Como a IoT pode auxiliar na gestão

do agronegócio
Muito se fala sobre a aplicação de Inteligência Artificial (AI) nos dias de hoje em
empresas dos mais diversos segmentos. Porém, apesar da ampla difusão do
termo como um conceito, poucos são os que sabem o que é na prática
tecnicamente a IA. A Association for the Advancement of Artificial Intelligence
[Associação para Avanços da Inteligência Artificial] (AAAI) descreve que IA é
composta pelas seguintes áreas: Planejamento Automatizado; Representação
de Conhecimento; Raciocínio (Probabilístico ou não); Processamento de
Linguagem Natural; Robótica; Sistema de Agente e Multi-Agente e Aplicações;
Machine Learning; Data Mining e Big Data. Convergir e conectar todas essas
áreas de IA nas fazendas brasileiras, como as do Grupo Silva & Silva, poderá
ser o ápice na carreira dos cientistas de dados.

Isso porque o escopo da Análise Preditiva para auxiliar os gestores da empresa

agrícola Silva & Silva na tomada de decisão terá como premissa a implantação
de automação, geolocalização, otimização de processos, redução no custo de
insumos e predição em diversas ações, tais como plantio da safra, irrigação,
colheita, armazenamento, comercialização e transporte.

Além disso, será essencial prever a produção de dashboards para análises dos
indicadores-chave de desempenho (os chamados KPIs) de eficiência, de
finanças, de produtividade e de satisfação do cliente dos produtos das
fazendas Silva & Silva.

O ponto de partida do projeto para o grupo Silva & Silva é o Machine Learning
(aprendizado de máquina), que é um método de análise de dados que

automatiza a construção de modelos analíticos. Graças a ela, nasceu a Deep

Learning, que tem entre seus métodos as Redes Neurais Artificiais (RNA),
criada para ter a lógica de atuação e de aprendizado semelhante ao do cérebro
humano.

“(..)Redes Neurais Artificiais (RNA) é um termo utilizado para definir

técnicas computacionais que utilizam um modelo matemático inspirado no
sistema nervoso central do ser humano, o qual adquire conhecimento
através da experiência. (...) Isso se deve a sua capacidade adaptativa, e
ao fato de que pode induzi-la a agir em prol da solução de casos em um
nicho ou problema específico. (...) ” (Castro e Ferrari, 2017)

Para performar, as RNA precisam ser compostas por camada de entrada,

saída e pelo menos uma camada oculta, que transformará os dados recebidos
na entrada em algo que a saída possa usar. Essas camadas são compostas
pelo o que denominou: os neurônios.

“(...) O primeiro tipo de neurônio usado em uma RNA foi inspirado em um

neurônio humano, criado por Frank Rosenblatt em 1958. Chamado de
Perceptron, ele possui arquitetura simples e tornou-se obsoleto para a
resolução dos problemas complexos pela sua inflexibilidade e falta de
estabilidade de sua função de ativação, que é a função que decide se um
neurônio será ativado ou não. Atualmente, dois tipos de neurônios são
utilizados nas redes neurais: o Perceptron Multicamadas, que impulsionou
o uso em larga escala do Deep Learning, e o Sigmóide, geralmente usado
em classificadores(...)” (Alves, 2020)

Recorrer à Machine Learning, ao Deep Learning e às RNAs para solucionar

grandes problemas da área de ciência de dados, tendo como cenário o
agronegócio, tornou-se viável com a chegada de potentes hardwares, que
agora podem ser contratados com rapidez, conforme a necessidade e o
orçamento, em plataformas de cloud, como Azure (Microsoft), Google Cloud,
AWS (Amazon) entre outros. Em todas elas, o modelo de negócio é “pague

somente o que usar”, independente do modelo de nuvem ser IaaS –

infrastructure as a service (infraestrutura como serviço), PaaS – plataform as a
service (plataforma como serviço) ou SaaS – software as a service (software
como serviço).

Com a profusão e amadurecimento dessa infraestrutura tecnológica aliada a

aplicação de diversos algoritmos, puderam entrar em cena também o Data
Mining, o Big Data e a Internet das Coisas (IoT).

Na prática, o Big Data tem o propósito de abrigar um alto volume dados, que
serão trabalhados com velocidade e variedade tendo em vista sua veracidade
e seu valor. Premissa que deu forma a síntese da expressão dos 5Vs.
(Taurion, 2013).
Nesse contexto, fica também inserido uma área batizada de Descoberta de
Conhecimento em Bases de Dados (DCBD) - em inglês Knowledge Discovery
in Database sintetizada na sigla KDD - sendo a expressão Mineração de Dados
(Data Mining) uma das etapas de KDD (Goldschmidt et al.,2015).
O termo KDD foi formalizado em 1989 em referência ao amplo conceito de
procurar conhecimento a partir de bases de dados. Uma das definições mais
populares propostas em 1996 por um grupo de pesquisadores (FAYYAAD et
al.,1996) ganhou a seguinte tradução:

“ (...)KDD é um processo não trivial, interativo e iterativo (feito mais de

uma vez), para identificação de padrões compreensíveis, válidos, novos
e potencialmente úteis a partir de grandes conjuntos de dados. A
complexidade (ou não trivialidade) do processo de KDD está na
dificuldade em perceber e interpretar adequadamente inúmeros fatos
observáveis durante a realização de processo e na dificuldade em
conjugar dinamicamente tais interpretações de forma a decidir que
ações devem ser realizadas em cada caso (...)”. (Goldschmidt,et
al.,2015).

Portanto, cabe ao DCBD/KDD sumarizar, classificar, agrupar, descobrir

associações e previsões de séries temporais. O processo de DCBD/ KDD
também pressupõe a existência de um conjunto de dados. Esse pode envolver
n atributos, representando assim um hiperespaço (espaço n-dimensional).
Quanto maiores foram o valor de n e o número de registros disponíveis, maior
o conjunto de dados a ser analisado. (Goldschmidt,et al.,2015).
Ou seja, caberá à equipe de analistas de dados da Silva & Silva formatar e
estruturar seu banco de dados com informações de anos anteriores e dados
atuais, para que o profissional de Business Intelligence (BI) possa iniciar um
referencial para as amostragens e modelagens iniciais. Nesse banco precisa
constar tudo: dos valores das contas de luz, de água, folha de pagamento a
gastos com transporte (manutenção da frota e abastecimento), investimentos
em insumos e, claro, o faturamento e os impostos. Anotações de anos
anteriores de condições meteorológicas também serão bem-vindas ao
projeto.
Segundo Rezende (2015), enquanto os dados são registros soltos, aleatórios,
sem qualquer análise, eles não têm valor. Já a informação quando gerada a
partir da organização desses dados, surge como conhecimento e abre a
possibilidade de promover as predições.
Em tese, é essencial trabalhar com todos esses dados, que naturalmente terão
de estar disponíveis em algum serviço de nuvem (como Azure, AWS ou Google
Cloud). Isso porque as RNAs quando entrarem em ação vão trazer cada vez
mais dados que quando minerados poderão eclodir novos conhecimentos, que
estavam ocultos (Elmasri & Navathe, 2002). Claro, que não será uma tarefa
nem simples ou tampouco fácil.
Naturalmente, é necessário também entender a importância do Data Mining
nesse projeto. Partindo do princípio de que ele é um conjunto de técnicas
utilizadas para explorar exaustivamente e trazer à superfície relações
complexas em um conjunto grande de dados (Moxton, 2004), é importante
salientar que ele é essencial em um projeto como o da Silva & Silva.

“(...)O termo mineração de dados (MD) foi cunhado como alusão ao

processo de mineração descrito anteriormente, uma vez que se explora
uma base de dados (mina) usando algoritmos (ferramentas) adequados
para obter conhecimento (minerais preciosos). Os dados são símbolos ou
signos não estruturados, sem significado, como valores em uma tabela, e
a informação está contida nas descrições, agregando significado e
utilidade aos dados (...)” (Castro e Ferrari, 2016)

Tendo em vista a abrangência de um projeto que vai atuar com IA e IOT,

certamente será preciso também orçar a criação de um Data Warehouse
(DW), que é uma arquitetura e não uma tecnologia. (Machado). Torna-se útil
também destacar no orçamento a possibilidade de que o KDD não exige que
os dados estejam reunidos em um DW, como ressaltam especialistas em BI.
Porém é importante que os dados sejam reunidos em um ambiente desse tipo,
ou seja, que tenha potente infraestrutura de servidores, para facilitar a
catalogação.
Na prática, a equipe de profissionais que assume essa missão implanta um
robusto armazém de dados e o unifica a uma ferramenta de ETL (Extract
Transform Load). Ao nutrir esse sistema com dados já coletados, o Big Data
tende a começar a ganhar vida.
Outro desafio da equipe que assume essa responsabilidade é a de expor não
apenas os dados, mas fornecer sobretudo relatórios de análise. Por isso, é
recomendável trabalhar com uma ferramenta como uma interface amigável
tendo o objetivo de facilitar a visualização dos cruzamentos de dados, entre
eles há: Tableau, Google Data Studio e o Power BI.
Em geral, a metodologia de Data Mining segue as seguintes etapas na técnica
de descoberta de conhecimento em bancos de dados (DCBD/KDD): (Cardoso
e Machado, 2008). Sendo elas: (1) Seleção dos dados, (2) Pré-
processamento dos dados, (3) Transformação dos dados (em geral, para
bancos em SQL é a sigla para “Structured Query Language”, que significa,

“Linguagem de Consulta Estruturada”.), (4) Data mining e por fim, a (5)

Interpretação.

“(...) A mineração de dados é uma disciplina interdisciplinar e

multidisciplinar que envolve conhecimento de áreas como banco de
dados, estatística, aprendizagem de máquina, computação de alto
desempenho, reconhecimento de padrões, computação natural,
visualização de dados, recuperação de informação, processamento de
imagens e de sinais, análise espacial de dados, inteligência artificial, entre
outras. (...)” (Castro e Ferrari, 2016)

CONCLUSÃO
Embora a ideia de IoT já exista há anos, uma coleção de avanços recentes em
diversas tecnologias permitiu um salto tecnológico, que foi denominado como a
quarta onda da revolução industrial, ou Industry 4.0, uma revolução que se
aflorou também no agronegócio de forma muito determinante. Isso porque, o
IoT permite: redes de energia inteligentes, logística conectada assim como
cadeias de suprimentos digitais inteligentes e ativos conectados e manutenção
preventiva e preditiva.
Portanto, é possível sim lançar mão de diversos algoritmos, como as RNAs e o
Naive Bayes, para conectar as informações de centrais meteorológicas para
gerar uma análise preditiva da quantidade de chuva prevista junto ao consumo
de água na irrigação, tendo como referência a quantidade pluviométrica
esperada para aquele mês. O que naturalmente, assim como um Efeito
Borboleta (que elucida à dependência sensível às condições iniciais dentro da
teoria do caos, conforme documentou Edward Lorenz em em 1963), irá
interferir nos fluxos de automação dos temporizadores e das máquinas
responsáveis por irrigar a lavoura, que por funcionarem por x horas terão um
custo y de energia elétrica naquele período.
De fato, torna-se fascinante avaliar que a capacidade da IoT de fornecer
informações sobre o sensores para ativar a comunicação dispositivo a
dispositivo está impulsionando um amplo conjunto de aplicativos, que visam o
monitoramento da máquina além do monitoramento da qualidade de produção
e dos produtos finais. Isso porque, a performance das máquinas podem ser
monitoradas full time e os dados analisados continuamente para garantir o
desempenho dentro das métricas determinadas. Entretanto cabe ressaltar que,
além dos dados gerados pela IoT, deve-se criar uma tabela separada para
armazenar os dados gerados pelos sensores que atuam como catalisadores do
processo de análise preditiva. (Santos, 2021)

Outra boa sacada do IoT no agronegócio diz respeito ao rastreamento. A partir

dele, as empresas podem determinar rapidamente a localização de seus
carros, maquinários, satélite e demais ativos, como as safras já ensacadas.
Graças a isso, pode-se garantir que os ativos de alto valor fiquem protegidos
contra avarias, que podem ser causadas por uma tempestade, afinal, o
dispositivo de meteorologia e de condições ambientais já documentou e alertou
à equipe dos engenheiros agrônomos. Sem contar, que ele também coíbe as
ações de roubo.

Como exemplifica o site da Oracle, outro grande atrativo da IoT na

agroindústria atende pelo nome de “Habilitar alterações de processos de
negócios”. Há um dispositivo de IoT que pode ser conectado para monitorar a
saúde de máquinas de forma remota. Logo, se a máquina apresenta desgaste,
é feita automaticamente uma chamada de serviço para manutenção preventiva.
Incrível, não é? Segundo Lutu e Engelbrecht (2010), foi concluído que a
mineração de dados juntamente com a análise preditiva são as tecnologias
mais perturbadoras da era atual. (Santos, 2021)

Em suma, a possibilidade de upgrade tecnológico por parte da fazenda Silva &

Silva demandará uma linha de crédito bem especial, pois sem dúvida o
investimento será alto e seu retorno de forma alguma será imediato, algo do
qual o profissional de BI também poderá fazer um plano preditivo. E pode-se
avaliar a implantação gradual dessas melhorias. De forma alguma será

recomendável adiar a necessidade de investimentos dessa infraestrutura em

tecnologia, visto que essas modernizações tornam-se o ponto crucial para
tornar a produção de uma fazenda mais competitiva frente aos concorrentes
nacionais e internacionais.

BIBLIOGRAFIA
CASTRO, l . N. e FERRARI, D. Introdução à mineração de dados - Leandro Nunes de
Castro, Daniel
Ferrari. – 1a ed. - Editora Saraiva., 2016
CARDOSO, Olinda Nogueira Paes; MACHADO, Rosa Teresa Moreira. Gestão do
conhecimento usando
data mining: estudo de caso na Universidade Federal de Lavras. (2008) Artigo acadêmico.
Disponível
em [Link]
Acesso em: 07 de
junho 2021
CARVALHO, L. A. V. Datamining: a mineração de dados no Marketing, Medicina, Economia,
Engenharia
e Administração. Rio de Janeiro: Ed. Ciência Moderna Ltda., 2005.
GOLDSCHMIDT, R.; PASSOS, E.; BEZERRA, E. Data mining: conceitos, técnicas,
algoritmos,
orientações e aplicações. São Paulo: Elsevier Editora Ltda, 2015. Disponível em
[Link]
Acesso em: 10
junho 2021.
FAYYAD, U. M. et al. From data mining to knowledge discovery: an overview. In: Advances
in knowledge
discovery and data mining. California: AAAI/The MIT, 1996
LUTU, P. E. N.; ENGELBRECHT, A. P. A decision rule-based method for feature selection in
predictive
data mining. Expert Systems with Applications: an International Journal, v. 37, n. 1, jan.
2010.
Disponível em: [Link] Acesso em: 11 junho.
2021.
MACHADO, F. N. R. Tecnologia e projetos de Data Warehouse: uma Visão
Multidimensional. 6. ed. São
Paulo. Editora Érica, 2013
MOXTON, B. Defining data mining. DBMS Data warehouse supplement, 2004
TAURION, Cezar. Big Data. Rio de Janeiro: Brasport, 2013
NUNES, D. J. V. Mineração de dados em comércio varejista para diminuição dos níveis de
estoque. 2008.
67 f. Dissertação (Mestrado em Engenharia de Produção) – Universidade Estadual do Norte
Fluminense,
Campos dos Goytacazes, 2009. Disponível em:
<[Link] Acesso
em: Acesso em: 07 junho 2021.
SILVA, A. L. S. e JUNIOR, V; B. S. APLICAÇÕES E BENEFÍCIOS OBTIDOS ATRAVÉS
DAS REDES
NEURAIS ARTIFICIAS (RNA), 2017. Disponível em:
[Link]
[Link]
>.Acesso em: 08 junho 2021.
ALVES, P. Mello. Inteligência Artificial e Redes Neurais, 2020 Disponível em:
[Link]
redes-
neurais. Acesso em: 10 junho 2021.
Site de consulta:
Association for the Advancement of Artificial Intelligence (AAAI), Disponível em:
[Link]
Acesso em: 09 junho 2021.

Oracle, disponível em: [Link] Acesso em:

09 junho
2021.