Infraestrutura desenvolvida por meio do programa Mover permite treinamento colaborativo de modelos de inteligência artificial sem centralização de dados sensíveis

Uma plataforma inédita na América Latina está permitindo o desenvolvimento, treinamento, teste e validação de modelos de inteligência artificial aplicados à cadeia automotiva sem a necessidade de centralizar dados sensíveis. A Flautim, iniciativa integrada à Linha VI - Conectividade Veicular, do programa Mover, coordenada pela Fundação de Apoio da UFMG (Fundep), foi desenvolvida para impulsionar a inovação no setor automotivo por meio do uso seguro e inteligente de dados distribuídos.

Desenvolvida pelo FutureLab, laboratório do Departamento de Ciência da Computação da Universidade Federal de Minas Gerais (DCC-UFMG), a solução utiliza a abordagem de aprendizado federado (federated learning), na qual os modelos são treinados diretamente nas fontes de dados (como veículos, frotas e sistemas distribuídos), compartilhando apenas parâmetros e atualizações dos modelos, e não os dados brutos. A proposta possibilita a construção de modelos colaborativos mais robustos, preservando privacidade, confidencialidade e governança das informações.

Crescimento da conectividade amplia desafios de privacidade e infraestrutura

O avanço da conectividade veicular levanta uma discussão sobre a utilização e a proteção de dados. O professor do DCC-UFMG, Frederico Guimarães, que atua na coordenação técnica da Linha VI do Mover, explica que o cenário regulatório global mudou significativamente nos últimos anos, especialmente após a GDPR europeia e a entrada em vigor da Lei Geral de Proteção de Dados Pessoais (LGPD) no Brasil. “Hoje, empresas que atuam no setor automotivo precisam desenvolver soluções alinhadas a requisitos cada vez mais rigorosos de privacidade, segurança e governança de dados, tanto no contexto brasileiro quanto internacional”.

Segundo ele, os veículos atuais possuem uma quantidade crescente de sensores, sistemas embarcados e recursos de telemetria que geram volumes massivos de dados. Esses dados são enviados para a nuvem, onde são processados para análises estatísticas, treinamento de modelos de inteligência artificial e desenvolvimento de novos serviços digitais. “Posteriormente, os resultados retornam aos veículos por meio de atualizações over-the-air (que eliminam a necessidade de cabos ou visitas físicas), impactando diretamente funcionalidades, desempenho e experiência do usuário”.

Embora o modelo centralizado em nuvem tenha impulsionado o desenvolvimento da conectividade veicular, ele também apresenta limitações importantes. O crescimento do volume de dados transmitidos aumenta significativamente os custos de comunicação e a demanda por largura de banda. Além disso, a transmissão contínua de dados sensíveis levanta preocupações relevantes relacionadas à privacidade, segurança e conformidade regulatória, especialmente em um contexto de expansão acelerada da frota conectada.

Aprendizado federado reduz necessidade de centralização de dados

O aprendizado federado surge como uma alternativa tecnológica promissora para esse cenário, integrando, desde 2022, a Linha VI - Conectividade Veicular, do programa Mover.

Frederico explica que, com o aprendizado federado, a lógica muda completamente. Em vez de enviar os dados para a nuvem, o treinamento dos modelos ocorre diretamente no veículo, na borda. “Apenas os parâmetros ou modelos treinados são compartilhados com a nuvem para agregação colaborativa. Isso possibilita construir inteligência coletiva sem a necessidade de centralizar dados sensíveis, preservando a privacidade e reduzindo drasticamente o volume de transmissão”, reforça.

Entre as principais vantagens está a possibilidade de realizar o aprimoramento contínuo dos modelos mantendo os dados na ponta. Isso reduz custos de comunicação, fortalece a aderência à Lei Geral de Proteção de Dados Pessoais (LGPD) e cria condições para modelos mais personalizados e contextualizados. Além disso, o aprendizado cooperativo entre diferentes veículos permite construir soluções mais robustas, capazes de aprender a partir de diferentes realidades, regiões e padrões de uso.

Apesar do potencial, implementar aprendizado federado no contexto veicular envolve desafios técnicos complexos. “Os dados são naturalmente heterogêneos, porque os veículos operam em diferentes condições, regiões e perfis de condução. Além disso, é necessário lidar com restrições computacionais embarcadas, mecanismos de orquestração dos treinamentos, sincronização dos modelos e ajustes finos de desempenho”, destaca o pesquisador.

• Confira como funciona a plataforma Flautim clicando aqui.