O trabalho, de autoria dos pesquisadores do ICoNIoT João V. D. Sobrinho (UFRJ) e Miguel E. M. Campista (UFRJ), foi apresentado no XVIII Simpósio Brasileiro de Computação Ubíqua e Pervasiva no CSBC 2026
Esta pesquisa surgiu a partir de um projeto relacionado à indústria automotiva, e investiga um problema importante para aplicações de Inteligência Artificial: como treinar modelos de visão computacional quando há poucos dados rotulados disponíveis?
No aprendizado supervisionado, a máquina precisa de exemplos acompanhados de rótulos — algo semelhante a um gabarito. O modelo recebe uma imagem, produz uma resposta, compara essa resposta com o rótulo correto e, a partir do erro, ajusta seu comportamento. Quanto melhores e mais numerosos forem os exemplos utilizados no treinamento, maior tende a ser a capacidade do modelo de realizar a tarefa.
No projeto que deu origem ao trabalho, o objetivo é utilizar aprendizado federado no contexto automotivo, especialmente por questões relacionadas à privacidade dos dados. Uma das aplicações consideradas é a identificação de VRUs (Vulnerable Road Users, ou usuários vulneráveis da via) — como pedestres, ciclistas e skatistas — para que um sistema possa reconhecê-los e emitir alertas aos motoristas.
Para que esse sistema funcione, entretanto, o modelo precisa aprender a identificar esses usuários nas imagens. Há, nesse contexto, uma questão fundamental: quem vai dizer à máquina o que existe em cada imagem?
Imagine que sejam coletadas milhares de imagens de ruas e estradas. Para utilizá-las no treinamento, seria necessário que alguém identificasse e marcasse, uma a uma, a presença de pedestres, ciclistas e outros elementos. Esse processo de rotulagem é trabalhoso, caro e pouco escalável. Além disso, em um cenário real, não seria razoável esperar que o próprio cliente ou usuário final tivesse que realizar esse trabalho.
Uma alternativa é utilizar um modelo previamente treinado para produzir automaticamente esses rótulos. O problema é que esse modelo também pode cometer muitos erros. Se os rótulos gerados forem incorretos, esses erros acabam sendo incorporados ao treinamento e podem comprometer o desempenho do modelo final.
É nesse ponto que entra o SAM3, utilizado no trabalho para gerar pseudo-rótulos. Em vez de depender exclusivamente de uma pessoa para identificar manualmente os objetos nas imagens, utiliza-se o modelo para produzir automaticamente esses rótulos. A proposta é avaliar se esses pseudo-rótulos podem melhorar a qualidade dos dados disponíveis e, consequentemente, o desempenho do sistema de detecção de objetos em um cenário de escassez de rótulos.
O termo pseudo-rótulo vem justamente do fato de que o rótulo não foi produzido diretamente por um ser humano, mas pelo próprio modelo de Inteligência Artificial.
Há, porém, uma questão importante relacionada à privacidade. O SAM3 é um modelo da Meta e, quando imagens são enviadas para uma solução externa, surge a preocupação sobre o que acontece com esses dados. No trabalho, o SAM3 é executado localmente, reduzindo riscos relacionados à privacidade ao não envolver o envio dessas imagens a um serviço externo .
Da pesquisa ao mundo real
Um dos pontos levantados por Miguel Elias M. Campista é que a questão da rotulagem em aprendizado federado ainda é pouco explorada sob uma perspectiva prática. Existe uma quantidade significativa de pesquisa sobre os modelos e métodos, mas outra pergunta permanece em aberto: como transformar essas soluções em sistemas que possam efetivamente funcionar no mundo real?
Quando uma tecnologia sai do ambiente controlado da pesquisa acadêmica e passa a ser incorporada a um produto ou serviço, surgem diversos desafios que nem sempre aparecem nos experimentos científicos, ou que se intensificam ainda mais, como privacidade, qualidade dos dados, custos de implementação, infraestrutura, escalabilidade e interação com usuários reais.
Assim, o trabalho não trata apenas de encontrar uma maneira de melhorar a detecção de objetos. Ele também se insere em uma questão maior: que é a de como fazer a ponte entre o conhecimento produzido na academia e sua implementação em aplicações reais.
Leia o artigo completo nos anais do CSBC https://sol.sbc.org.br/index.php/sbcup/article/view/43295