Desbravando Fronteiras Científicas com Inteligência de Dados e Machine Learning: Uma Trajetória Multidisciplinar

Entrevistado: Ricardo José da Silva Afonso

A área de Machine Learning (ML) apresenta um potencial transformador para a investigação científica, abrindo novos caminhos para a análise de dados complexos, a identificação de padrões sutis e a aceleração de descobertas. Minha trajetória profissional tem sido construída na intersecção da ciência de dados, da física teórica e da arquitetura de soluções em nuvem, com o objetivo de aplicar meu conhecimento em tecnologias que resolvam problemas desafiadores, gerando insights valiosos baseados em dados e evidência científica.

Minha formação acadêmica sempre foi muito próxima a área de desenvolvimento científico, pincelando várias trajetórias diferentes. Comecei boa parte da minha formação me envolvendo com simulações físicas para projetos aplicados às áreas experimentais. Experimentos que envolviam tanto engenharia de experimentos físicos como também simulações para problemas de magnetismo em materiais.
Minha incursão no universo dos dados ganhou contornos práticos e estratégicos durante minha atuação como Analista de Dados Pleno no RH do Itaú Unibanco. Nesse ambiente corporativo dinâmico, tive a oportunidade de mergulhar em grandes volumes de informações, desenvolvendo análises que foram cruciais para a compreensão de métricas de Recursos Humanos. Consegui, por exemplo, identificar padrões relacionados à rotatividade de funcionários, avaliar as chances de mobilidade interna e mapear tendências em grupos de diversidade. Além disso, fui responsável pela elaboração de relatórios analíticos destinados aos comitês executivos, proporcionando uma visão clara e baseada em dados sobre dinâmicas internas da empresa, contribuindo para decisões baseadas em dados e evidências estatísticas.

Os desafios nas áreas de dados podem ser mais diversos do que muitos imaginam. Enquanto na Física os dados geralmente correspondem a um efeito a ser descoberto ou à validação de um modelo teórico, na vida corporativa o dado possui um nível de abstração bastante complexo, envolvendo informação que não possuem necessariamente um padrão conhecido. Hoje se fala muito em decisões baseada em dados e para que isso seja necessário temos que ter um conhecimento claro da estratégia de negócio e também das variáveis que usamos em nossa análise de dados. Por isso, que o papel do cientista (seja ele de dados ou não) tem se tornado cada vez mais relevante. Aprendemos no mundo acadêmico que as perguntas geralmente são mais importantes do que as respostas e isso não é diferente no caso de dados quando falamos da área corporativa. É necessário entender a pergunta estratégica para conseguir pensar nos dados corretos que auxiliam a decisão de negócios ou produtos.

Quando falamos de análise de dados, também precisamos pensar no ambiente virtual em que queremos fazer essa análise. Isso me despertou um interesse profundo pela arquitetura de soluções em nuvem, especialmente na plataforma AWS. Percebi que, para além da construção de modelos clássicos de Machine Learning, o verdadeiro desafio reside em como estruturar e garantir a comunicação eficiente dos dados para que esses modelos se transformem em aplicações robustas e escaláveis. Meu foco direcionou-se para o desenvolvimento de soluções que permitissem a integração fluida entre modelos estatísticos e diversos sistemas, sejam eles aplicações web ou dispositivos de Internet das Coisas (IoT). Este estudo tem sido fundamental para entender os caminhos necessários para operacionalizar a inteligência artificial de forma eficaz no ambiente de nuvem.

Atualmente, como pesquisador junto ao LIOA2 (Laboratório de Inovações Ópticas para Oftalmologia e Agricultura) – CEPOF – IFSC - USP, encontro um terreno fértil para explorar temas aplicados da Ciência de Base, enfrentando desafios que exigem uma combinação única de competências. O professores Vanderlei Salvador Bagnato e Jarbas Caiado de Castro Neto tem sido atores fundamentais em usar a ciência de base em aplicações desafiadores com óptica. Nesse sentido, o perfil científico é fundamental para desbravar técnicas até então não utilizadas comumente pela indústria, além do seu potencial em revolucionar métodos e técnicas que precisam de uma nova roupagem na medicina, agricultura e indústria.
Um exemplo prático dessa sinergia é o desenvolvimento de um sistema robusto em Machine Learning, baseado em métodos de experimentação ópticos, com a capacidade de identificar padrões e fornecer diagnósticos precisos – como na análise da qualidade do café. Este projeto ilustra perfeitamente como minha formação como físico é crucial para compreender as técnicas de experimentação envolvidas, enquanto minhas habilidades em ciência de dados e arquitetura de soluções em nuvem são essenciais para construir e implementar a solução tecnológica.

Minha jornada reflete minha atuação e interesse por traduzir dados em conhecimento e construir pontes entre a pesquisa científica fundamental e suas aplicações práticas. Acredito que a combinação da curiosidade científica com a capacidade de implementar soluções de dados em larga escala seja fundamental para impulsionar a inovação e gerar impacto significativo no ambiente corporativo ou na vanguarda da ciência.
Fontes: Ricardo José da Silva Afonso – Pesquisador  do LIOA2 (Laboratório de Inovações Ópticas para Oftalmologia e Agricultura) – CEPOF – IFSC – USP; Prof. Dr. Jarbas Caiado de Castro Neto – Coordenador LIOA2 (Laboratório de Inovações Ópticas para Oftalmologia e Agricultura) – CEPOF – IFSC – USP; Prof. Dr. Vanderlei Salvador Bagnato – Coordenador Geral – CEPOF – INCT – IFSC – USP; Me Kleber Jorge Savio Chicrala – Jornalismo Científico e Difusão Científica – CEPOF – INCT – IFSC - USP