A DeepNeuronic venceu o Prémio Nacional de Inovação na categoria Tecnologia com uma solução que promete transformar a forma como é feita a videovigilância. A empresa desenvolveu uma plataforma de inteligência artificial que deteta automaticamente eventos de perigo e situações de interesse em tempo real, 24 horas por dia, aplicável em cidades, empresas e estabelecimentos.

O sistema é capaz de reconhecer mais de 110 objetos diferentes e mais de 45 situações distintas, que vão desde comportamentos comuns como caminhar, correr ou saltar até ocorrências de maior risco como quedas, incêndios, vandalismo, armas, fumo, acidentes de trânsito, agressões, roubos ou explosões. Esta abrangência, garante a DeepNeuronic, dá ao cliente uma visão clara do ambiente captado, facilitando a interpretação de comportamentos humanos ao longo do tempo.

Um dos pontos fortes que a DeepNeuronic atribui a esta tecnologia é a flexibilidade. Pode ser configurada de acordo com as necessidades de cada cliente, mesmo que estas não estejam ainda no portefólio da empresa, com uma média de apenas dez dias até incluir novas deteções ou reconhecimentos. O software é totalmente agnóstico em relação ao hardware utilizado, seja no tipo e marca de câmaras, seja no equipamento de processamento, o que, segundo a empresa, permite uma adaptação rápida a diferentes cenários de instalação. Ao Negócios, Gabriela Martins, business manager da DeepNeuronic, diz que ter vencido o Prémio Nacional de Inovação é um sinal claro do impacto da solução no mercado.

“A conquista do PNI funciona como um selo de credibilidade em três níveis. Primeiro, valida externamente a qualidade técnica da nossa plataforma perante pares e investidores; segundo, aumenta a nossa capacidade de negociação comercial; terceiro, atua como catalisador de recrutamento e parcerias académicas e industriais”.

Segundo a business manager da DeepNeuronic, a grande mais-valia da plataforma está na abordagem completa. Nas palavras de Gabriela Martins, “o prémio corrobora que a nossa abordagem end-to-end - integrar visão computacional robusta com pipelines de inferência em tempo real e integração em CCTV legacy - não é apenas académica, mas tem impacto mensurável”.

A empresa defende que este modelo valida escolhas de arquitetura que privilegiam “modelos leves e robustos para edge, orquestração híbrida edge/cloud, foco em latência e precisão”. Para Gabriela Martins, isso significa que a solução consegue “equilibrar exigências concorrentes: baixa latência, alta precisão em condições reais e capacidade de operar sobre infraestruturas existentes”.

Outro aspeto singular é a rapidez com que a tecnologia se adapta a diferentes necessidades. “A diferenciação vem de três fatores técnicos e operacionais: arquitetura modular, transfer learning e fine-tuning rápidos, e uma infraestrutura de deployment automatizada”, afirma.

De acordo com Gabriela Martins, esta flexibilidade traduz-se em retorno mais rápido para os clientes e em vantagem competitiva no mercado global, onde cada país ou setor tem requisitos específicos, desde cenários urbanos a legislações distintas ou tipos de câmaras em uso.

Os desafios técnicos

Para a gestora, os desafios técnicos de detetar mais de 110 objetos e 45 situações distintas são múltiplos e complexos, exigindo soluções específicas em várias frentes. “Os desafios principais são a ambiguidade de classes e long-tail, confusões contextuais, robustez à variação, latência e capacidade computacional, falsos positivos e negativos, calibração e escalabilidade operacional”, resume a gestora.

Um dos pontos críticos está na ambiguidade das classes. Muitas categorias são raras e têm poucas amostras disponíveis para treino, o que obriga a recorrer a estratégias de few-shot learning e à geração sintética de dados. Só assim, defende a empresa, é possível evitar que a performance do sistema caia quando se depara com situações pouco representadas em bases de dados tradicionais.

Outra dificuldade surge nas chamadas confusões contextuais. Gabriela Martins dá o exemplo concreto. “Situações (por exemplo, abraço vs agressão) dependem de temporalidade e contexto, exigem modelos spatio-temporais e pipelines que combinem deteção por frame com análise de sequência”. Isto significa que não basta olhar para uma imagem isolada, sendo preciso compreender a evolução do movimento ao longo do tempo para distinguir gestos semelhantes mas de significados opostos.

A robustez face a variações do mundo real é igualmente um desafio. Segundo a DeepNeuronic, a iluminação, as oclusões, os diferentes ângulos de captação, a compressão do vídeo e a diversidade de resoluções obrigam a treinar os modelos com dados heterogéneos e a realizar testes contínuos em cenários reais. Só assim a empresa garante que a solução mantém desempenho estável em contextos tão diferentes como ruas movimentadas, espaços interiores ou ambientes industriais.

Outro ponto sensível prende-se com os requisitos de latência e capacidade computacional. Executar em tempo real vários modelos e rotinas de deteção no edge, ou seja, junto da fonte de vídeo, exige uma otimização constante dos algoritmos e uma gestão eficiente dos recursos de hardware. Gabriela Martins reconhece que se trata de equilibrar “latência e capacidade computacional”, garantindo ao mesmo tempo rapidez de resposta e fiabilidade dos resultados.

Os falsos positivos e negativos representam mais um desafio central. A empresa trabalha com thresholds adaptativos, ou seja, valores de referência que definem quando um alerta é acionado, e mecanismos de verificação multissensor para gerir este equilíbrio. A calibração, segundo Gabriela Martins, é crítica. Um sistema demasiado sensível gera alarmes em excesso, enquanto um demasiado restritivo pode falhar incidentes relevantes. Por fim, a escalabilidade operacional é uma exigência incontornável num mercado onde a tecnologia tem de ser implementada em milhares de câmaras de forma simultânea. A DeepNeuronic responde com mecanismos de gestão de logs, armazenamento eficiente e processos que permitem atualizar modelos em larga escala sem interromper o funcionamento dos sistemas.

Capacidade de gerar alertas em tempo real

Segundo Gabriela Martins, a tecnologia da DeepNeuronic traz impacto concreto e mensurável em diferentes frentes de segurança, desde o espaço público até às operações privadas. “Contribuímos em três frentes complementares: prevenção proativa, redução do tempo de resposta e inteligência operacional”, sintetiza a business manager.

Na prevenção proativa, a plataforma destaca-se pela capacidade de gerar alertas em tempo real sempre que ocorre um evento de risco. Isso significa que situações como um veículo em contramão, comportamentos agressivos, invasões ou a presença de armas podem ser imediatamente sinalizadas, permitindo uma intervenção rápida antes que os incidentes se agravem. A inteligência artificial funciona, assim, como um aliado invisível dos operadores humanos, aumentando a capacidade de vigilância sem exigir um esforço constante de atenção sobre dezenas ou centenas de ecrãs.

A redução do tempo de resposta é outro benefício direto. No entender de Gabriela Martins, a tecnologia transforma os fluxos de vídeo em informação acionável, com metadados estruturados e prioridades definidas, o que dá aos operadores ferramentas para atuarem de forma mais célere e eficaz. Em vez de perderem minutos preciosos a rever gravações ou a tentar identificar o que se passa num vídeo em direto, os profissionais recebem alertas claros que os ajudam a focar-se no que é realmente crítico.

A terceira frente é a da inteligência operacional. Para além da deteção imediata de incidentes, a plataforma recolhe e organiza informação agregada que permite analisar padrões e tendências ao longo do tempo. Gabriela Martins explica que esta dimensão é fundamental para planear recursos e otimizar operações. As análises podem incluir fluxos pedonais, identificação de hotspots de risco, padrões anómalos em determinadas áreas ou períodos de maior ocupação.

Esta informação estruturada serve de base para o planeamento urbano, para a gestão de turnos das equipas de segurança ou para decisões de investimento em infraestruturas.

O impacto não se limita à prevenção e resposta imediata. A análise longitudinal do comportamento humano ao longo do tempo acrescenta valor em múltiplos setores. De acordo com a gestora, a solução é capaz de identificar trajetórias, tempos de permanência e padrões de deslocação, utilizando técnicas de análise de séries temporais, clustering de trajetórias e modelos preditivos. O que abre a porta a casos de uso como a otimização do layout de lojas, a planificação de rotas em logística ou a identificação de zonas de risco emergentes em ambientes urbanos.

Para além de Portugal

Depois de validar a sua tecnologia no mercado nacional e conquistar o Prémio Nacional de Inovação, a DeepNeuronic já olha para o futuro com uma estratégia clara de evolução tecnológica e de expansão internacional. A nível comercial, a estratégia passa por alianças com integradores, fornecedores de sistemas de gestão de vídeo e operadores de transporte e de cidades inteligentes. Estas parcerias são vistas como essenciais para acelerar a adoção internacional da tecnologia. A empresa está particularmente atenta a mercados que já apresentam elevada adoção de soluções smart city e de mobilidade inteligente, onde a procura por vigilância inteligente é mais forte e mais urgente. A expansão não se limita à segurança urbana. A DeepNeuronic está a desenvolver módulos analíticos verticais direcionados para áreas como mobilidade, retalho ou indústria, explorando necessidades específicas de cada setor.

Outra aposta é o modelo SaaS. Pensado para clientes que prefiram soluções em cloud analytics, mais leves e fáceis de implementar.