INTELIGÊNCIA ARTIFICIAL 38 A Avaliação do Ciclo de Vida (ACV) é uma metodologia para avaliar o potencial impacte ambiental de um plástico ao longo de todo o seu ciclo de vida. A Aprendizagem Automática pode ser utilizada em conjunto com ACV para gerar inventários do ciclo de vida, determinar fatores de caracterização, estimar impactes e auxiliar na interpretação do ciclo de vida. DESAFIOS A VENCER A integração de Aprendizagem Automática na indústria dos plásticos deu início a uma nova era de inovação, eficiência e sustentabilidade. Como descrito acima, este salto tecnológico abrange várias facetas da indústria, com claras vantagens: acelera a descoberta de polímeros inovadores, promove uma compreensão das propriedades dos materiais baseada em dados, oferece capacidades preditivas melhoradas, melhora a eficiência dos recursos e incentiva a sustentabilidade ao promover a utilização de materiais residuais. No entanto, existem alguns desafios que devem ser ultrapassados. De um modo geral, os algoritmos de Aprendizagem Automática requerem volumes substanciais de dados de qualidade. Estes dados precisam de ser pré-processados e rotulados antes de treinar os algoritmos, sendo este processo dispendioso devido ao tempo e conhecimento especializado necessários. Apesar dos benefícios e oportunidades da Aprendizagem Automática na utilização de dados, subsistem preocupações relativamente ao acesso e confidencialidade dos dados. Muitas indústrias geram e recolhem uma grande quantidade de dados, mas não dispõem dos recursos humanos especializados necessários para tirar partido desta informação. Dependendo dos dados e do problema em análise, pode ser necessário utilizar modelos de Aprendizagem Automática complexos, o que pode levar a dificuldades na interpretação e explicabilidade do modelo, i.e., perceber a razão pela qual o algoritmo chegou a um dado resultado. A explicabilidade dos modelos é crucial para extrair conhecimento relevante dos processos, bem como para fornecer informações aos diferentes stakeholders. Se o modelo de machine learning não for interpretável, pode ser difícil de validar e melhorar. Um dos obstáculos ao aumento da utilização da Aprendizagem Automática é a falta de ferramentas, métodos ou abordagens que possam ajudar na escolha de algoritmos e na interpretação dos resultados alcançados, especialmente por utilizadores que não são especialistas na área da IA. Por último, devem também ser considerados os custos e os impactes ambientais do treino dos modelos de Aprendizagem Automática. O tratamento de dados, o poder computacional para treino e utilização dos modelos e a iteratividade de todo o processo representa um consumo de energia que deve ser medido e quantificado, para que o processo de Aprendizagem Automática seja cada vez mais eficiente e útil. O FUTURO PASSA PELA IA Embora a Aprendizagem Automática tenha o potencial de aumentar a sustentabilidade dos polímeros, a concretização deste potencial pode exigir o desenvolvimento de ferramentas específicas para os setores onde o plástico é produzido ou onde é utilizado. Também será necessário que as ferramentas sejam de fácil utilização para não especialistas e que sejam capazes de lidar com a escassez de dados (em quantidade e qualidade). Através destes esforços, a Aprendizagem Automática pode contribuir significativamente para o desenvolvimento e otimização de polímeros sustentáveis, promovendo, em última análise, uma indústria de plásticos mais sustentável ambientalmente. n REFERÊNCIAS 1. Géron, A., 2019. Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow, 2nd Edition. O'Reilly Media, Inc, California. 2. Guarda, C., Caseiro, J., Pires, A., 2024. Machine learning to enhance sustainable plastics: A review. J Clean Prod, 474, 143602. https://doi. org/10.1016/j.jclepro.2024.143602. 3. Mohanty, A., Wu, F., Mincheva, R., Hakkarainen, M., Raquez, J., Mielewski, D. F., Narayan, R., Netravali, A. N., Misra, M., 2022. Sustainable polymers. Nat Rev Methods Primers, 2, 46. https://doi.org/10.1038/s43586022-00124-8. 4. Shams, M., Alam, I., Mahbub, M. S., 2021. Plastic pollution during COVID-19: Plastic waste directives and its long-term impact on the environment. Environ Adv, 5, 100119. https://doi.org/10.1016/j.envadv.2021.100119. 5. Statista, 2023. Plastic waste worldwide - statistics & facts. https://www. statista.com/topics/5401/global-plastic-waste/ (accessed 15 Nov 2023). 6. Suzuki, G., Uchida, N., Tuyen, L. H., Tanaka, K., Matsukami, H., Kunisue, T., Takahashi, S., Viet, P. H., Kuramochi, H., Osako, M., 2022. Mechanical recycling of plastic waste as a point source of microplastic pollution. Environ Pollut, 303, 119114. https://doi.org/10.1016/j.envpol.2022.119114. Artigo realizado em novembro de 2024.
RkJQdWJsaXNoZXIy Njg1MjYx