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.
Até 26 de junho empresas da cadeia automotiva e mobilidade podem enviar casos reais para prototipagem e experimentação na Flautim com as despesas custeadas por meio do Mover. Saiba mais.
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 pesquisador da 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. Tradicionalmente, 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 um aprimoramento contínuo dos modelos mantendo os dados na ponta. Isso reduz custos de comunicação, fortalece a aderência à 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.
Flautim oferece infraestrutura robusta para treinamento distribuído de IA
Para enfrentar esses desafios que surgiu a Flautim, desenvolvida no eixo de aprendizado federado da Linha VI. A plataforma de aprendizado federado é a primeira iniciativa da América Latina voltada ao contexto veicular.
A solução foi criada para permitir o desenvolvimento, treinamento e experimentação de modelos de inteligência artificial em ambientes distribuídos, preservando a privacidade dos dados e reduzindo a necessidade de transferência massiva de informações para a nuvem. Inspirada nas principais plataformas internacionais de aprendizado federado, a Flautim foi concebida com foco na realidade brasileira, oferecendo uma infraestrutura adaptada às demandas nacionais de pesquisa, desenvolvimento e inovação em IA aplicada à mobilidade conectada.
Petrônio Silva, pesquisador e integrante do FutureLab, explica que o funcionamento da plataforma combina três pilares principais: infraestrutura computacional de alto desempenho, orquestração robusta de cargas de trabalho e uma interface gráfica voltada à produtividade dos usuários. A Flautim opera sobre um parque computacional baseado em servidores preparados para suportar modelos avançados de deep learning (aprendizado profundo) e grandes volumes de dados.
“A gestão dos experimentos é realizada por meio de tecnologias de virtualização e conteinerização, garantindo isolamento entre projetos, segurança, escalabilidade e alta disponibilidade. “Cada experimento opera em ambientes independentes, impedindo interferência entre aplicações e proporcionando maior confiabilidade para o treinamento de modelos complexos”, ressalta.
Na prática, os desenvolvedores utilizam a plataforma por meio da criação de projetos compostos por conjunto de dados (datasets), modelos e experimentos. Os conjuntos de dados podem ser compartilhados entre equipes, enquanto os modelos são desenvolvidos, permitindo integração com o ecossistema já utilizado pela comunidade de inteligência artificial. O experimento representa o treinamento efetivo do modelo, podendo operar tanto em arquiteturas tradicionais quanto em cenários de aprendizado federado, nos quais diferentes clientes treinam modelos localmente e compartilham apenas os parâmetros aprendidos para construção de um modelo global colaborativo.
Durante toda a execução, a plataforma oferece monitoramento em tempo real de métricas, logs e desempenho dos modelos, além de permitir reinício, duplicação e ajuste de experimentos diretamente pela interface gráfica. Ao final do processo, todas informações geradas, incluindo modelos treinados, métricas e outputs, ficam disponíveis para análise e download das empresas para melhor utilização em suas estratégias de negócio.
COMO A FLAUTIM FUNCIONA
Entrada de dados
Empresas da cadeia automotiva enfrentam desafios complexos e disponibilizam dados para prototipagem e experimentação.
Curadoria e definição de modelos
A equipe da plataforma Flautim apoia na organização dos dados e na definição dos modelos mais adequados para prototipagem.
Experimentação e geração de modelos
Os dados são processados e testados na plataforma Flautim, resultando na geração e validação de modelos analíticos.
Aplicação estratégica dos resultados
As empresas passam a dispor de dados estruturados e modelos otimizados para aplicação em suas estratégias de negócio
Chamada pública vai selecionar casos reais do setor automotivo
Para viabilizar a etapa de prototipagem e experimentação, considerada essencial antes da adoção em larga escala da plataforma, a Fundep lançou a Chamada Pública de Soluções com Dados Veiculares em Ambiente Seguro. A iniciativa busca selecionar casos reais do setor automotivo para desenvolvimento e aplicação na Flautim
As propostas devem ser submetidas por empresas com atuação comprovada no setor automotivo, incluindo montadoras, sistemistas, locadoras, seguradoras, empresas de mobilidade e logística, entre outras. Um dos requisitos da chamada é a disponibilização de dados reais coletados em veículos para execução dos casos de uso.
Segundo Natália Ladeira, analista de programas da Fundep, o acesso às informações será restrito às equipes diretamente envolvidas no projeto. “Todo o processo seguirá rigorosamente as diretrizes de segurança da informação, privacidade e governança de dados, preservando a integridade, a confidencialidade e os interesses estratégicos das empresas participantes”, afirma.
Para esta chamada, o valor máximo de recursos destinados a cada caso de uso poderá chegar a R$ 500 mil, variando conforme a complexidade e o escopo das propostas apresentadas. A submissão de propostas vai até 26 de junho.
SOBRE A LINHA DE CONECTIVIDADE DO MOVER
A Linha VI – Conectividade Veicular é um Programa Prioritário do Mover (Mobilidade Verde e Inovação), que busca fomentar Pesquisa, Desenvolvimento e Inovação (PD&I), novos modelos de negócios e a formação de pessoas para superar os desafios de mobilidade integrada, descarbonização e segurança de dados.
O objetivo é gerar conexões transformadoras capazes de desenvolver e oferecer soluções impactantes em infraestrutura de conectividade, conectividade no interior do veículo e segurança e privacidade de dados, contribuindo para o desenvolvimento industrial e tecnológico do setor automotivo brasileiro e da sua cadeia de produção. A atuação da frente tem foco no futuro de uma mobilidade cada vez mais conectada.
Visa estimular o desenvolvimento de tecnologias e de competências capazes de contribuir com a descarbonização, a conexão com o ambiente externo, a privacidade e segurança de dados e com diagnóstico e manutenção preditiva de veículos.
Sob liderança da Fundep, a Linha VI tem coordenação técnica da Universidade Federal de Minas Gerais (UFMG).
