Consultor de IA em Utrecht

Vários operadores de infraestruturas e hospitais da região têm uma equipa deste tipo. A ProRail tem um Datalab, a Rijkswaterstaat reuniu as suas áreas de digitalização, dados e IA num Data and AI Lab no final de 2025, e o UMC Utrecht trabalha com laboratórios de IA e com o Health Data Space Utrecht.

Colaboramos com essa equipa, como fazemos com o Datalab da ProRail, ou integramo-la, como acontece na equipa de IA do St. Antonius Ziekenhuis. O nosso escritório fica em Amesterdão; trabalhamos nas suas instalações ou online.

Fiber-Optic Acoustic Sensing (FOAS) utiliza cabos de fibra ótica para medir ondas sonoras. Em conjunto com o Datalab da ProRail, utilizámos machine learning, incluindo Databricks e Tensorflow, para automatizar a deteção de comboios, componentes da via e defeitos nas rodas. O objetivo: uma rede ferroviária mais segura e sustentável.

Uma análise inicial mostra se um sinal é útil. A sua utilização no processo de manutenção levanta outras questões: quem responde a um alerta, com que frequência o modelo é treinado novamente e quem o monitoriza quando os cabos ou o material circulante mudam. Leia o caso de estudo da ProRail.

Drift significa que os dados de entrada de um modelo (data drift) ou as suas previsões (prediction drift) se afastam gradualmente dos dados de treino. Numa rede, isso pode acontecer devido a novos equipamentos, à substituição de um sensor, a grandes obras de manutenção ou à mudança de estação. O modelo continua a produzir resultados, mas estes tornam-se menos fiáveis.

A Rijkswaterstaat tem vários modelos em produção, e monitorizá-los manualmente não é viável à escala. O package que desenvolvemos foi criado para verificar se todos apresentam drift ou valores atípicos, utilizando, entre outras ferramentas, Python e Alibi Detect. Para perceber como isto se integra no ciclo de vida de um modelo, leia sobre MLOps.

Qual é a versão do modelo em execução e de que treino resultou; quais são os limiares de drift e de qualidade dos dados; quem recebe um alerta; como decorre um novo treino; e quem decide se uma nova versão pode entrar em produção. Sem estes acordos, um modelo entregue à equipa continua dependente do conhecimento de uma só pessoa.

Segundo a estratégia de IA da Rijkswaterstaat, a supervisão e o julgamento humanos continuam a ser essenciais. Por isso, a passagem do modelo para a equipa deve também definir quem avalia um resultado antes de se agir com base nele. Veja também dados e IA para a administração pública.

Acima de tudo, definir um momento claro para a decisão: quando dispõe o médico de urgência de informação suficiente para antecipar um internamento? Para o St. Antonius Ziekenhuis, que tem serviços de urgência em Utrecht e Nieuwegein, desenvolvemos um algoritmo enquanto parte da sua equipa de IA. Este pode ajudar os médicos a decidir se um doente pode ir para casa ou precisa de ser internado.

O objetivo é informar os serviços hospitalares mais cedo sobre um possível internamento, para que possam preparar-se com antecedência e o doente passe mais rapidamente da urgência para a enfermaria. “Colaboração profissional com especialistas empenhados”, diz Marleen Vreeburg, médica de urgência no St. Antonius. Leia o caso de estudo ou saiba mais sobre dados e IA na saúde.

Pode ser. O anexo III do Regulamento da IA refere sistemas de IA destinados a ser componentes de segurança na gestão ou operação do tráfego rodoviário ou no fornecimento de água. No caso dos sistemas ferroviários e dos dispositivos médicos, aplicam-se as disposições da legislação relativa a produtos indicada no anexo I. A inclusão do seu modelo depende do que faz.

De acordo com o pacote omnibus da IA de julho de 2026, os requisitos do anexo III só se aplicam a partir de 2 de dezembro de 2027. Ajudamos a identificar os modelos e a preparar a classificação do risco; a interpretação jurídica cabe ao seu jurista ou departamento de compliance. Leia mais sobre o Regulamento da IA.

Quando uma regra fixa já resolve o problema: um limiar no sistema de manutenção, um alerta associado a determinado valor medido ou um bom dashboard baseado em dados de inspeção. Um modelo só acrescenta valor quando as relações são demasiado complexas para uma regra desse tipo ou há demasiados sinais para avaliar manualmente.

Se o modelo já está em funcionamento e só falta monitorizá-lo, comece por MLOps. Se o que falta é sobretudo capacidade na sua própria equipa de dados, integrar temporariamente um engenheiro de MLOps ou um data scientist na equipa faz mais sentido do que um projeto de consultoria.