IA contra ataques de tubarão: como tecnologia pode prever riscos em tempo real

O ataque de tubarão ocorrido na praia de Boa Viagem, no Recife, que resultou na amputação da perna de Marcela Vitória de Lima Santos, de 19 anos, reacendeu um debate que deveria ser constante: como a tecnologia pode ser aplicada para prevenir tragédias como essa? A jovem permanece internada em estado grave na UTI do Hospital da Restauração. A região metropolitana do Recife acumula, há décadas, um histórico alarmante de incidentes com tubarões, especialmente nas praias urbanas que concentram grande fluxo de banhistas. A situação expõe uma lacuna que não é apenas de fiscalização, mas de inteligência preditiva e automação de respostas.

Quando falamos em Inteligência Artificial aplicada à segurança pública e ao monitoramento ambiental, não estamos tratando de ficção científica. Existem hoje sistemas operacionais baseados em visão computacional, sensoriamento remoto e análise de dados históricos que podem, em tese, prever janelas de risco elevado para incidentes com tubarões. A questão central não é a disponibilidade da tecnologia, mas a integração dela com os processos operacionais de defesa civil, guarda costeira e gestão municipal. A tragédia de Marcela é um lembrete brutal de que o custo da inação pode ser uma vida ou um membro amputado.

O objetivo deste artigo é examinar, com o realismo de quem trabalha com engenharia de produtos digitais e infraestrutura, quais soluções técnicas estão disponíveis, quais são os gargalos reais para implementação e o que aprendemos com a recorrência desses acidentes. Não se trata de oferecer uma bala de prata, mas de mapear um caminho viável de mitigação de riscos usando IA, sensores e decisões baseadas em dados.

Contexto técnico ou de negócio

A praia de Boa Viagem é um caso de estudo clássico em ecologia marinha e gestão de riscos. A construção do Porto de Suape, na década de 1980, alterou significativamente a dinâmica de correntes marítimas e a disponibilidade de presas para tubarões na costa recifense. Com o tempo, a espécie mais envolvida em ataques, o tubarão-tigre, passou a frequentar áreas rasas e próximas à orla. O resultado é uma concentração anômala de incidentes que não encontra paralelo em outras capitais litorâneas brasileiras.

O papel dos dados históricos na modelagem preditiva

Para qualquer engenheiro de dados ou cientista da computação, um dos primeiros passos para construir um sistema de alerta seria estruturar uma base histórica confiável de ataques, avistamentos e condições ambientais. No Recife, esse conjunto de dados existe, embora nem sempre esteja organizado em formato padronizado e acessível. A prefeitura e o Corpo de Bombeiros mantêm registros desde 1992, mas a integração com métricas como salinidade, temperatura da água, fase lunar e período de maré ainda é incipiente. Um sistema de IA bem treinado poderia cruzar essas variáveis e gerar scores de risco em tempo real, orientando o fechamento de trechos da praia com horas de antecedência.

O gargalo começa no sensoriamento: a costa nordestina não possui uma rede densa de boias oceanográficas e radares subaquáticos que alimentem modelos de forma contínua. Soluções de baixo custo, como drones autônomos com câmeras multiespectrais e algoritmos de detecção de sombras submersas, já foram testadas em outras regiões do mundo, como na Austrália e na África do Sul. A adaptação para o Recife é tecnicamente viável, mas exige investimento público e articulação com universidades e startups de deep tech.

Desenvolvimento

Em termos de arquitetura de sistema, um produto digital de monitoramento de risco de tubarões precisaria operar em três camadas principais. A primeira é a camada de coleta, composta por sensores físicos e APIs de dados públicos (meteorologia, marés, histórico de avistamentos). A segunda é a camada de processamento, onde modelos de machine learning, como florestas aleatórias ou redes neurais recorrentes, analisariam correlações entre variáveis ambientais e ocorrências passadas. A terceira é a camada de atuação, que emitiria alertas geolocalizados para autoridades e, idealmente, para o público por meio de aplicativos e totens na orla.

Uma dificuldade prática é que modelos treinados apenas em dados históricos podem não generalizar bem para cenários de mudanças climáticas rápidas. O aumento da temperatura média da superfície do mar e a alteração das correntes podem criar padrões inéditos. Por isso, uma abordagem mais robusta envolve aprendizado contínuo (online learning), onde o modelo é reajustado conforme novos dados de avistamentos e ataques são registrados. Isso exige uma infraestrutura de MLOps madura, com pipelines de dados atualizados em tempo real e governança sobre a qualidade das entradas.

Implicações operacionais para defesa civil e governança

Implementar um sistema desses vai além da modelagem matemática. Exige integrar o produto digital ao fluxo de trabalho de guarda-vidas, bombeiros e gestores municipais. Um alerta gerado por IA que não chega a quem pode agir é um ruído irrelevante. A decisão de fechar um trecho de praia envolve questões legais, de responsabilidade civil e de pressão econômica de comerciantes locais. Uma recomendação automatizada precisa vir acompanhada de um framework de interpretabilidade, para que o operador humano entenda por que o risco foi elevado naquele horário específico.

• Visão computacional com drones: Drones comerciais equipados com câmeras de alta resolução e modelos YOLO (You Only Look Once) podem detectar a silhueta de tubarões em águas rasas e enviar a localização exata para a central de monitoramento. O desafio é a autonomia de voo e a necessidade de operadores certificados, o que eleva o custo operacional.
• Sensores acústicos submersos: Dispositivos que captam sinais de rádio de transmissores implantados em tubarões (tagging) são usados no Havaí e na Austrália. No Recife, existem programas de marcação, mas a cobertura é limitada a algumas dezenas de animais. Escalar essa solução exige recursos de biologia marinha e financiamento contínuo.
• Aplicativos de alerta com gamificação: Uma plataforma mobile que exibe o nível de risco em cada trecho da praia, baseada no modelo preditivo, pode ajudar banhistas a tomar decisões mais seguras. O desafio de adoção é similar ao de qualquer app de utilidade pública: a instalação não é obrigatória, e a mensagem precisa ser clara para evitar pânico ou descrédito.

Decisões técnicas ou editoriais

Ao escrever este artigo, a opção editorial foi de não nos aprofundarmos em soluções milagrosas ou propagandas de startups que não têm implementação comprovada no Brasil. O mercado de tecnologia para segurança costeira no país ainda é incipiente, e muitas promessas de IA vendem resultados irreais. Preferimos focar em gargalos reais de engenharia e operação, como a falta de sensores de baixo custo e a dificuldade de integração com sistemas legados da defesa civil.

Outra decisão foi destacar que a tecnologia não substitui medidas estruturais de urbanização e saneamento. A construção do Porto de Suape e a canalização de esgotos que atraem peixes são fatores que independem de qualquer modelo de IA. O sistema de alerta é uma camada de mitigação, não a solução do problema de fundo. Para o engenheiro de produto, essa distinção é crucial: não se deve vender uma solução de software como se ela fosse capaz de resolver um problema que é, em grande parte, geopolítico e de ordenamento territorial.

Por fim, optamos por contextualizar o caso de Recife dentro de um cenário global. Cidades como Durban (África do Sul) e Perth (Austrália) já operam sistemas integrados de monitoramento há mais de uma década. O que funcionou lá? Principalmente, a combinação de tagging de tubarões com redes de alerta por SMS e sirenes. A diferença é que essas regiões investiram em infraestrutura de sensoriamento marinho por décadas, algo que o Brasil ainda precisa construir do zero, aproveitando o momento de crescente oferta de hardware de IoT de baixo custo.

Riscos, limitações e perguntas em aberto

Um dos maiores riscos de um sistema de IA para prevenção de ataques de tubarão é o falso negativo — quando o modelo não detecta a presença do animal e a praia permanece aberta. A consequência pode ser a perda de uma vida. Em engenharia de confiabilidade, isso se traduz em métricas de recall altíssimas, que por sua vez podem gerar muitos falsos positivos, levando ao fechamento desnecessário de trechos e à perda de credibilidade do sistema. O trade-off entre segurança e operação é delicado e precisa ser calibrado com testes exaustivos em ambiente controlado.

Outra limitação importante é a privacidade dos dados. Drones com câmeras sobrevoando a orla capturam imagens de banhistas que não consentiram com o monitoramento. No contexto da Lei Geral de Proteção de Dados (LGPD), isso levanta questões sobre base legal para o tratamento de imagens, necessidade de anonimização e políticas claras de retenção. Um produto digital que lida com segurança pública precisa incorporar privacy by design desde a concepção, ou enfrentará barreiras legais e reputacionais severas.

Por fim, há a pergunta em aberto sobre a responsabilidade civil. Se um sistema de IA indicar risco baixo e um ataque ocorrer, quem responde? O desenvolvedor do modelo, o gestor público que o implantou ou ambos? A jurisprudência brasileira ainda não amadureceu sobre responsabilidade algorítmica, e esse vácuo jurídico inibe investimentos tanto do setor público quanto privado em soluções desse tipo.

Aprendizados práticos

Para engenheiros e gestores de produto que desejam atuar nessa área, a primeira lição é humildade técnica. Um modelo de classificação de risco de tubarão não pode ser tratado como um desafio comum de Kaggle. Os dados são escassos, ruidosos e as consequências de erro são altíssimas. Qualquer MVP nesse domínio precisa de um período extenso de calibração com especialistas em biologia marinha e defesa civil.

A segunda lição é que a integração com sistemas legados é o maior vilão do cronograma. As prefeituras costumam operar com softwares de gestão de ocorrências antigos, sem APIs abertas. Um produto que não consiga se conectar a esses sistemas será rejeitado na ponta. A recomendação prática é iniciar o desenvolvimento pela construção de conectores e adaptadores, antes mesmo de treinar o primeiro modelo de IA.

A terceira lição é sobre comunicação. Um alerta técnico gerado por IA precisa ser traduzido para linguagem humana antes de chegar ao guarda-vidas ou ao cidadão. Termos como "probabilidade de 73%" não comunicam risco de forma eficaz. O design da interface e a redação das mensagens são tão críticos quanto a acurácia do algoritmo.

Conclusão

O caso de Marcela Vitória de Lima Santos não é um acidente isolado. É o resultado de décadas de negligência com o planejamento costeiro e de uma subutilização crônica da tecnologia disponível para mitigação de riscos. A Inteligência Artificial, quando bem projetada, integrada a sensores e alinhada a processos operacionais, pode salvar vidas. Mas ela não é uma solução plug-and-play. Exige investimento, regulação clara e colaboração entre setores que raramente conversam: engenharia de software, biologia marinha, direito e gestão pública.

Para quem trabalha com produtos digitais, este é um convite a considerar aplicações de IA que realmente importam. Não para otimizar cliques ou recomendar produtos, mas para proteger pessoas reais em situações de vulnerabilidade. A tecnologia tem esse potencial. Falta a vontade política e técnica de transformá-lo em realidade. Enquanto isso, praias como Boa Viagem continuarão sendo um campo minado, onde um mergulho em um dia de sol pode terminar em tragédia.