Inteligência artificial converte câmeras de segurança em sistemas de monitoramento ativo

Roseli Andrion | Agência FAPESP – A startup Noleak desenvolveu uma solução para otimizar o uso de câmeras de segurança, transformando milhares de horas de vídeo em informação útil. A ferramenta, chamada Agatha, usa inteligência artificial (IA) para aprender os padrões de comportamento de ambientes monitorados e emitir alertas quando há alguma alteração. Desse modo, o sistema converte câmeras passivas em dispositivos de monitoramento ativo, descarta imagens que não exigem atenção e permite que um único profissional acompanhe milhares de telas sem se perder em notificações irrelevantes.

Para criar a solução, Rafael Libardi, fundador da startup, questionou os limites dos sistemas tradicionais: por que as câmeras de segurança ainda funcionam, em grande parte, como sensores de movimento sofisticados, mas pouco inteligentes? A lógica da plataforma foi testada inicialmente no universo da proteção de dados digitais, quando Libardi atuava em um projeto das Forças Armadas de um país da América Latina. O objetivo era identificar comportamentos anômalos em redes internas de computadores – técnica comum na prevenção de ataques cibernéticos – para detectar invasões de países estrangeiros à infraestrutura digital local. Para isso, o sistema utilizava o reconhecimento de padrões de comunicação incomuns na rede.

Libardi percebeu que o método poderia ser aplicado a imagens de câmeras de segurança. Para isso, bastava substituir os pacotes de dados por pixels e os ataques cibernéticos por comportamentos fora do padrão. “O que existia no mercado era basicamente a detecção de movimento e, para qualquer desvio, havia um alerta. Isso produzia milhares de notificações por hora e tornava o sistema pouco útil”, diz. “Decidi juntar o que eu sabia em cibersegurança com a segurança visual.”

Na transição para o monitoramento físico, em vez de operar por meio de regras fixas programadas, a plataforma observa o ambiente por um período e estabelece o que é considerado normal naquele contexto: quais locais costumam ter carros estacionados, quais horários registram maior movimento e em quais regiões o trânsito é frequente. A partir dessa linha de base, quando ocorrem desvios, o sistema emite alertas e os encaminha para a avaliação humana.

Libardi cita estudos sobre vigilância por vídeo para ilustrar os limites da atenção humana nesse tipo de tarefa. Pesquisas sobre monitoramento de CFTV (circuito fechado de televisão) indicam que a perda de foco ocorre de forma rápida. Um estudo clássico da área aponta que, após cerca de 12 minutos de observação contínua, um operador pode deixar de perceber até 45% da atividade na tela. Após 22 minutos, até 95% do que acontece passa despercebido, mesmo quando poucas câmeras estão em exibição.

Nesse contexto, um operador humano consegue acompanhar com qualidade apenas algumas dezenas de câmeras antes que a fadiga comprometa a vigilância. Com a triagem automatizada, o profissional pode supervisionar de 1 mil a 2 mil câmeras simultaneamente, porque recebe apenas os trechos que exigem análise. Na prática, a ferramenta filtra mais de 99,8% das imagens irrelevantes e preserva a atenção do analista para decidir sobre o que realmente importa. “Ele vê só o que está estranho”, resume o pesquisador.

Avalanche de dados

O número de câmeras instaladas cresce continuamente em condomínios, empresas, vias públicas e eventos. A Associação Brasileira das Empresas de Sistemas Eletrônicos de Segurança (Abese) estima que o segmento faturou R$ 14 bilhões em 2024, o que representa um crescimento de 16,1% em relação ao ano anterior.

Nesse cenário, a diferença entre simplesmente gravar tudo e compreender o que foi gravado pode determinar a eficiência de políticas de segurança e de processos industriais. “Câmera sem análise é apenas um arquivo enorme que raramente é consultado de forma produtiva”, avalia Libardi.

Além do acompanhamento em tempo real, a tecnologia viabiliza a chamada análise forense, que consiste na revisão automatizada de grandes volumes de vídeo para isolar rapidamente os momentos em que algo atípico foi registrado.

Uma distribuidora de energia de Minas Gerais, por exemplo, enfrentava furtos recorrentes em subestações e, após cada ocorrência, a equipe técnica precisava revisar semanas de gravação. Com a intervenção da Agatha, horas de vídeo foram reduzidas aos dez minutos exatos que continham o momento da invasão. O procedimento permitiu identificar um prestador de serviço em uma área restrita; ele conhecia o local e agia contando com a premissa de que a extensão do material gravado tornaria o rastreamento inviável em tempo hábil.

Outras aplicações

A solução também tem sido utilizada em contextos distantes da segurança tradicional. As aplicações incluem a identificação do uso correto de equipamentos de proteção individual (EPI) – como capacetes, coletes e óculos –, a detecção de comportamentos que antecedem acidentes de trabalho e o controle de estoque em galpões.

O critério é o mesmo para todos os casos: se um operador humano consegue perceber o problema ao olhar para a tela, a tecnologia também pode ser treinada para detectá-lo. “Qualquer processo que depende do olho humano para análise de imagem pode, em princípio, ser automatizado. Basta pesquisa, contexto adequado e posicionamento correto dos dispositivos”, afirma Libardi.

Um exemplo dessa versatilidade é a identificação de desgaste em correntes de grande porte em uma indústria do setor agroindustrial em Belém (PA). Antes de adotar a ferramenta, as paradas não programadas de máquinas já somavam mais de R$ 100 milhões em prejuízos em um único ano. Com a tecnologia, o sistema passou a emitir alertas preventivos a partir da identificação de desvios sutis nos padrões, como uma vibração atípica, uma inclinação irregular ou uma mudança visual na textura de um componente.

Outro projeto utilizou a tecnologia para realizar a contagem de sacos de cimento, ração e grãos em tempo real no Porto de Santos, substituindo processos manuais propensos a erros.

Período de aprendizado

O tempo de adaptação da ferramenta varia conforme a complexidade da aplicação. O monitoramento de uso de EPIs pode ser implementado em menos de 24 horas, enquanto a contagem de sacarias em portos pode ser ajustada em cerca de uma semana. Por outro lado, aplicações industriais muito específicas podem exigir meses de adequação dos algoritmos.

Em condomínios residenciais e bairros monitorados, a IA mapeia as placas dos veículos dos moradores e sinaliza quando automóveis desconhecidos permanecem nos arredores por tempo incomum. Em uma situação específica, a solução emitiu um alerta quando uma criança se aproximou do portão automático da garagem no momento da abertura. O sistema identificou que a combinação das variáveis – criança, movimento do portão e proximidade – configurava uma anomalia, permitindo que o operador interrompesse o mecanismo a tempo.

Eventos de grande porte também podem ser supervisionados pela ferramenta. Em festivais e festas populares, a combinação de análise comportamental e integração com sistemas públicos pode ampliar significativamente a capacidade de resposta das equipes de segurança.

Iniciativas públicas, como o programa Smart Sampa, na capital paulista, utilizam o reconhecimento facial para localizar suspeitos no dia a dia e em situações de aglomeração. Essa vigilância é uma tendência forte nas chamadas cidades inteligentes, cenário no qual a plataforma desenvolvida pela startup pode complementar o monitoramento ao focar na análise comportamental das imagens.

Especialistas destacam que tecnologias como o reconhecimento facial apresentam margens de erro e exigem validação humana. Libardi corrobora essa visão: “Nenhuma solução deve operar de forma isolada. Elas funcionam como filtros de precisão. Sempre deve haver verificação posterior porque a ferramenta não substitui o olhar humano; em vez disso, ela reorganiza as prioridades”.

O pesquisador reforça, ainda, a necessidade de uma infraestrutura básica adequada. “É preciso educar o cliente porque tecnologia não é mágica. A câmera tem de estar no lugar certo e apresentar uma qualidade razoável de imagem. Às vezes, o cliente acredita que vai conseguir identificar algo a 200 metros de distância utilizando uma câmera de baixo custo”, exemplifica.

Com o apoio do Programa Pesquisa Inovativa em Pequenas Empresas (PIPE), da FAPESP, a startup pôde reestruturar sua arquitetura de dados e aprimorar os modelos matemáticos, viabilizando o ganho de escala. Libardi aponta que o fomento foi determinante para o negócio: “O pesquisador domina a técnica, mas nem sempre sabe como transformá-la em um produto comercialmente viável”.

Gostou desta matéria? Não perca as próximas atualizações da RCWTV!
Explore mais notícias exclusivas e análises profundas em nosso portal oficial e entre no nosso grupo de WhatsApp para receber atualizações diretamente no seu celular.
Siga a RCWTV no Instagram e Facebook para receber as notícias em primeira mão e participar da nossa comunidade!