A classificação de nuvens de pontos é uma das tarefas mais caras e lentas de qualquer projeto LiDAR. Todos os anos melhora o que a IA pode automatizar — mas também cresce a confusão sobre onde acaba o modelo e onde começa o critério humano.
O que a IA faz bem hoje
Para as classes maioritárias — solo, vegetação, edificação — os modelos atuais alcançam precisões muito altas de forma consistente. Em projetos de inspeção de linhas elétricas, a separação entre vegetação, torres e condutores é já um problema maioritariamente resolvido à escala de milhões de pontos por minuto, mesmo em corredores de dezenas de quilómetros com mudanças notáveis de vegetação e orografia.
Isto não é coincidência: estas classes têm padrões geométricos muito consistentes (planaridade do solo, verticalidade de estruturas, dispersão da vegetação) que os modelos atuais captam bem a partir de milhares de projetos anteriores de treino. O resultado prático é que uma percentagem muito alta do corredor não precisa de olho humano de todo.
Onde ainda falha
As dificuldades aparecem nas margens: classes minoritárias, objetos ambíguos e zonas de baixa densidade de pontos. Um modelo treinado para um tipo de terreno rende pior noutro, e os falsos positivos em classes críticas (por exemplo, ruído confundido com cabo) têm um custo desproporcionado, porque um único ponto mal classificado num condutor pode disparar um alarme falso de vegetação a invadir a servidão.
Outro ponto cego habitual são as transições: a margem entre um telhado e a vegetação que lhe toca, ou o arranque de um poste a partir do solo. Aí a geometria é ambígua mesmo para um olho humano treinado, pelo que exigir do modelo uma fronteira perfeita é pedir-lhe algo que nem o próprio dado permite resolver com certeza.
A IA não substitui o operador. Reordena o seu trabalho: da etiquetagem massiva à revisão do duvidoso.
O operador humano não desaparece
O valor do especialista desloca-se para o controlo de qualidade: validar o que o modelo marca com baixa confiança, corrigir os erros sistemáticos e assinar o entregável. Por isso a edição de erros tem de estar integrada no mesmo ambiente que a classificação — não numa ferramenta à parte que obrigue a exportar, corrigir e reimportar, perdendo contexto e tempo a cada volta.
É exatamente isto que a Neobora integra num único ambiente: a classificação com IA na nuvem e a edição de erros convivem na mesma ferramenta, com controlos de alta produtividade pensados para o controlo de qualidade. O operador valida, corrige e assina sem sair da plataforma nem exportar o dado para um software à parte.
Na prática isto muda o perfil da função: menos horas de etiquetagem repetitiva e mais horas de critério técnico aplicado aos casos que realmente o requerem. As equipas que fazem bem esta transição não reduzem pessoal, redistribuem-no para controlo de qualidade, gestão de exceções e relação com o cliente final.
Um fluxo realista
Na Neobora o fluxo é: classificação automática na cloud → revisão assistida de zonas de baixa confiança → edição pontual → publicação em geoportal. O operador toca apenas na percentagem do dado que realmente precisa, e o resto flui sem fricção.
Métricas que realmente importam
A precisão global de um modelo é a métrica mais mostrada nas demos e a que menos diz sobre o dia a dia de um projeto. Dois indicadores são mais úteis na hora de decidir: a percentagem do corredor que fica marcada como "rever" após a classificação automática, e o tempo médio de correção por quilómetro assim que chega às mãos do operador.
Um modelo que reduza a zona de revisão a 3-5% do total, com uma edição ágil sobre essa percentagem, produz melhores tempos de entrega do que um modelo com uma precisão global ligeiramente mais alta mas que exige rever 20% do corredor de forma dispersa e imprevisível.
Como avaliar um fornecedor
Antes de se comprometer com uma plataforma de classificação, faz sentido pedir três coisas concretas: um teste sobre dados próprios (não sobre o dataset de demonstração do fornecedor), visibilidade sobre que percentagem do dado fica marcada como duvidosa, e acesso para corrigir esses casos dentro do mesmo ambiente sem depender de um ticket de suporte.
Se um fornecedor não conseguir mostrar essas três coisas com dados reais do cliente, o valor de precisão apresentado na proposta comercial vale pouco: é medido em condições que raramente coincidem com o terreno, a densidade de voo ou o tipo de infraestrutura do projeto concreto.
Na Neobora partimos precisamente dessas três exigências: teste sobre dados reais do cliente, visibilidade da percentagem de dado marcado como duvidoso e correção dentro do mesmo ambiente, sem tickets nem ferramentas externas. Preferimos que nos avaliem com o terreno do projeto à frente, não com um conjunto de dados de demonstração.
Conclusão
Esperar da IA uma automatização total é a receita para a deceção. Esperar dela uma multiplicação da produtividade da equipa — com o humano no ciclo onde importa, medindo o que realmente prevê o tempo de entrega — é realista já hoje. Essa é a aposta da Neobora.
