretimento se desenrolará à medida que o clima aquecer.

Nossa pesquisa mais recente analisa como a camada de gelo da Antártida avançou e recuou nos últimos 10.000 anos. Ele contém avisos severos e possivelmente alguma esperança para o futuro.

O desequilíbrio atual
A futura elevação do nível do mar apresenta um dos desafios mais significativos das mudanças climáticas, com impactos econômicos, ambientais e sociais esperados para as comunidades costeiras em todo o mundo.

Embora pareça uma questão distante, as mudanças na Antártida podem em breve ser sentidas à nossa porta, na forma de aumento do nível do mar.

A Antártida abriga a maior massa de gelo do mundo: a camada de gelo da Antártida. Este corpo de gelo glaciar tem vários quilômetros de espessura, aninhado no topo de terra firme. Abrange cadeias de montanhas inteiras abaixo dela.

A camada de gelo “flui” sobre a terra do interior da Antártida e em direção ao oceano circundante. Como um todo, permanece uma massa sólida, mas sua forma se deforma lentamente à medida que os cristais de gelo se movem.

Enquanto o manto de gelo flui para fora, a queda de neve de cima o reabastece. Este ciclo deve manter o sistema em equilíbrio, em que o equilíbrio é alcançado quando a camada de gelo está ganhando a mesma quantidade de gelo que está perdendo para o oceano a cada ano.

No entanto, satélites vigiando de cima mostram que a camada de gelo não está em equilíbrio. Nos últimos 40 anos, perdeu mais gelo do que ganhou. O resultado foi o aumento global do nível do mar.

Mas essas observações históricas abrangem apenas quatro décadas, limitando nossa compreensão de como a camada de gelo responde às mudanças climáticas por períodos muito mais longos.

Queríamos olhar mais para trás no tempo – antes dos satélites – e mesmo antes dos primeiros exploradores polares. Para isso, precisávamos de arquivos naturais.

Desenterrando o passado da Antártida
Reunimos vários arquivos naturais para descobrir como a camada de gelo da Antártida mudou nos últimos 10.000 anos. Estes incluíram:

  • núcleos de gelo coletados do interior remoto da Antártida, que podem nos mostrar como a neve se acumulou no passado
  • rochas coletadas de picos de montanhas expostas, que revelam como a camada de gelo engrossou ou afinou com o tempo
  • núcleos de sedimentos coletados do fundo do mar, que revelam como a margem do manto de gelo – onde a borda do gelo terrestre encontra o oceano – avançou ou recuou
  • lama do lago e praias antigas, que revelam como o litoral mudou em resposta ao crescimento ou diminuição da camada de gelo

Quando começamos nossa pesquisa, eu não tinha certeza do que esperar. Afinal, esse período de tempo foi considerado bastante monótono, com apenas pequenas mudanças na margem de gelo.

No entanto, estudamos os diversos arquivos naturais um por um. O trabalho parecia um quebra-cabeça de 1.000 peças, cheio de peças de formato irregular e aparentemente sem borda reta. Mas uma vez que os juntamos, as peças se alinharam e a imagem ficou clara.

O mais impressionante foi um período de perda de gelo que ocorreu em todas as regiões da Antártida cerca de 10.000 a 5.000 anos atrás. Isso resultou em muitos metros de aumento do nível do mar globalmente.

Em algumas regiões da Antártida, no entanto, essa perda de gelo foi seguida por um ganho de gelo durante os últimos 5.000 anos – e uma queda do nível do mar global correspondente – à medida que a margem do manto de gelo avançou para onde está hoje.

Um aviso
Compreender como e por que a camada de gelo da Antártida mudou dessa maneira oferece lições para o futuro.

A primeira lição é mais um aviso. O período de perda de gelo de 10.000 a 5.000 anos atrás foi rápido, ocorrendo em uma taxa semelhante às partes mais dramáticas da camada de gelo da Antártida hoje.

Achamos que provavelmente foi o resultado da água quente do oceano derretendo a parte inferior das plataformas de gelo flutuantes – algo que também aconteceu nas últimas décadas. Essas plataformas de gelo retêm o gelo em terra, então, uma vez removidas, o gelo na terra flui mais rápido para o oceano.

No futuro, prevê-se que a perda de gelo acelere à medida que a camada de gelo recua para bacias abaixo do nível do mar. Isso pode já estar em andamento em algumas regiões da Antártida. E com base no que aconteceu no passado, a perda de gelo resultante pode persistir por séculos.

Saltando para trás
A segunda lição de nosso trabalho pode trazer alguma esperança. Cerca de 5.000 anos atrás, a margem do manto de gelo parou de recuar na maioria dos locais e, em algumas regiões, começou a avançar. Uma explicação para isso está relacionada ao período anterior de perda de gelo.

Antes que o gelo começasse a derreter, a camada de gelo da Antártida era muito mais pesada e seu peso era empurrado para a crosta da Terra (que fica no topo de um interior derretido). À medida que a camada de gelo derretia e se tornava mais leve, a terra abaixo dela teria se levantado – efetivamente puxando o gelo para fora do oceano.

Outra explicação possível é a mudança climática. Na orla costeira da Antártida, o oceano pode ter mudado temporariamente de águas mais quentes para mais frias na época em que a camada de gelo começou a avançar novamente. Ao mesmo tempo, mais nevascas ocorreram no topo da camada de gelo.

Nossa pesquisa apóia a ideia de que a camada de gelo da Antártida está prestes a perder mais gelo e aumentar o nível do mar, principalmente se o oceano continuar a aquecer.

Também sugere que a elevação da terra e o aumento da queda de neve têm o potencial de retardar ou compensar a perda de gelo. No entanto, este efeito não é certo.

O passado nunca pode ser um teste perfeito para o futuro. E considerando que o planeta está se aquecendo mais rápido agora do que naquela época, devemos ser cautelosos.

Este artigo é republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.

Categorias
Blog

Por que você não consegue se lembrar dos primeiros anos de sua vida? O que os cientistas sabem sobre a ‘amnésia infantil’

Sempre que ensino sobre memória na minha aula de desenvolvimento infantil na Rutgers University, começo pedindo aos meus alunos que se lembrem de suas primeiras memórias. Alguns alunos falam sobre seu primeiro dia de pré-escola; outros falam sobre uma ocasião em que se machucaram ou ficaram chateados; alguns citam o dia em que seu irmão mais novo nasceu.

Apesar das grandes diferenças nos detalhes, essas memórias têm algumas coisas em comum: são todas autobiográficas, ou memórias de experiências significativas na vida de uma pessoa, e normalmente não aconteciam antes dos dois ou três anos de idade. Na verdade, a maioria das pessoas não consegue se lembrar de eventos dos primeiros anos de suas vidas – um fenômeno que os pesquisadores apelidaram de amnésia infantil. Mas por que não podemos nos lembrar das coisas que nos aconteceram quando éramos crianças? A memória começa a funcionar apenas em uma certa idade?

Aqui está o que os pesquisadores sabem sobre bebês e memória.

Bebês podem formar memórias
Apesar do fato de que as pessoas não conseguem se lembrar muito antes dos 2 ou 3 anos de idade, pesquisas sugerem que os bebês podem formar memórias – mas não os tipos de memórias que você conta sobre si mesmo. Nos primeiros dias de vida, os bebês podem lembrar o rosto de sua própria mãe e distingui-lo do rosto de um estranho. Alguns meses depois, os bebês podem demonstrar que se lembram de muitos rostos familiares sorrindo mais para os que veem com mais frequência.

Na verdade, existem muitos tipos diferentes de memórias além daquelas que são autobiográficas. Existem memórias semânticas, ou memórias de fatos, como os nomes de diferentes variedades de maçãs, ou a capital do seu estado natal. Há também memórias de procedimento, ou memórias de como realizar uma ação, como abrir a porta da frente ou dirigir um carro.

Pesquisas do laboratório da psicóloga Carolyn Rovee-Collier nas décadas de 1980 e 1990 mostraram que bebês podem formar alguns desses outros tipos de memórias desde tenra idade. Claro, os bebês não podem dizer exatamente o que eles se lembram. Portanto, a chave para a pesquisa de Rovee-Collier foi desenvolver uma tarefa que fosse sensível às mudanças rápidas dos corpos e habilidades dos bebês, a fim de avaliar suas memórias por um longo período.

Na versão para bebês de 2 a 6 meses, os pesquisadores colocam o bebê em um berço com um móbile pendurado na cabeça. Eles medem o quanto o bebê chuta para ter uma ideia de sua propensão natural para mover as pernas. Em seguida, eles amarram um barbante da perna do bebê até o final do móbile, para que sempre que o bebê chutar, o móbile se mova. Como você pode imaginar, os bebês aprendem rapidamente que estão no controle – eles gostam de ver o móbile se mover e, por isso, chutam mais do que antes da corda estar presa à perna, mostrando que aprenderam que chutar faz o móbile se mover.

A versão para bebês de 6 a 18 meses é semelhante. Mas, em vez de ficar deitada em um berço – o que essa faixa etária simplesmente não faz por muito tempo – a criança senta no colo de seus pais com as mãos em uma alavanca que eventualmente fará um trem se mover em um trilho. A princípio, a alavanca não funciona e os pesquisadores medem o quanto um bebê pressiona naturalmente. Em seguida, eles ligam a alavanca. Agora, toda vez que o bebê o pressiona, o trem se move em torno de seus trilhos. Os bebês novamente aprendem o jogo rapidamente e pressionam a alavanca significativamente mais quando ela faz o trem se mover.

O que isso tem a ver com memória? A parte mais inteligente desta pesquisa é que, depois de treinar bebês em uma dessas tarefas por alguns dias, Rovee-Collier testou mais tarde se eles se lembravam. Quando os bebês voltaram ao laboratório, os pesquisadores simplesmente mostraram a eles o móbile ou trem e mediram se eles ainda chutavam e pressionavam a alavanca.

Usando esse método, Rovee-Collier e colegas descobriram que aos seis meses, se os bebês forem treinados por um minuto, eles podem se lembrar de um evento um dia depois. Quanto mais velhos os bebês, mais tempo eles se lembravam. Ela também descobriu que você pode fazer com que os bebês se lembrem de eventos por mais tempo treinando-os por períodos mais longos e dando-lhes lembretes – por exemplo, mostrando o celular se movendo rapidamente sozinho.

Por que não memórias autobiográficas?
Se os bebês podem formar memórias nos primeiros meses, por que as pessoas não se lembram das coisas daquela fase inicial da vida? Ainda não está claro se as pessoas experimentam amnésia infantil porque não podemos formar memórias autobiográficas ou se simplesmente não temos como recuperá-las. Ninguém sabe ao certo o que está acontecendo, mas os cientistas têm alguns palpites.

Uma é que as memórias autobiográficas exigem que você tenha algum senso de si mesmo. Você precisa ser capaz de pensar sobre seu comportamento em relação a como ele se relaciona com os outros. Pesquisadores testaram essa habilidade no passado usando uma tarefa de reconhecimento de espelho chamada teste rouge. Envolve marcar o nariz de um bebê com uma mancha de batom vermelho ou blush – ou “rouge”, como diziam na década de 1970, quando a tarefa foi criada.

Em seguida, os pesquisadores colocam o bebê na frente de um espelho. Bebês com menos de 18 meses apenas sorriem para o bebê fofo no reflexo, não mostrando nenhuma evidência de que eles se reconhecem ou a marca vermelha em seu rosto. Entre 18 e 24 meses, as crianças tocam o próprio nariz, mesmo parecendo envergonhadas, sugerindo que conectem o ponto vermelho no espelho com seu próprio rosto – elas têm algum senso de si mesmas.

Outra possível explicação para a amnésia infantil é que, como os bebês não têm linguagem até mais tarde no segundo ano de vida, eles não podem formar narrativas sobre suas próprias vidas que possam lembrar mais tarde.

Finalmente, o hipocampo, que é a região do cérebro que é amplamente responsável pela memória, não está totalmente desenvolvida no período da infância.

Os cientistas continuarão a investigar como cada um desses fatores pode contribuir para o motivo pelo qual você não consegue se lembrar muito ou nada sobre sua vida antes dos dois anos de idade.

Este artigo é republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.

Categorias
Blog

Uma startup está imprimindo em 3D braços biônicos para ucranianos feridos em conflito

Dois anos atrás, a startup de próteses Unlimited Tomorrow lançou o TrueLimb, seu braço biônico de última geração. Seis anos de pesquisa e desenvolvimento entraram no TrueLimb, e a tecnologia deu a centenas de pessoas nos EUA uma maneira acessível e não invasiva de substituir membros perdidos. Agora, uma nova iniciativa está levando o TrueLimb a uma parte do mundo onde muitas pessoas precisam dele: a Ucrânia.

Todos nós vimos as imagens e lemos as manchetes sobre bombardeios e baixas. O que não está nas notícias são os ferimentos que alteram a vida das pessoas, muitas delas crianças. Obter próteses personalizadas e de alta qualidade para pessoas em zonas de guerra teria sido impossível apenas cinco ou dez anos atrás, mas tecnologias digitais como impressão 3D, digitalização e modelagem significam que o custo das próteses está caindo e elas podem atingir quase qualquer parte do mercado. mundo.

História de origem
A Unlimited Tomorrow foi fundada em 2014 por Easton LaChappelle, agora com 25 anos, que estava aprendendo robótica e construindo próteses desde a escola primária. LaChappelle estava apresentando na feira de ciências do estado do Colorado em 2012, quando o braço robótico que ele construiu chamou a atenção de uma jovem com um braço protético. Conversando com a criança e seus pais, LaChappelle descobriu que a prótese levou meses para ser criada, custou US$ 80.000 e se tornaria praticamente inútil depois que a criança passasse pelo próxima fase de crescimento.

LaChappelle percebeu que tinha seu trabalho cortado para ele, e ele se empenhou em encontrar maneiras de fazer mais rapidamente braços protéticos melhores e mais baratos. Menos de 10 anos depois, ele e sua equipe reduziram o custo para menos de US$ 10.000 para próteses que são mais responsivas, leves e adaptáveis, e podem ser personalizadas sem que o usuário precise sair de casa.

A Tecnologia
Aqui está como funciona. O Unlimited Tomorrow envia às pessoas que solicitam uma prótese um scanner 3D, que eles usam para escanear seu membro residual. A empresa usa esses dados para projetar um conjunto de soquetes de teste (o componente que conecta o membro residual à prótese), que são enviados ao usuário. O usuário experimenta as diferentes tomadas e dá feedback à empresa sobre elas durante uma videoconferência, com o objetivo de encontrar a tomada mais confortável. O usuário seleciona seu tom de pele a partir de uma amostra com 450 opções, depois o Unlimited Tomorrow 3D imprime e monta a prótese personalizada e a testa antes de enviá-la.

O soquete, antebraço, palma e todos os dedos são impressos em nylon PA12 durável; apenas os eletrônicos, baterias, sensores e porcas e parafusos não são impressos em 3D. Um conjunto de até 36 sensores está embutido no soquete, cada sensor calibrado para os locais musculares do usuário; de acordo com LaChappelle, a matriz capta o movimento muscular em uma resolução mais alta do que o padrão da indústria. Os sensores leem sinais de nervos na parte superior do braço usados ​​para controlar movimentos como dobrar os dedos, traduzindo esses sinais em ação.

As mãos têm articulações de dedos independentes e seis pegas adaptáveis, que se adaptam aos objetos com os quais o usuário entra em contato, e vibrações sutis servem como feedback para informar ao usuário quando o braço entra em contato com algo, imitando uma sensação de toque.

Fazendo a diferença em uma zona de conflito
Em meados de julho, a ONU estimava que mais de 6.500 civis haviam sido feridos na Ucrânia, incluindo centenas de crianças. O Gabinete do Alto Comissariado para os Direitos Humanos acredita que os números reais são muito maiores, pois há atrasos nas informações provenientes de zonas de conflito e muitos relatórios ainda estão pendentes de comprovação. A maioria das mortes e ferimentos relatados são causados ​​por armas explosivas com efeitos de ampla área, como bombardeios de artilharia pesada, sistemas de lançamento de foguetes e mísseis e ataques aéreos.

Entre os feridos estão muitos que perderam membros em explosões. A Unlimited Tomorrow fez uma parceria com o Singularity Group para arrecadar US $ 1 milhão para dar às vítimas amputadas acesso a próteses. A um custo de US$ 10.000 cada, a iniciativa visa entregar próteses a 100 ucranianos feridos. As empresas lançaram uma campanha GoFundMe no início deste mês.

[O Singularity Group é a empresa controladora do Singularity Hub]

A iniciativa é uma prova de como a tecnologia pode democratizar o acesso a soluções para todos os tipos de problemas, de medicamentos a alimentos, abrigo e roupas. Se armas protéticas de alta qualidade podem ser levadas para uma zona de guerra, isso significa que outras pessoas necessitadas em todo o mundo também podem acessá-las. Arrecadar um milhão de dólares para ajudar cem pessoas é factível; se as próteses ainda custassem US$ 100.000 cada, seria uma história diferente.

Apesar do progresso que empresas como a Unlimited Tomorrow fizeram, ainda há trabalho a ser feito. Como os custos podem ser reduzidos e a acessibilidade melhorada ainda mais? Especialmente para as crianças, à medida que crescem, mais de uma prótese provavelmente será necessária em um período relativamente curto. E como será a tecnologia protética em cinco ou dez anos? Em vez de ter membros feitos em uma instalação de produção e enviados para fora, talvez usuários de próteses possam acessar impressoras 3D localmente para fazer peças de reposição (ou até mesmo braços inteiros) por conta própria. Talvez um material mais durável e de menor custo entre em cena, e as melhorias na robótica e na IA tornem os braços mais funcionais.

Quaisquer que sejam os próximos passos, esta e outras tecnologias que podem ser usadas para objetivos humanitários têm espaço para crescer, e iniciativas como Prosthetic Arms for Ukraine mostram que vale a pena o esforço.