Amii amplia parceria para adoção de IA e apoiar mais 25 empresas

Amii, o Alberta Machine Intelligence Institute, está ampliando sua parceria com a agência canadense de desenvolvimento econômico regional PrairiesCan para ajudar mais 25 pequenas e médias empresas a desenvolver capacidades práticas em IA. O anúncio de 27 de outubro acrescenta C$ 2,5 milhões em apoio federal, elevando o investimento federal total na iniciativa a C$ 5,6 milhões.

A expansão abrange Alberta, Saskatchewan e Manitoba, com projetos iniciais em andamento nos setores de energia, agricultura e manufatura. Segundo a Amii, desde o lançamento do programa, em 2024, a iniciativa já trabalhou com 30 empresas da região. A abordagem aproxima as empresas de especialistas em aprendizado de máquina para desenvolver sistemas com base em seus próprios dados operacionais e capacitá-las a manter esses sistemas.

Uma parceria de pesquisa voltada à implementação

Com sede em Edmonton, a Amii é uma organização independente sem fins lucrativos e um dos três institutos nacionais de IA do Canadá no âmbito da Pan-Canadian AI Strategy. Sua história remonta ao Alberta Ingenuity Centre for Machine Learning, fundado em 2002; em 2017, tornou-se uma organização independente sem fins lucrativos com o nome Amii. Seu trabalho conecta pesquisa, desenvolvimento de talentos e aplicações comerciais.

A Prairies Economic Development Canada, conhecida como PrairiesCan, é a agência federal que apoia o desenvolvimento econômico nas três províncias participantes. Para leitores internacionais, a parceria é um exemplo de como o investimento público pode ajudar empresas menores a acessar conhecimentos técnicos especializados que seriam difíceis de reunir por conta própria.

O modelo de desenvolvimento de IA da Amii designa um profissional residente em aprendizado de máquina, em tempo integral, para trabalhar no projeto de uma empresa, sob a supervisão de cientistas da equipe. Esse profissional trabalha com a equipe da empresa no desenvolvimento e nos testes do modelo, e a empresa tem a opção de contratá-lo depois. A oferta geral prevê um compromisso de 12 a 15 meses, embora o escopo e o custo de cada projeto variem.

As empresas mantêm a propriedade intelectual desenvolvida durante o projeto e recebem documentação e transferência de conhecimento. Com isso, o objetivo da parceria difere do simples fornecimento de um protótipo terceirizado: a empresa deve ser capaz de adaptar o sistema depois que a equipe externa de pesquisa deixar o projeto.

Croptimistic: visão computacional capaz de lidar com condições reais de campo

A Croptimistic Technology desenvolve o ecossistema de agricultura de precisão SWAT MAPS, que combina informações sobre solo, água e topografia para orientar o manejo das lavouras. Seu produto SWAT CAM captura imagens durante as operações normais de pulverização e usa aprendizado de máquina para analisar culturas e ervas daninhas.

A colaboração com a Amii abordou culturas de cereais no início da estação, como trigo e aveia. Suas folhas estreitas e sobrepostas dificultam a distinção entre plantas individuais. A equipe desenvolveu modelos especializados de visão computacional para analisar copas densas e lidar com condições desafiadoras de captura de imagens, incluindo poeira, reflexos e vento.

As informações sobre o produto da Croptimistic explicam como câmeras montadas em pulverizadores conectam imagens detalhadas das lavouras às zonas de manejo. O benefício prático de detectar melhor as culturas está no nível de detalhe espacial: os produtores podem examinar a irregularidade do estabelecimento das culturas e a pressão de ervas daninhas em toda a lavoura, em vez de depender apenas de algumas observações manuais.

Carson Integrated: transformando registros ambientais em previsões

A Carson Integrated é uma consultoria ambiental e florestal que, entre outros serviços, fornece informações geoespaciais para projetos de recursos naturais. Seu desafio era classificar cursos d’água, o que ajuda a determinar as faixas de proteção ao redor deles.

O estudo de caso da Carson da Amii descreve um modelo desenvolvido com cerca de duas décadas de dados coletados, incluindo medições de campo e informações de sensoriamento remoto. O desenvolvimento dos atributos analisou características do terreno e do ambiente; o tamanho da saída da bacia hidrográfica mostrou-se particularmente útil. O estudo relata uma precisão média de classificação de aproximadamente 75% quando os dados apropriados estavam disponíveis.

A aplicação ilustra como o conhecimento especializado no domínio molda o aprendizado de máquina para que seja útil. Identificar um curso d’água em imagens é uma tarefa diferente de prever sua classificação regulatória. As previsões podem ajudar a priorizar trabalhos de avaliação em terrenos remotos, mas sua precisão e adequação ainda precisam ser avaliadas em função das decisões que apoiam.

Visionstate: agendamento como problema de otimização com restrições

A Visionstate desenvolve software para operações prediais, inspeções e verificação de serviços. Seu site atual destaca o MIRA, uma plataforma que conecta relatórios, inspeções, ordens de serviço e supervisão. O projeto com a Amii concentrou-se na plataforma de gestão de instalações WANDA, da empresa.

O estudo de caso detalhado explica que as rotas e os cronogramas de limpeza foram formulados como um problema de otimização com restrições. O sistema precisa alocar uma equipe de tamanho fixo, respeitando a disposição dos locais, os requisitos de serviço e as regras de conformidade, ao mesmo tempo que equilibra eficiência e equidade.

O trabalho também apoiou a TidyLogic, um produto de planejamento de recursos, e uma ferramenta para estimar os custos de limpeza em serviços de saúde. O estudo de caso descreveu a TidyLogic em versão beta e o modelo em fase de integração à época. Essas distinções são importantes: o desenvolvimento de um produto comercial e a implantação completa de um sistema de otimização são etapas distintas.

Ambyint: desenvolvendo experiência em aprendizado por reforço

A Ambyint fornece software de otimização da produção para empresas dos setores de petróleo e gás. Sua plataforma atual combina modelos orientados pela física com controle automatizado, incluindo ajustes nos parâmetros de operação dos equipamentos por meio de uma infraestrutura de monitoramento industrial.

O projeto da Amii explorou o aprendizado por reforço em poços com elevação por pistão, nos quais a alteração dos limites de pressão afeta a remoção dos líquidos acumulados. A escassez de informações sobre as condições em grandes profundidades dificulta a simulação e o controle. A equipe testou abordagens baseadas em dados históricos e métodos orientados pela física para aprimorar as decisões.

O estudo de caso é explícito quanto ao resultado: os modelos experimentais não aumentaram a eficiência em relação à automação existente da Ambyint e ainda não eram confiáveis nem responsivos o suficiente para a produção. O benefício foi uma equipe interna mais bem preparada e uma compreensão mais clara de onde eram necessárias novas pesquisas. Esse é um resultado útil da adoção, mesmo quando não leva imediatamente a um modelo pronto para implantação.

Riva: tornando os dados corporativos úteis para a IA

A Amii também aponta a Riva, sediada em Edmonton, como uma das primeiras beneficiárias, citando avanços rumo a soluções prontas para produção sem revelar a arquitetura específica do modelo.

A plataforma da Riva conecta informações de e-mails, calendários, contatos e reuniões a sistemas de gestão de relacionamento com o cliente. Entre seus recursos estão resumos de conversas gerados por IA e registros estruturados de reuniões, que as equipes podem revisar e associar a registros de CRM. Isso representa um contexto de adoção diferente do da análise de imagens em campo ou do controle industrial: o desafio é tornar úteis as interações comerciais sem abrir mão da governança e da revisão humana.

Por que o modelo é importante além do Canadá

As empresas participantes demonstram que a adoção da IA abrange visão computacional, modelagem preditiva, otimização com restrições, aprendizado por reforço e fluxos de trabalho com informações corporativas. Cada área exige dados, métodos de avaliação e conhecimentos operacionais diferentes.

A importância mais ampla da parceria está na ênfase que dá à autonomia e à capacidade técnica. Uma empresa obtém mais do que um modelo quando sua própria equipe aprende como ele foi desenvolvido, como testá-lo e em que situações suas previsões são confiáveis. Para as empresas menores, transferir essas capacidades pode ser tão decisivo quanto a entrega inicial do software.