IA do DeepOrder otimiza análise de imagens com números hipercomplexos

Pesquisadores da Universidade Estadual de Campinas (Unicamp) desenvolveram uma nova abordagem para a análise de imagens por inteligência artificial (IA), que promete tornar o processamento mais eficiente e preciso. O projeto, batizado de DeepOrder, utiliza números hipercomplexos para tratar cada pixel de uma imagem colorida como uma entidade única, em vez de analisar separadamente seus componentes de cor (vermelho, verde e azul).

Atualmente, a maioria das IAs analisa imagens canal por canal. Uma foto colorida, por exemplo, é composta por pixels que contêm informações sobre a quantidade de vermelho, verde e azul. Um algoritmo comum precisa processar esses três dados (canais) separadamente para depois combiná-los e entender a cor final. O trabalho de Marcos Eduardo Ribeiro do Valle Mesquita, do Instituto de Matemática, Estatística e Computação Científica (Imecc) da Unicamp, foca em criar algoritmos que já interpretem as cores como um todo desde o início.

O que são números hipercomplexos e como funcionam

A pesquisa se baseia na ideia de que números reais e imaginários (como o número 'i', que é a raiz quadrada de -1) podem ser combinados para formar números complexos. A partir daí, expande-se para os números hipercomplexos, que adicionam mais componentes imaginários (representados por 'j' e 'k'), permitindo descrever entidades com múltiplas dimensões. No projeto DeepOrder, cada canal de cor de um pixel (RGB) é associado a um desses componentes (i, j, k).

Essa representação permite que a IA trate a cor de um pixel como um objeto único, simplificando a análise. "O nosso objetivo é ver uma cor RGB como uma entidade, um objeto único, e não como três coisas separadas", explica Mesquita. Essa abordagem, segundo ele, resulta em modelos mais robustos, com menos parâmetros, mais fáceis de treinar e com maior capacidade de generalização.

Eficiência e acessibilidade computacional

A eficiência da abordagem do DeepOrder é crucial em um cenário onde o poder computacional é um fator limitante para muitos países. Enquanto os Estados Unidos possuem mais de 5 mil data centers, o Brasil conta com pouco mais de 220. A otimização do processamento permite que modelos de IA rodem em hardware mais acessível, promovendo a soberania tecnológica e reduzindo a dependência de grandes infraestruturas.

"Muitos países têm pensado em soberania, em melhorar a eficiência computacional dos modelos para que eles possam rodar em um hardware acessível e não seja preciso extrapolar dados para empresas estrangeiras", afirma Wallace Casaca, especialista em análise de imagens e professor da Unesp.

Aplicações práticas e desafios futuros

O projeto já demonstrou resultados promissores em aplicações médicas. Em um trabalho publicado em 2024, a rede de valor vetorial do DeepOrder alcançou 96,5% de acerto no diagnóstico de leucemia a partir de lâminas de sangue, utilizando cerca de 75% menos parâmetros que uma rede comum. Essa precisão e eficiência são importantes para tornar a IA mais confiável em diagnósticos médicos.

Apesar dos avanços, a interpretabilidade das redes neurais ainda é um desafio. "Quando a gente usa [redes neurais] para fazer um diagnóstico médico, isso é totalmente perigoso, porque a gente não sabe quais critérios foram usados para fazer a classificação", aponta Mesquita. O DeepOrder busca mitigar esse problema ao embutir relações matemáticas e estruturas conhecidas no modelo desde o início, tornando suas decisões mais organizadas e, em alguma medida, mais fáceis de interpretar.