Inteligência artificial ganhou uma função estratégica em problemas de engenharia com muitas variáveis, simulações caras e decisões difíceis de testar. Segundo o MIT News, pesquisadores do MIT criaram uma abordagem comparada a um “ChatGPT das planilhas”, capaz de encontrar boas soluções de 10 a 100 vezes mais rápido em certos desafios. O método usa dados tabulares, otimização bayesiana e seleção inteligente de parâmetros para acelerar projetos complexos.
O que é o “ChatGPT das planilhas” citado pelo MIT?
O “ChatGPT das planilhas” é um modelo de fundação tabular, treinado para lidar com entradas e saídas organizadas em tabelas. Em vez de responder com texto, como um chatbot, ele interpreta colunas, linhas, variáveis numéricas e relações entre parâmetros de projeto.
MIT comparou esse sistema a modelos de linguagem porque a lógica de reaproveitamento é parecida. O modelo de fundação tabular já chega pré-treinado com grande volume de dados e pode ser aplicado a novos problemas sem começar o aprendizado do zero a cada tarefa.
Como a inteligência artificial acelera problemas de engenharia?
Inteligência artificial acelera o processo ao identificar quais variáveis mais influenciam o resultado final. Em um carro, por exemplo, centenas de critérios podem afetar segurança, peso, custo, aerodinâmica e desempenho em colisões, mas nem todos têm o mesmo impacto na solução ideal.
O sistema desenvolvido pelos pesquisadores usa essa leitura para concentrar a busca nos fatores mais importantes. Em vez de testar todas as combinações possíveis, ele reduz o espaço de procura e prioriza configurações com maior chance de melhorar o desempenho.
- variáveis críticas recebem mais atenção durante a busca;
- parâmetros de baixo impacto deixam de consumir tantas simulações;
- modelos substitutos estimam resultados antes de testes caros;
- iterações sucessivas refinam a solução com menos desperdício computacional.
Por que a otimização bayesiana precisava ser repensada?
Otimização bayesiana já é usada quando avaliar cada tentativa custa caro, como em simulações de rede elétrica, testes de colisão ou desenvolvimento de veículos. O método cria um modelo substituto para prever quais configurações devem ser exploradas em seguida, equilibrando incerteza e desempenho esperado.
O problema aparece quando há centenas de dimensões. A otimização bayesiana tradicional pode exigir retreinamento constante do modelo substituto, o que torna a busca pesada em problemas com muitas combinações. A abordagem do MIT troca essa peça por um modelo de fundação tabular, que pode operar sem retreinamento contínuo.
- menos retreinamento reduz custo computacional;
- dados tabulares representam bem problemas de projeto;
- alta dimensionalidade deixa métodos clássicos mais lentos;
- modelos pré-treinados reaproveitam conhecimento entre tarefas.
Quais desafios reais podem se beneficiar desse algoritmo?
Engenharia envolve decisões em cadeia, nas quais uma escolha altera várias outras. A pesquisa testou o método em benchmarks realistas, incluindo projeto de redes de energia e segurança veicular, áreas onde uma solução melhor pode depender de poucas variáveis escondidas entre muitas opções.
Engenharia de materiais, descoberta de fármacos, desenho de navios e sistemas mecânicos também podem se beneficiar. Nessas áreas, cada simulação pode levar tempo, exigir infraestrutura cara ou depender de medições especializadas, o que torna a escolha da próxima tentativa uma parte crucial do trabalho.
- redes elétricas exigem equilíbrio entre demanda, estabilidade e custo;
- veículos combinam segurança, estrutura, peso e eficiência;
- materiais dependem de composição, temperatura e propriedades físicas;
- navios reúnem hidrodinâmica, resistência, consumo e capacidade de carga.
O que significa ser até 100 vezes mais rápido?
A marca de 10 a 100 vezes mais rápido veio de testes com 60 problemas de referência, nos quais o método foi comparado com cinco algoritmos avançados de otimização. Em muitos casos, a nova abordagem encontrou soluções de alta qualidade usando bem menos avaliações.
Esse ganho não significa que todo desafio será resolvido instantaneamente. O próprio MIT aponta que o método não superou alternativas em todos os cenários, como planejamento de trajetória robótica. O desempenho depende da proximidade entre o problema analisado e os padrões aprendidos pelo modelo de fundação tabular.
Por que essa abordagem pode mudar o trabalho dos engenheiros?
Inteligência artificial passa a atuar como motor algorítmico dentro de ferramentas científicas, não apenas como assistente de texto ou gerador de imagens. Ao combinar modelo de fundação tabular e otimização bayesiana, o sistema ajuda especialistas a navegar por espaços de projeto que antes pareciam grandes demais para análise eficiente.
MIT mostra que a próxima etapa envolve problemas com milhares ou até milhões de dimensões. Se essa escala for alcançada, equipes de projeto poderão testar hipóteses com mais precisão, reduzir simulações improdutivas e transformar tabelas complexas em decisões técnicas mais rápidas, rastreáveis e úteis para sistemas reais.
