O que é Data Science?

Data Science é um campo voltado para a análise de dados, identificação de padrões e construção de modelos preditivos. A sua finalidade é extrair informações úteis e insights para auxiliar no processo de tomada de decisão. Para a construção de modelos preditivos, utilizam-se normalmente modelos de Machine Learning como: Regressão Linear Regressão Logística Redes Neurais

O que faz um Cientista de Dados?

Cientista de Dados é o profissional que trabalha na área de Data Science . Interdisciplinar, atua em todas as etapas do projeto, desde a fase de aquisição, análise e tratamento dos dados, quanto na construção de modelos de Machine Learning , avaliação e deploy . Atualmente, é considerada por muitos como sendo a profissão do futuro , com demanda crescente por esse tipo de profissional.

Qual a linguagem mais usada em Data Science?

Atualmente, Python é a linguagem mais utilizada para Data Science . Entre os fatores que tornam o Python tão popular estão a curva de aprendizado, quantidade de pacotes disponíveis e alto engajamento da sua comunidade. Outras linguagems populares para Ciência de Dados são R (uma linguagem com aplicações em estatística) e Matlab.

O que é Machine Learning?

Machine Learning (Aprendizado de Máquina) é uma área dentro do campo da Inteligência Artificial que utiliza algoritmos capazes de aprender por meio de dados coletados. Suas aplicações são vistas em áreas como medicina, marketing digital, logística, análise de malware e até mesmo no setor espacial.

O que é Deep Learning?

Deep Learning (Aprendizado Profundo) é uma área dentro do Machine Learning , que se tornou possível graças à explosão na disponibilidade de dados e no aumento do poder computacional. Usando redes neurais profundas (com diversas camadas), Deep Learning é considerada hoje como sendo o estado-da-arte para inúmeras aplicações, tendo se destacado em carros autônomos e detecção de doenças.

Sigmoidal › Deep Learning e Python: aplicações no Espaço

Deep Learning e Python, como não é novidade para você, têm aplicações possíveis em qualquer setor ou área de pesquisa.

Satélite de sensoriamento remoto SAR (Radar de Abertura Sintética), da empresa ICEYE.

Mesmo quem não é da área da Inteligência Artificial já ouviu falar dos carros autônomos e sobre diagnósticos médicos gerados por computadores.

Entretanto, tem uma área menos conhecida pela maioria, mas que tem contribuído fortemente com os avanços em Deep Learning: a área espacial.

Com o Brasil caminhando a passos largos nessa área, vou trazer para você algumas aplicações de Deep Learning no Setor Espacial.

Aposto que você nunca tinha pensado nessa oportunidade de carreira, certo?

Localização de novos planetas

Um artigo científico publicado por Shallue e Vanderburg no The Astronomical Journal apresentou, em 2018, um método para identificar novos planetas usando Deep Learning.

Deep Learning e Python no espaço. Descobrindo novos planetas.

Esse estudo conjunto entre cientistas da Nasa e do Google analisou perturbações orbitais mínimas detectadas pelo Telescópio Kepler, e descobriu um sistema com 8 planetas desconhecidos.

Analisar perturbações não é algo novo, mas ao aplicar essa metodologia a redes neurais profundas, eles atingiram inéditos 98,8% de precisão.

Atualmente, Deep Learning é o estado da arte para a descoberta de corpos celestes.

Detecção Automática de Objetos

A detecção de objetos a partir de imagens de satélites tem obtido excelentes resultados por meio de redes profundas de Deep Learning.

Detecção de objetos com Deep Learning e Python (imagens de satélite) — Detecção de objetos em imagens de satélites usando Deep Learning.

Há na literatura exemplos de aplicações tanto para imagens ópticas (pancromática, multiespectral e hiperespectral) quanto SAR (radar de abertura sintética).

Redes Neurais Convolucionais (CNN) são o estado-da-arte nas mais diversas áreas, abrangendo desde a detecção de icebergs no mar até a identificação de alvos militares .

Identificação de navios e icebergs usando Redes Neurais Convolucionais em imagens SAR (Bentes et al, 2016).

Eu uso e recomendo a API do Tensorflow para Object Detection. Aparentemente complexa quando você começa a usar, ela é um framework fantástico!

Atualmente, esta é minha área de pesquisa preferida.

Aproximação e acoplagem de naves espaciais

Sabe aquela cena de filme quando uma nave acopla na outra, com aquele encaixe milimetricamente perfeito?

Manobras de acoplamento são aquelas que estabelecem contato físico entre duas naves espaciais.

Visualmente fácil, na verdade não é tão simples como estacionar um carro na sua garagem. Esse procedimento envolve cálculos extremamente complexos.

Se você imaginar que a Estação Espacial Internacional está a mais de 20 mil km/h e com toneladas de massa, dá para imaginar o risco da operação.

Deep Learning e Python para auxiliar no acoplamento de naves espaciais. — Deep Learning aplicado no procedimento de acoplamento entre duas naves espaciais.

Nick Evers mostrou neste artigo seu artigo como Deep Learning pode ser usado nesse procedimento de acoplamento.

Usando uma rede neural inspirada no algoritmo YOLO, ele disponibilizou ainda um notebook detalhado em Python com seu projeto.

Python e Deep Learning

Como já disse no meu eBook, Python é a linguagem mais usada para Data Science no mundo atualmente. Da mesma maneira, é a mais usada em problemas envolvendo o espaço também.

Se você olhar no Kaggle, há diversos problemas dessa natureza. Na imagem acima estão dois exemplos recentes: um envolvendo detecção de navios no mar e outro envolvendo classificacão de dados astronômicos.

Nem só de notebooks vive um cientista de dados.

Os principais softwares usados para a área espacial são amigáveis à linguagem Python, seja por meio de APIs ou nativamente.

STK para o planejamento de missões espaciais

A principal ferramenta para a área é com certeza o STK da empresa AGI.

Python e Deep Learning para o espaço. — STK da empresa AGI, o principal software para o Setor Espacial.

Ela permite fazer desde um simples cálculo de propagação de órbita até o planejamento de um pouso em Marte.

Permite ainda a criação de scripts em Python dentro do próprio programa, servindo para automatizar rotinas ou mesmo criar modelos de Deep Learning.

ArcGIS Pro para análises GIS

Outra ferramenta muito usada para análise de imagens de satélites é o ArcGIS Pro da ESRI (vendido no Brasil pela representante Imagem).

O ArcGIS é um software muito poderoso que já possui os principais filtros para processamento e tratamento de imagem para análises GIS (Sistema de Informação Geográfica).

ArcGIS Pro possui ambiente Conda (Python), integração com Tensorflow e arquiteturas Deep Learning.

É possível criar seus datasets de objetos (desenho das bounding boxes dentro da própria ferramenta) e treinar suas arquiteturas Deep Learning nativamente.

Possui também ambiente Conda com as principais bibliotecas, integração com Tensorflow e API pra desenvolvedores.

O Brasil e o Setor Espacial

Nos últimos anos, o país vem avançado rapidamente no Setor Espacial.

A criação do Programa de Sistemas Espaciais (PESE) pela Força Aérea Brasileira (FAB) foi uma das principais responsáveis por esse avanço.

Programa Estratégico de Sistemas Espaciais: Criado pela Força Aérea Brasileira para atender as necessidades da sociedade brasileira e das Forças Armadas.

Englobando serviços como comunicações, sensoriamento remoto, entre outros, o PESE vai permitir ao Brasil adquirir a capacidade de projetar, construir e lançar satélites e foguetes lançadores.

Isso representa uma ótima oportunidade para a nação, pois o Brasil aumentará o seu consumo de produtos e serviços espaciais.

SGDC, o primeiro satélite sob total controle do Brasil e sob o controle da Força Aérea Brasileira.

Soluções para a agricultura, meteorologia e comunicações (principalmente) envolvendo o uso de satélites serão cada vez mais demandadas.

Quanto tempo até vermos as primeiras startups do Setor Espacial por aqui?

Se você me segue no Instagram, sabe que eu trabalho no Centro de Operações Espaciais em Brasília. Tenho acompanhado de perto as evoluções no Setor e posso afirmar que muitas oportunidades ainda irão surgir.

Se você se empolgou com o tema, talvez valha a pena acompanhar mais de perto e começar a preparar uma carreira nessa área 🙂