Vamos dar uma olhada nos blocos de construção da IA e seu efeito no setor de AEC.

O conceito de criar máquinas que pensam e agem como seres humanos existe desde a antiguidade - como a história de Talos, um robô gigante de bronze da mitologia grega. Na história, o deus Hefesto criou Talos para proteger a ilha de Creta. Essa figura mecânica podia patrulhar a costa da ilha e atirar pedras em qualquer navio que tentasse invadi-la. Talos é um dos primeiros exemplos de um ser projetado para fazer um trabalho específico - assim como os sistemas modernos de IA, que são criados para nos ajudar em diferentes tarefas.

Depois que a IA, como a conhecemos, começou a tomar forma em meados do século XX, ela se tornou parte integrante de nossa vida diária, muitas vezes trabalhando nos bastidores de maneiras que nem sempre percebemos. Assistentes virtuais como Siri e Alexa nos ajudam a gerenciar tarefas, definir lembretes e responder a perguntas usando a capacidade da IA de entender e processar a linguagem natural. Plataformas de mídia como Netflix e Spotify usam IA para analisar nossas preferências e adaptar o conteúdo ao nosso gosto. A tecnologia de reconhecimento facial usa a IA para nos permitir desbloquear nossos smartphones ou marcar amigos em fotos. A capacidade da IA de entender e gerar linguagem humana potencializa os chatbots que lidam com consultas de atendimento ao cliente ou fornecem suporte em sites, tornando as interações mais rápidas e convenientes. Ela já está em toda parte.

Ideias dentro de ideias

Você pode ouvir alguns termos aparentemente intercambiáveis: inteligência artificial, aprendizado de máquina, aprendizado profundo, redes neurais. Você pode pensar nesses termos quase como bonecos aninhados, com cada termo subsequente contido no anterior.

Inteligência artificial é um termo genérico para máquinas que resolvem problemas e se comunicam como seres humanos. O aprendizado de máquina é um subconjunto da IA em que as máquinas "aprendem" com os dados para tomar decisões ou fazer previsões sem serem explicitamente programadas. O aprendizado de máquina clássico geralmente requer alguma interação humana para classificar os dados usados antes que as máquinas possam efetivamente aprender com eles.

A aprendizagem profunda é um subconjunto especializado de máquinas. Ela usa uma técnica matemática de muitas camadas chamada redes neurais para simular o poder de processamento de um cérebro humano e é particularmente boa para reconhecer padrões em grandes quantidades de dados, como imagens ou fala.

Embora a aprendizagem automática clássica também use redes neurais, elas tendem a ser bastante superficiais, usando apenas uma ou duas camadas computacionais. A aprendizagem profunda, como o próprio nome sugere, usa redes neurais com centenas ou milhares de camadas, o que permite que ela se envolva em processos complexos.
solução de problemas, como automatizar tarefas sem o envolvimento humano. A aprendizagem profunda é mais autônoma e pode lidar com grandes quantidades de dados brutos, mas também requer muito mais pontos de dados e poder computacional do que a aprendizagem de máquina clássica.

Quando os computadores respondem

Algumas das interações públicas mais comuns com a IA incluem linguagem ou imagens, como um chatbot que responde a perguntas ou um gerador de imagens. Essas funções utilizam subcampos de aprendizado de máquina chamados Processamento de Linguagem Natural (NLP) e Visão Computacional para processar dados de linguagem e imagens.

Como o nome sugere, o Processamento de Linguagem Natural concentra-se na interação entre computadores e seres humanos por meio da linguagem. Inicialmente criado na década de 1950 para ajudar na tradução, o PLN permite que as máquinas entendam, interpretem e respondam à linguagem humana. Grandes modelos de linguagem (LLM), como o ChatGPT, dependem da PNL para analisar a entrada de linguagem e criar uma saída legível. A visão computacional concentra-se na interpretação e na tomada de decisões com base em informações visuais. É por meio da visão computacional que a IA pode reconhecer objetos, rostos ou até mesmo diagnosticar condições médicas a partir de imagens. Mas a PNL e a visão computacional sozinhas não podem criar um chatbot ou uma imagem totalmente nova a partir de um prompt...

Originalmente, os modelos de linguagem dependiam muito das Redes Neurais Recorrentes (RNNs) e das redes de Memória de Curto Prazo Longo (LSTM). Esses modelos foram projetados para processar o texto sequencialmente, ou seja, eles liam e geravam palavras uma de cada vez, mantendo uma memória das palavras anteriores. Embora essa abordagem funcionasse razoavelmente bem, ela tinha limitações significativas: Os modelos frequentemente "esqueciam" contextos importantes de partes anteriores de uma frase ou parágrafo. Eles eram lentos e caros do ponto de vista computacional porque processavam o texto palavra por palavra, o que dificultava o dimensionamento para conjuntos de dados maiores.

Sua natureza sequencial dificultou a paralelização dos cálculos, dividindo cada tarefa em subtarefas, que podem ser executadas simultaneamente, limitando ainda mais seu desempenho em tarefas de grande escala.

A introdução do modelo de transformador em 2017, por meio do artigo "Attention is All You Need" de Vaswani et al. O modelo de transformador abordou muitas das deficiências dos modelos existentes usando um mecanismo de atenção que permitiu processar sequências inteiras de texto de uma só vez, em vez de palavra por palavra. Um ano depois, a OpenAI começou a introduzir uma série de Transformadores Generativos Pré-treinados (GPT) capazes de gerar texto. Esses transformadores foram pré-treinados em um enorme conjunto de dados contendo uma ampla variedade de textos da Internet, incluindo livros, artigos e sites.

Embora os transformadores e os LLMs tenham feito avanços significativos, ainda há desafios para garantir que os modelos sejam precisos, atualizados e capazes de lidar com tarefas mais complexas. É nesse ponto que inovações como Retrieval-Augmented Generation (RAG) e sistemas multiagentes entram em ação. Uma limitação dos LLMs é que, uma vez treinados, eles dependem exclusivamente dos dados que receberam durante o treinamento. Isso significa que, às vezes, eles podem fornecer informações desatualizadas ou incorretas. O RAG resolve esse problema combinando os recursos de geração dos LLMs com a capacidade de recuperar informações relevantes de fontes externas, como bancos de dados ou a Web, em tempo real. Os LLMs também são limitados quando solicitados a executar tarefas que exigem atenção a várias fontes: eles podem começar a "alucinar", dando respostas inventadas ou incorretas.

É nesse ponto que a abordagem do sistema multiagente é interessante. A ideia é usar vários agentes de IA para trabalhar em conjunto e atingir um objetivo. Cada agente em um sistema multiagente pode se especializar em diferentes tarefas, como tomada de decisões, solução de problemas ou percepção. Ao colaborar, esses agentes podem lidar com tarefas mais complexas do que qualquer agente poderia fazer sozinho.

IA e automação no setor de AEC

O setor de AEC ainda é relativamente novo quando se trata do uso de IA. De acordo com o mais recente Índice de Digitalização Industrial, publicado pelo McKinsey Global Institute Findings em 2016, o setor de construção dos Estados Unidos é um dos menos digitalizados, ficando à frente apenas da agricultura e da caça. Existem algumas barreiras difíceis para a adoção da IA na construção: as empresas podem ter aversão a abordagens de investimento reativas e de alto risco ou desconfiar da falta de padrões, das lacunas de habilidades, da resistência cultural e da complexidade geral do segmento. Mas, ao tentar rastrear as tendências, basta seguir o dinheiro: entre 2020 e 2022, os investimentos globais em tecnologias de AEC aumentaram para $50 bilhões, o que sugere um aumento iminente na adoção.

Estudos e artigos acadêmicos mostram aplicações úteis para IA em todas as fases do ciclo de vida de um projeto. Marzouk e Abubakr investigaram a aplicação de algoritmos genéticos para identificar o posicionamento mais eficiente de guindastes em um canteiro de obras; o estudo de Edirisinghe usou sensores de localização em tempo real para investigar a ergonomia dos trabalhadores da construção civil, concentrando-se na análise de seu comportamento durante o manuseio de materiais para identificar possíveis riscos. Jiang et al. apresentaram uma metodologia para usar a IA para detectar e classificar danos no concreto.

Os avanços econômicos e científicos são necessários para uma transformação digital
mas eles não são o único obstáculo no caminho. Nenhuma mudança maciça pode ocorrer sem uma ampla aceitação, e a montanha-russa que é a reação humana à IA é acidentada.

Em um primeiro momento, as pessoas ficam encantadas com os avanços e as possibilidades tecnológicas, mas essa empolgação inicial costuma ser sufocada pela preocupação de serem substituídas. As pessoas podem se sentir desanimadas ou desesperadas até perceberem que as ferramentas de IA ainda não estão maduras o suficiente para tomar o lugar de um ser humano. Por fim, a maioria pode aceitar e se adaptar à nova realidade da IA, percebendo que a IA é uma ferramenta que pode facilitar nosso trabalho sem remover totalmente o elemento humano.

Segurança cibernética em uma era de IA

No cenário digital de hoje, a segurança cibernética é uma preocupação fundamental, com
Os custos do crime cibernético devem chegar a $10,5 trilhões por ano até 2025, de acordo com a Cybersecurity Ventures. Esse número surpreendente destaca a frequência e a sofisticação crescentes dos ataques cibernéticos. À medida que os sistemas de IA se tornam mais difundidos, eles trazem riscos específicos à segurança cibernética, incluindo envenenamento de dados, modelos maliciosos, evasão de modelos e roubo de modelos. O envenenamento de dados ocorre quando os invasores inserem dados prejudiciais nos conjuntos de treinamento de IA, levando a decisões errôneas. Os modelos maliciosos são projetados intencionalmente para produzir resultados prejudiciais ou tendenciosos. A evasão de modelos envolve a manipulação de entradas para induzir a IA a tomar decisões incorretas, enquanto o roubo de modelos ocorre quando um invasor rouba ou replica um modelo de IA, arriscando a perda de propriedade intelectual e o comprometimento das defesas. Compreender e mitigar esses riscos é essencial, pois a IA desempenha um papel mais importante nos sistemas críticos.

Além da segurança cibernética, o uso da IA também gera implicações jurídicas significativas, principalmente em relação à privacidade dos dados. Regulamentos como o GDPR e a CCPA impõem regras rígidas sobre como os dados pessoais são gerenciados. Os modelos de IA também podem perpetuar preconceitos de forma não intencional, levando a desafios legais. Proteger a propriedade intelectual das inovações de IA e garantir a transparência nas decisões de IA é fundamental para manter a confiança e a conformidade legal. Para lidar com essas preocupações, as equipes de IA e jurídica da DG estão trabalhando ativamente em políticas abrangentes de IA e dados, que estarão disponíveis em breve para orientar nossas práticas e garantir a conformidade regulamentar.

---

A segurança cibernética pode parecer complexa, mas algumas regras de bom senso podem ajudar a manter você e suas informações seguras. Aqui estão algumas dicas de Ryan MacGillivary, da DG IT, para ajudar você a se manter seguro:

• Não compartilhe informações pessoais! Evite compartilhar detalhes confidenciais, como nome completo, endereço, número de telefone ou informações financeiras. Você não sabe com que segurança os dados são armazenados ou quem pode acessá-los.
• Cuidado com plug-ins e aplicativos falsos! Aplicativos falsos de IA podem roubar dados confidenciais quando instalados. Um plug-in falso do ChatGPT na Google Webstore roubou credenciais do Facebook e foi baixado milhões de vezes antes de ser removido.
• Não forneça informações comerciais à IA! Não faça upload de fluxos de processo, diagramas de rede ou trechos de código. O próximo usuário poderá obter suas informações como saída do ChatGPT. Qualquer dado confidencial fornecido à IA está sujeito a vazamento.
• Cuidado com as falsificações! Os criminosos usam a IA para falsificar cartas, e-mails ou até mesmo chamadas telefônicas para enganar e extorquir as vítimas. Fique atento a sinais reveladores de IA em fotos, como extremidades incompatíveis ou sombras e iluminação que não fazem sentido.
• Seja legal com a IA! Se você tratar a IA com respeito, talvez consiga sobreviver quando a Skynet assumir o controle.

---

IA na DG

Então, como a DG está se engajando na revolução da IA? Atualmente, estamos concentrados em dois projetos, ambos com o objetivo de acelerar e melhorar a qualidade do nosso trabalho.

Durante a geração de propostas e as fases preliminares do projeto, criamos estimativas de custo de homem-hora e de projeto - geralmente um procedimento complicado, especialmente para funcionários menos experientes. Para ajudar nessa tarefa, estamos trabalhando em um banco de dados de projetos e em uma ferramenta de estimativa preliminar de custo e homem-hora. A ferramenta comparará o novo projeto com os do banco de dados, considerando parâmetros como tamanho, cliente, local, etc., para melhorar e otimizar nossas estimativas. Nosso segundo projeto, "Code Experts", concentra-se no desenvolvimento de um chat para apoiar a pesquisa de códigos internacionais, acelerando assim o processo de projeto e a confirmação de requisitos.

Há muitas outras maneiras de utilizar a IA para auxiliar e melhorar nosso trabalho, mas primeiro precisamos superar um dos maiores desafios da implementação da IA: a qualidade e a disponibilidade dos dados. Os modelos de IA dependem de grandes quantidades de dados limpos e bem organizados. Precisamos limpar nossos dados atuais e utilizar um sistema de gerenciamento de dados antes de podermos alimentar as ferramentas de IA.

A IA tem o potencial de trazer benefícios significativos para nossa empresa. Sim, ela pode trazer velocidade, qualidade e suporte ao projeto, mas também pode aprimorar nossos processos internos, fluxos de trabalho e até mesmo apoiar a tomada de decisões. A IA e a automação estão remodelando nosso setor, impulsionando a eficiência, melhorando a segurança e abrindo novas possibilidades em projeto e construção.

Como essas tecnologias continuam a evoluir, é fundamental que todos nós aceitemos as mudanças e vejamos como elas podem melhorar nossas funções individuais e o desempenho geral da empresa. A inovação geralmente começa com uma ideia simples, e sua perspectiva pode ajudar a moldar o futuro da IA em nossa empresa. Juntos, podemos aproveitar o poder da IA para causar um impacto duradouro em nossa empresa e no setor.