Aprendizado de Máquinas na Agricultura: um modelo de apoio a decisão centrado no agricultor e baseado em XAI.

• Processo: 25/02843-2
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Data de Início da vigência: 15 de junho de 2025
• Data de Término da vigência: 14 de setembro de 2025
• Área de conhecimento: Interdisciplinar
• Pesquisador responsável: Lucas Gabriel Zanon
• Beneficiário: Elvio José Sêneda Filho
• Supervisor: Francesco Marcelloni
• Instituição Sede: Escola de Engenharia de São Carlos (EESC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: Università di Pisa, Itália
• Vinculado à bolsa: 24/03042-0 - Gestão de desempenho em Agtechs: uma abordagem preditiva baseada em aprendizagem de máquina e na teoria dos sistemas grey, BP.MS
• Assunto(s): Inteligência artificial explicável Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Agtech | decision support systems | Explainable Artificial Intelligence | machine learning | Gestão de Operações; Sistemas de Informação; Inteligência Artificial

Resumo

O aumento da demanda por alimentos e a necessidade de sistemas alimentares mais eficientes e sustentáveis contribuíram para o surgimento do conceito de Agricultura Inteligente (Smart Farming), que abrange o uso de tecnologias como Machine Learning (ML) e Internet das Coisas (Internet of Things - IoT) na agricultura. No entanto, a aplicação de abordagens de ML pode gerar a necessidade de maior explicabilidade de resultados e/ou interpretabilidade do funcionamento de modelos. Nesse cenário, o conceito de Explainable Artificial Intelligence (XAI) abrange técnicas que buscam garantir maior explicabilidade de modelos de Inteligência Artificial (IA). Assim, este projeto de pesquisa tem como objetivo incorporar a aplicação de técnicas de XAI à pesquisa de mestrado do candidato, aumentando a explicabilidade do modelo de ML proposto e desenvolvendo um modelo de apoio à decisão centrado no agricultor. Esta pesquisa é classificada como quantitativa, axiomática e normativa. Os resultados esperados são: uma revisão da literatura sobre XAI, uma implementação computacional e uma aplicação ilustrativa de técnicas de XAI para a tomada de decisão na agricultura. As contribuições esperadas são: avanços acadêmicos das aplicações de XAI na agricultura; desenvolvimento de uma abordagem de XAI prática, baseada na parceria com uma empresa Agtech; fortalecimento dos resultados do projeto de mestrado vinculado a esta pesquisa; e, por fim, a consolidação de parcerias internacionais.