06/08/2020

O treinamento para modelos matemáticos na pandemia

Foto: Print da ferramenta computacional RobotDance

Reprodução do blog do IMPA Ciência & Matemática, de O Globo, coordenado por Claudio Landim

Claudia Sagastizábal é pesquisadora do Instituto de Matemática, Estatística e Computação Científica (IMECC) da Unicamp e do Centro de Ciências Matemáticas Aplicadas à Indústria (CeMEAI). Participa do projeto Vidas salvas no Brasil pelo isolamento social, que estima as vidas salvas pelo isolamento social no Brasil durante a Covid-19.

Esta coluna foi produzida para a campanha #CientistaTrabalhando, que celebrou o Dia Nacional da Ciência, ao longo do mês de julho.

A pandemia do novo coronavírus mudou nossa rotina e hábitos. De uma hora para outra o isolamento social virou a forma mais eficiente de combater a transmissão da doença. Mas onde se isolar? Como prever a evolução da Covid-19? Pesquisadores do CeMEAI, Centro de Ciências Matemáticas Aplicadas à Indústria, desenvolveram a ferramenta computacional RobotDance para planejar, de modo coordenado entre municípios vizinhos, as medidas de distanciamento social que permitem movimentar a economia sem deixar colapsar os hospitais. Para isto, é necessário simular o avanço da doença levando em conta as viagens diárias da população entre cidades.

A simulação usa um modelo epidemiológico da transmissão do vírus que depende de parâmetros estimados a partir de dados. Os dados disponíveis desde o início da pandemia são divididos em dois grupos. A história mais antiga serve para estimar o parâmetro e definir o modelo. Para saber se o modelo é bom, são comparados os valores simulados aos valores reais do segundo grupo. Se não houver um bom ajuste, revisam-se os dados e o modelo. Em Inteligência Artificial, o processo é conhecido como “treinar o modelo” e, em Estatística, back-testing.

O mecanismo não é exclusivo da matemática aplicada, pois todos fazemos back-testing em nosso cotidiano. Quem já não teve a experiência de dirigir por uma via rápida, voltando do trabalho para casa, por exemplo, e ao observar o trânsito engarrafado, decidiu sair para um caminho alternativo, explorando ruas até então desconhecidas?

Em termos de modelagem matemática, tínhamos um modelo perfeito do trajeto a ser feito. Era perfeito porque satisfazia perfeitamente a nossa necessidade cotidiana de ir trabalhar. Até que um fator externo, uma incerteza, nos obrigou a repensar o modelo. A informação de novos caminhos periféricos enriqueceu o nosso mapa mental do trajeto. Antes dessa experiência, era como se essas rotas alternativas nem existissem para nós.

Para ler o texto na íntegra acesse o site do jornal