O desafio era aprimorar esforços para identificar propriedades, como edifícios, a fim de detectar invasões em linhas de transmissão de energia. Além disso, era preciso que a solução tecnológica fosse robusta, capaz de fazer uma classificação automática em uma rede com grande cobertura.

A avaliação manual de imagens para detectar edifícios localizados em setores muito próximos a linhas de energia em diferentes áreas geográficas era um problema.

Para tanto, a solução foi desenvolver e implementar na infraestrutura do Google Cloud Platform, um modelo de Machine Learning para identificação de elementos de propriedade a partir de imagens aéreas. A Servi usou o GCP para treinar uma rede neural convolucional (CNN), que é uma classe de rede artificial comumente aplicada no processamento e análise de imagens digitais e é essa rede que classifica, localiza, segmenta e retorna os resultados para visualização e tomando decisão.

Os resultados obtidos pela ENEL – Codensa, que distribui e comercializa energia elétrica para mais de 3,4 milhões de clientes na Colômbia, foi um aumento imediato no processo de gestão do serviço, com alto percentual de confiabilidade e a visualização completa dos elementos detectados no BigQuery, graças a implementação de um modelo de segmentação, usando as funções de Inteligência Artificial e Machine Learning do Google Cloud.

A Servi ajudou a entender a oportunidade de melhorar o processo de detecção precoce de invasões em faixas de propriedade do Estado, dando aos funcionários a capacidade de avaliar rapidamente toda a cobertura de sua rede, processo que no passado era realizado manualmente sem atingir 100% de cobertura.