O que é Internet das coisas (IoT)?

IoT (Internet of Things), ou Internet das Coisas, é uma área que vem ganhando cada vez mais notoriedade. Para se ter uma idea, é esperado que dispositivos de IoT gerem por volta de 80 ZB de dados só em 2025. Esse cenário cria muitas possibilidades para aplicação de técnicas de análise de dados e inteligência artificial. 

Mas afinal o que é IoT?

De acordo com a International Telecommunication Union, IoT é uma infraestrutura global que possibilita o desenvolvimento e operação de serviços avançados através da interconectividade das coisas.

Na mesma linha, o site IoT Agenda define IoT como um sistema de dispositivos computacionais, máquinas mecânicas ou digitais, objetos, e até pessoas pessoas e animais aos quais podemos atribuir um identificador único, e que tenham a habilidade transmitir dados através da rede sem que seja necessário uma intervenção humana.

E as coisas, o que são?

As coisas são entidades físicas ou virtuais que podem ser integradas às redes de comunicação, e podem ser identificadas de forma única. Exemplos: uma pessoa, um animal, uma geladeira. 

Dispositivos

A IoT conta com vários dispositivos que são responsáveis por dar vida às coisas, eles são responsáveis por capturar informações sobre o ambiente, armazenar e processar dados e transformar o ambiente. Logo abaixo veremos mais detalhes sobre os principais dispositivos de IoT.

Sensores: são dispositivos que coletam dados do ambiente, eles funcionam como tradutores transformando um sinal do mundo físico em um sinal digital. Exemplos: sensores de temperatura, pressão, umidade, ultra som, infravermelho, batimentos cardíacos, pressão arterial, e assim por diante.

Atuadores: são dispositivos que funcionam de forma oposta aos sensores, pois eles podem transformar um sinal digital em uma ação do mundo físico. Exemplos de atuadores: robôs, motores, atuadores hidráulicos, atuadores pneumáticos, auto falantes.

RFID (Radio-frequency identification): RFID é utilização de dispositivos para identificação por radiofrequência. Essa tecnologia foi desenvolvida durante a Segunda Guerra Mundial para permitir uma rápida identificação de aviões e bombardeiros amigos, e funciona através da utilização de ondas eletromagnéticas para acessar dados armazenados em um micro chip acoplado a uma antena, permitindo a identificação automática dos objetos nele fixado. Exemplos de aplicação: manufatura, logística, distribuição, varejo, praças de pedágio.

Smartphones: são os dispositivos com os quais temos mais familiaridade. Eles contam contam com diversos sensores e atuadores, como acelerômetro, GPS, microfone, câmera, auto falante, alguns tem até sensores de pressão e batimento cardíaco, e ainda são capazes de transmitir, armazenar e processar dados.

Relação entre devices e coisas físicas - Fonte: Y.2060

Desafios de IoT

Segurança: esse é um dos principais desafios quando se fala em IoT, pois os dispositivos têm recursos reduzidos, o que limita a aplicação de mais camadas e protocolos de segurança. Além do mais, há uma falta de padronização entre os fabricantes.

Energia: outro desafio constante é em relação a bateria de dispositivos de IoT, pois uma baixa durabilidade ou alto custo pode comprometer a viabilidade de um projeto, isso sem contar a questão ambiental dessas baterias. Para contornar isso, a indústria vem tentando desenvolver cada vez mais dispositivos battery-less, ou seja, que não necessitam de baterias. 

Conclusão

IoT é uma área que vem crescendo cada vez mais, e a tendência atual é de uma adoção cada vez maior das tecnologias dessa área. Isso vai trazer um grande avanço pra humanidade, visto que uma coleta e processamento mais eficiente de dados possibilita a aplicação de inteligência artificial para melhoria melhoria de várias áreas, como medicina, logística, manufatura, entretenimento, e até rotinas da nossa vida cotidiana.

Referências

• https://www.zdnet.com/article/iot-devices-to-generate-79-4zb-of-data-in-2025-says-idc
• https://www.trace-id.com/history-rfid-technology
• https://internetofthingsagenda.techtarget.com/definition/Internet-of-Things-IoT
• https://medium.com/iotforall/iot-explained-how-does-an-iot-system-actually-work-e90e2c435fe7
• https://www.itu.int/ITU-T/recommendations/rec.aspx?rec=y.2060
• https://www.embarcados.com.br/sensores-e-atuadores-iot

Patrimônio Ideal por Idade

Uma dúvida comum de quem começa a investir é: qual o patrimônio ideal para minha idade?

Há muitas formas de se responder essa pergunta, nesse artigo, mostraremos uma simples apresentada no vídeo Quanto você deveria ter hoje com a sua idade do canal Jovens de Negócios, que é muito utilizada por diversos consultores financeiros, e que leva em conta a sua idade e o seu padrão de vida.

Patrimônio Ideal = Despesa Mensal x Idade x 12 x (10% ~ 15%)

Para exemplificar, imagine que uma pessoa de 21 anos tem uma despesa mensal de R$ 1.500,00, aplicando essa fórmula, teríamos:

Patrimônio Ideal = R$ 1.500,00 x 22 x 12 x (10% ~ 15%)

Patrimônio Ideal = R$ 37.800,00 ~ R$ 56.700,00

Ou seja, para uma pessoa de 21 anos que tem uma despesa mensal de R$ 1.500,00, o patrimônio ideal seria entre R$ 37.800,00 e R$ 56.700,00. É claro que para jovens de 21 anos é difícil já ter esse patrimônio, pois na média são pessoas que estão estudando ou começando na vida profissional, mas este é apenas um parâmetro de base. 

Temos que também levar em conta que cada pessoa está em momentos diferentes da vida, por exemplo, alguém que está estudando medicina passará muitos anos sem ganhar dinheiro, mas é provável que conseguirá compensar isso quando começar a atuar na área.

Na nossa calculadora logo abaixo você pode calcular o patrimônio ideal para sua idade. Aproveite e deixe sugestões.

Calculadora do Patrimônio Ideal por Idade

Idade

R$

Patrimônio ideal

Aprendizado de Máquina (Machine Learning)

Mas afinal, o que é aprendizado de máquina? 

Imagine que gostaríamos de fazer um programa que detecte se uma foto contém ou não um carro. Para isso, precisamos resolver algumas questões:

• Como poderíamos fazer tal distinção programaticamente? 
• No universo dos carros, como programar todas as possíveis variações de cores, modelos, ângulos, escalas, formatos, e assim por diante?
• Mesmo que isso fosse viável, como identificar fotos que nunca foram apresentas ao sistema?

Para resolver esse problema, não seria melhor se o programa simplesmente tivesse a capacidade de reconhecer os padrões de um carro? É justamente nesse ponto que o Aprendizado de Máquina entra em cena, pois essa área de Inteligência Artificial é uma evolução do estudo de reconhecimento de padrões.

Há várias definições para esse termo, mas com base no livro "The Hundred-Page Machine Learning", utilizaremos uma relativamente simples: 

• Aprendizado de máquina é o processo de resolução de problemas práticos, através da coleta de dados, e utilização destes para construção de modelos estatísticos por meio de algoritmos; 
• Os principais tipos de aprendizado de máquina são: aprendizado supervisionado, aprendizado semi-supervisionado, aprendizado não supervisionado e aprendizado por reforço. 

Ao contrário da perspectiva programática, o aprendizado de máquina busca chegar a solução de problemas através de exemplos, daí que se deriva a noção de aprendizado.

Conjunto de dados

Como mencionado acima, a coleta de dados é uma das etapas iniciais no processo de aprendizado de máquina, sendo assim, compreender os termos abaixo nos ajuda a entender o processo: 

• Dataset: é o conjunto de dados que será objeto de estudo;
• Features: é o conjunto de uma ou mais variáveis independentes;
• Label: é o resultado, ou variável dependente, pode ser um valor numérico, uma classe, ou estruturas mais complexas. Datasets com labels também são chamados de datasets anotados. 

A título de exemplo, imagine que queremos estimar o peso de uma pessoa com base na altura. Neste caso, a altura é uma variável independente (feature), e o peso é uma variável dependente (label). Note que poderíamos usar mais variáveis independentes, por exemplo, a quantidade de calorias consumidas por dia, o sexo, e assim por diante.

Logo abaixo temos um exemplo de um dataset do peso em função da altura.

Peso em função da altura

Aprendizado supervisionado (Supervised learning)

No aprendizado supervisionado, o dataset contém as features e as labels, ou seja, para cada registro das features já temos o resultado da combinação delas. Com base nos valores conhecidos, podemos criar modelos de aprendizado para estimar as labels de registros que não fazem parte do dataset.

Voltando ao nosso exemplo do peso em função da altura, podemos fazer uma regressão linear, e estimar que o peso de uma pessoa de 170 cm é 74 Kg. Note que este é um valor estimado, pois mesmo para valores já conhecidos, nosso modelo irá apresentar variações, pois o modelo é relativamente simples e precisaríamos de mais features para aprimorá-lo.

Regressão linear - Peso em função da altura

Aprendizado não supervisionado (Unsupervised learning)

Ao contrário do aprendizado supervisionado, no não supervisionado não sabemos o resultado da combinação das features, ou seja, o dataset não tem labels. Neste tipo de aprendizado, o objetivo é construir modelos que transformem o dataset, por exemplo: agrupando registros (clustering), identificando outliers, ou reduzindo as dimensões do dataset.

Aprendizado semi-supervisionado (Semi-supervised learning)

O aprendizado semi-supervisionado é um híbrido entre supervisionado e não supervisionado, já que o dataset contém registros com e sem labels. Conseguir dados devidamente anotados é mais difícil e custoso do que dados não anotados, e o aprendizado semi-supervisionado procura tirar proveito de ambos os casos para melhorar o desempenho dos modelos.

Entretanto, considerar que dados sem labels podem melhorar o modelo parece contra intuitivo, mas voltando ao nosso exemplo do peso em função da altura, imagine que temos muitas features sem label (registros de altura sem o peso correspondente). Usando técnicas de aprendizado não supervisionado, teríamos mais base para para identificar outliers.

Outra técnica comum é treinar o modelo com os dados anotados, depois estimar as labels dos dados não anotados, e por fim re-treinar o modelo com todo o dataset.

Aprendizado por reforço (Reinforcement learning)

Dos principais tipos de aprendizado de máquina esse é sem dúvidas o mais complexo, porém é muito poderoso. Ele consiste em usar o estado do ambiente como entrada do modelo, estimar uma ação que pode ou não mudar o estado do ambiente, e a cada ação, uma recompensa é calculada, o que permite verificar se o modelo está melhorando ou piorando, que é de onde vem a ideia de reforço. O objetivo é maximizar as recompensas.

Esse tipo de aprendizado é ideal para tarefas que envolvam passos sequenciais, por exemplo:

• Aprender um jogo
• Aprender a controlar um robô
• Logística

Aprendizado por reforço

Conclusão

Aprendizado de Máquina é uma subarea da Inteligência Artificial com foco no reconhecimento de padrões, e suas aplicações hoje são diversas.

Não deixe de seguir nosso blog parar ver em primeira mão informações com base em análise de dados e reconhecimento de padrões.

Este artigo foi escrito com base no livro "The Hundred-Page Machine Learning".

Renda média por estado em 2019

O Brasil é de fato um país com proporções continentais, rico em cultura e diversidade, com cada região tendo características distintas. Infelizmente, há também uma forte disparidade de desenvolvimento econômico entre cada estado e região, o que em última instância se traduz em diferenças em qualidade de vida e acesso a oportunidades.

O objetivo desse artigo é apresentar essas disparidades de forma visual, com dados extraídos da PNAD contínua anual (Pesquisa Nacional por Amostra de Domicílio) do IBGE. Mais detalhes sobre esses dados você pode conferir no nosso artigo Renda Média Brasileira nos Últimos Anos.

A partir desse dados, geramos o mapa a seguir, que representa a renda média mensal em Reais dos estados brasileiros em 2019. Usando uma escala de vermelho, os estados mais escuros são os de maior renda.

Os códigos-fonte para a geração desse mapa podem ser encontrados no GitHub sob a licença MIT, e o resultado você pode conferir logo abaixo:

Renda Média Brasileira nos Últimos Anos

Dados compilados com a renda média no Brasil de 2012 a 2019. Confira!

Embora ainda tenhamos situações de extrema pobreza no Brasil, em termos gerais, ele é hoje considerado um país de renda média. Entretanto, de acordo com alguns economistas e analistas, o país está preso na armadilha da renda média, que muito é comum aos países que saem da pobreza. Isso acontece por que escalar as primeiras etapas de industrialização e sofisticação econômica é relativamente fácil quando comparado a dominação tecnológica e produtiva numa escala global, que é o quadro das economias desenvolvidas.

Fontes:

• O Brasil na armadilha da renda média
• O Brasil está preso na armadilha da renda média

O objetivo desse artigo é ter uma visão de como essa renda vem se comportando nos últimos anos. Para isso, recuperamos dados do IBGE, que publica mensalmente, trimestralmente, e anualmente uma análise da renda do brasileira, incluindo dados de estados e regiões do país.

Desses dados do IBGE, utilizamos a PNAD (Pesquisa Nacional por Amostra de Domicílio) de 2012 à 2019, e dessa pesquisa extraímos o indicador de "Rendimento médio mensal real da população residente, com rendimento, a preços médios do ano", da subclasse "todos os trabalhos", que representa rendimento de trabalho efetivamente recebido para pessoas de 14 anos ou mais. Segundo a nota técnica do IBGE divulgada na PNAD mensal, esses valores são reais, ou seja, já incluem o desconto da inflação.

Os códigos-fonte para a extração de dados e geração de gráficos podem ser encontrados no GitHub sob a licença MIT, e o resultado você pode conferir logo abaixo: