ANÁLISE INSTRUMENTAL DE MODELOS RNN PARA AGRICULTURA DIGITAL VISANDO COMPUTAÇÃO VERDE

Resumo

Com o agravamento das questões climáticas, é de extrema responsabilidade do profissional de Engenharia de Computação (EC) considerar o impacto ambiental de suas escolhas e ações. O desenvolvimento acelerado das ferramentas tecnológicas trouxe inegáveis benefícios para a sociedade, mas também impôs desafios críticos, especialmente no que se refere às emissões de Gases do Efeito Estufa (GEE). Em 2020, o setor de tecnologia da informação e comunicação (TIC) superou o setor da aviação em termos de emissões de GEE, o que exige uma mudança urgente de postura. No setor agrícola, como suporte às tomadas de decisões de produtores e otimização do uso de recursos naturais, técnicas de smart farming têm sido amplamente discutidas e implementadas, amparadas por diferentes TIC. Um exemplo destacado é o objeto de estudo deste trabalho, o modelo de predição da Massa de Forragem Instantânea (MStotal), desenvolvido em Python a partir de Redes Neurais Recorrentes (RNN), que utilizou dados reais de sistemas campestres do bioma Pampa e mede sua acurácia através do Erro Quadrático Médio. Este modelo foi aprimorado ao longo dos anos com a incorporação de novos dados de previsão meteorológica e a utilização de ferramentas de autoajuste de hiperparâmetros, como o KerasTuner, que contribuíram significativamente para o melhoramento dos seus resultados. Com a perspectiva de intensificação do uso de Inteligência Artificial (IA), também cresce a demanda por recursos computacionais, especialmente pela demanda de retreinamento dos algoritmos para mantê-los atualizados e eficientes diante da incorporação de novas amostras. Nesse contexto, as práticas de computação verde emergem como grandes aliadas visando maximizar a eficiência energética e reduzir o impacto ambiental. O presente trabalho visa comparar o desempenho de duas arquiteturas RNN - Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU) - em termos de eventos de hardware com o objetivo de identificar o modelo que apresentasse melhores resultados, bem como analisar o tempo de execução dessas arquiteturas, especialmente em cenários onde a produção de novos dados é constante. Para isso, instrumentou-se o modelo autoajustado com a aplicação da ferramenta Perf, uma solução de análise e monitoramento para Linux. Foram simulados experimentos para representar cenários em que a rede neural precisa ser frequentemente retreinada, o que demanda um olhar mais consciente frente a massiva utilização de recursos energéticos para alimentação e manutenção dos modelos de IA, posto que estima-se que os gastos de energia elétrica para estes algoritmos, alcancem, em um período não muito distante, níveis exorbitantes. Para os experimentos com as arquiteturas LSTM e GRU, foram utilizadas 48 amostras de dados coletados entre janeiro de 2014 a janeiro de 2019, correspondentes a áreas utilizadas para pecuária em campos nativos da região do pampa situadas na unidade Pecuária Sul da Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA), em Bagé-RS. Cada uma contendo 36 atributos de entrada relacionados a séries temporais geográficas e meteorológicas. Destaca-se que cada combinação de parâmetros foi repetida dez vezes (perf stat -r 10), em uma máquina local com processador multicore AMD Ryzen 5 4500 com frequência de 3,6 GHz e seis núcleos com doze threads, no sistema operacional Ubuntu 24.04 LTS através da versão Python 3.11.5. As análises focaram em eventos de hardware, como branch-misses, page-faults, tendo em vista a relevância destes fatores na latência de uma aplicação em um sistema computacional, cycles, instructions, além de ciclos de clock por instrução (CPI). Através do cálculo do tempo de execução, explorou-se a questão do tempo gasto pelos modelos a partir da ampliação de uma ordem de grandeza do conjunto de dados de modo a proporcionar um melhor entendimento sobre sua eficiência em usos mais intensivos. Os resultados mostraram que a GRU se destacou, reduzindo o número de CPI em 44% e, principalmente em cenários de grandes volumes de dados de treinamento, onde sua utilização levou a uma redução de cerca de 20% na latência sem perda de acurácia. Isso evidencia um potencial significativo na redução do tempo de execução em comparação à LSTM, utilizada no modelo de predição original. Este desempenho superior sugere que a GRU pode ser mais adequada para aplicações que exigem alta eficiência computacional e energética, especialmente em contextos onde o retreinamento frequente é necessário e deseja-se integrar aspectos de computação verde que visam a redução na emissão dos GEE. Por fim, este trabalho reforça a indissociabilidade entre Ensino, Pesquisa e Extensão, uma vez que foi possível experienciar a aplicação de conceitos abordados em disciplinas do curso de EC, na análise e interpretação dos resultados de uma técnica aplicável em soluções de pecuária no contexto de computação aplicada, evidenciando a relevância prática do conhecimento acadêmico no desenvolvimento de soluções de problemas reais.