Transformando Dados de Trânsito em Decisões que Salvam Vidas
Como um modelo preditivo de risco, alimentado por IA generativa e integrado ao fluxo operacional, permite que gestores de trânsito antecipem acidentes — e ajam antes que eles aconteçam.
Como um modelo preditivo de risco, alimentado por IA generativa e integrado ao fluxo operacional, permite que gestores de trânsito antecipem acidentes — e ajam antes que eles aconteçam.
O desafio de qualquer gestor de trânsito é claro: feriados e condições adversas criam picos de risco imprevisíveis, mas os recursos de fiscalização são limitados. Alocar efetivos sem dados é, na prática, apostar. A Volis resolve isso construindo uma fundação de dados unificada que elimina os silos entre sistemas internos e fontes externas — transformando registros dispersos em inteligência acionável.
A linhagem de dados mostra, de forma transparente, como cada fonte se conecta ao modelo. A gestão não precisa confiar cegamente na IA: pode rastrear cada decisão até a sua origem, auditando a lógica que sustenta cada score de risco.
A profundidade do modelo vem da combinação de fontes que sistemas convencionais ignoram. Boletins de ocorrência são processados com NLP para extrair variáveis críticas — como tipo de mão, condição da pista ou características dos veículos — que não existem nos campos estruturados dos bancos de dados.
| Fonte de Dados | Tipo de Dado | Método |
|---|---|---|
| DETRAN / CRM Interno | Histórico de Acidentes e Veículos | Automatizado |
| OpenStreetMap | Geometria e Sinuosidade das Vias | Automatizado |
| API Meteorológica | Chuva e Condições por GPS | Automatizado |
| Boletins de Ocorrência | Texto Livre (via NLP) | IA Generativa |
* Pipeline de dados operado sobre infraestrutura Palantir Foundry.
O modelo atribui um score de risco a cada segmento de via, cruzando variáveis históricas com o cenário projetado — um feriado, uma semana de chuva intensa, ou uma combinação dos dois. O gestor não recebe apenas um alerta: recebe a lógica por trás dele. Quais fatores elevam o risco naquele km específico? Em que magnitude? Essa explicabilidade é o que transforma uma predição em convicção operacional.
A plataforma permite ao gestor descer do nível estadual até um único segmento de pista. No exemplo da Rodovia João Melão, o modelo identificou um risco 78% acima da média estadual durante feriados — e expôs os dois principais drivers: a classificação de via expressa (limite de 100 km/h) e a alta sinuosidade do trecho. A partir disso, a recomendação de contramedida é precisa e justificada, não genérica.
| Variável de Risco | Impacto no Score | Natureza |
|---|---|---|
| Classificação de Via Expressa | Primário (máx.) | Estrutural |
| Sinuosidade da Pista | Secundário | Estrutural |
| Feriado / Alta Demanda | Relevante | Temporal |
| Chuva / Condição Adversa | Relevante | Temporal |
* Explicabilidade via SHAP Values — cada score é auditável pelo gestor.
Identificar o risco é a metade do trabalho. A outra metade é agir — e aprender com isso. A plataforma conecta a análise ao fluxo operacional em um único clique: o gestor cria uma intervenção, a IA valida a viabilidade, estima o custo-benefício e redige os requisitos técnicos. O humano decide; a máquina executa o trabalho pesado de análise e documentação.
Boletins de ocorrência são documentos sensíveis, densos e não estruturados. A IA generativa da plataforma gera resumos sanitizados — removendo dados confidenciais e preservando apenas as variáveis críticas. Um acidente em pista dupla-mão, veículos com mais de 15 anos, colisão em série: informações que nunca entrariam em um campo de formulário, mas que agora alimentam o modelo e refinam predições futuras.
Toda intervenção criada passa por um pipeline de fases visível a toda a equipe. Os agentes de IA operam em paralelo — validando, calculando e documentando — enquanto os gestores concentram tempo apenas nas decisões que exigem julgamento humano. O resultado está registrado: cada contramedida tem seu impacto medido, gerando histórico que torna o modelo mais preciso a cada ciclo.
Cada intervenção percorre as fases abaixo. Agentes de IA atuam nas etapas analíticas; gestores humanos nas decisões estratégicas.
A plataforma não apenas prediz: ela cria um ciclo de inteligência que se aprimora a cada intervenção realizada. Gestores tomam decisões com dados, a IA executa o trabalho analítico, e o modelo aprende com os resultados. Se a sua operação ainda depende de critérios subjetivos para alocar recursos de segurança viária — esse problema já foi resolvido. Podemos fazer o mesmo por você.
