AJUSTE FINO DE HIPERPARÂMETROS EM MODELO DE PREDIÇÃO PARA AGRICULTURA DIGITAL COM ÁRVORES DE DECISÃO

Resumo

A crescente demanda por tecnologias avançadas no âmbito agropecuário tem impulsionado o desenvolvimento de soluções baseadas em aprendizado de máquina e profundo, destacando o uso de Redes Neurais Recorrentes (RNN) com arquitetura de Long Short-Term Memory (LSTM), devido à sua capacidade de compreender a sequencialidade em dados temporais, permitindo previsões mais precisas voltadas a esse contexto. No entanto, o processo de ajuste fino dos hiperparâmetros dessas redes, variáveis fundamentais para o desempenho do modelo, ainda representa um desafio significativo no que tange sua adaptabilidade, desempenho e custo computacional, como é o caso das ferramentas de autoajuste, tal qual KerasTuner, que eleva substancialmente o tempo de execução dos algoritmos com o acréscimo de uma etapa de sintonização e, ainda assim, nem sempre garante uma acurácia aceitável para todos os diferentes modelos de predição em que pode ser aplicada. Dessa forma, este estudo busca explorar uma abordagem alternativa aos métodos já consolidados para otimizar o ajuste dos hiperparâmetros em modelos de RNN, visando reduzir treinamentos com resultados insatisfatórios e minimizar o custo computacional associado. A pesquisa é de caráter exploratório experimental e fundamenta-se na aplicação de algoritmos de Árvores de Decisão (AD), que são estruturas de dados usadas para modelar decisões baseadas em critérios condicionais, como uma forma de mapear a influência dos hiperparâmetros na acurácia da previsão de um modelo de RNN e arquitetura LSTM aplicado à agricultura digital. Por sua vez, este algoritmo prediz a quantidade de massa de forragem medida em kg/ha em pastagens, a partir de amostras climáticas e de ambiente coletadas entre 2014 e 2019, provenientes de experimentos com pecuária de campo nativo característico do bioma Pampa, processadas por duas camadas de neurônios. Para gerar as combinações de hiperparâmetros utilizadas no desenvolvimento da árvore de decisão, a qual avalia a acurácia do modelo com base no Erro Médio Quadrático (RMSE), empregou-se KerasTuner que, através do sintonizador RandomSearch, testa diferentes configurações dessas variáveis que são, neste caso, a quantidade de neurônios em cada camada, o estado do dropout, a função de ativação utilizada e a taxa de aprendizado. Esses cinco atributos, juntamente com a mensuração do erro, são processados através da biblioteca "scikit-learn" da linguagem Python, classificando, a partir dessas entradas, os ajustes como adequados ou inadequados, com base em um limite do RMSE de 1700 kg/ha. O desempenho da árvore de decisão é avaliado pela sua capacidade de prever a adequação dos ajustes: o modelo demonstrou 90% de acurácia na predição de ajustes inadequados e 67% de acurácia na predição de ajustes adequados. Esses resultados indicam que a aplicação de AD pode ser uma abordagem eficaz para reduzir o custo associado ao ajuste de hiperparâmetros em RNN, porque ao evitar treinamentos excessivos, ajustes inadequados ou o uso de sintonizadores esta técnica proposta pode proporcionar um uso mais eficiente dos recursos computacionais, alinhando-se aos princípios da computação verde e às diretrizes de sustentabilidade social, ambiental e de governança (ESG). Ademais, a utilização de árvores de decisão não apenas facilita a escolha dos melhores hiperparâmetros, mas também permite uma análise mais profunda do comportamento da rede neural, pois ao compreender quais destas variáveis têm maior influência sobre a acurácia do modelo, é possível ajustar a RNN de maneira mais eficiente, evitando ajustes empíricos que, muitas vezes, são realizados de forma aleatória e pouco informada. A acurácia atingida pela AD mostrou-se satisfatória o suficiente para torná-la uma alternativa às ferramentas de autoajuste, as quais acabam agregando um tempo extra para sintonização do modelo, com significativo consumo de recursos computacionais e, consequentemente, contribuindo para o aumento da pegada de carbono da solução. Conclui-se que a abordagem proposta neste estudo, ao integrar técnicas de aprendizado profundo com metodologias de mineração de dados, pode desempenhar um papel crucial no avanço do entendimento do comportamento de RNN, visto que a aplicação de árvores de decisão para o ajuste de hiperparâmetros desses modelos não só melhora a eficiência computacional como também promove uma melhor utilização dos recursos disponíveis, evitando treinamentos com um conjunto inadequado dessas variáveis em cerca de 90% dos casos e, portanto, auxiliando no desenvolvimento de práticas computacionais e agrícolas mais inteligentes e sustentáveis perante à ESG. Dessa maneira, a relevância desse trabalho se dá em sua contribuição para a criação de modelos preditivos mais precisos e eficientes, reforçando a viabilidade do uso de técnicas de aprendizado de máquina para enfrentar desafios complexos na agricultura digital de uma forma acessível e menos onerosa com diversas alternativas de ajuste fino dos hiperparâmetros.