Startup usa IA para transformar câmeras em vigilância ativa

A startup Noleak desenvolveu uma solução para otimizar o uso de câmeras de segurança e transformar milhares de horas de vídeo em informação útil. A ferramenta, chamada Agatha, usa IA (inteligência artificial) para aprender padrões de comportamento em ambientes monitorados e emitir alertas quando identifica alterações. O sistema converte câmeras passivas em dispositivos de monitoramento ativo, descarta imagens que não exigem atenção e permite que um único profissional acompanhe milhares de telas sem ser sobrecarregado por notificações irrelevantes.

Para criar a solução, Rafael Libardi, fundador da startup, questionou os limites dos sistemas tradicionais: por que as câmeras de segurança ainda funcionam, em grande parte, como sensores de movimento sofisticados, mas pouco inteligentes? A lógica da plataforma foi testada inicialmente no universo da proteção de dados digitais, quando Libardi atuava em um projeto das Forças Armadas de um país da América Latina.

O objetivo era identificar comportamentos anômalos em redes internas de computadores para detectar invasões estrangeiras à infraestrutura digital local. Para isso, o sistema utilizava o reconhecimento de padrões incomuns de comunicação na rede.

Libardi percebeu que o método poderia ser aplicado às imagens de câmeras de segurança. Bastaria substituir os pacotes de dados por pixels e os ataques cibernéticos por comportamentos fora do padrão.

“O que existia no mercado era basicamente a detecção de movimento e, para qualquer desvio, havia um alerta. Isso produzia milhares de notificações por hora e tornava o sistema pouco útil”, afirmou. “Decidi juntar o que eu sabia em cibersegurança com a segurança visual.”

Aprendizado de padrões

Em vez de operar por meio de regras fixas, a plataforma observa o ambiente por determinado período e estabelece o que considera normal naquele contexto: onde costumam ficar veículos estacionados, quais horários registram maior movimento e quais áreas concentram mais circulação.

A partir dessa linha de base, o sistema identifica desvios e encaminha alertas para avaliação humana.

Libardi cita estudos sobre vigilância por vídeo para ilustrar os limites da atenção humana. Pesquisas indicam que, após cerca de 12 minutos de observação contínua, um operador pode deixar de perceber até 45% da atividade exibida. Depois de 22 minutos, até 95% do que acontece passa despercebido, mesmo quando poucas câmeras estão em exibição.

Nesse contexto, um operador consegue acompanhar com qualidade apenas algumas dezenas de câmeras antes que a fadiga comprometa a vigilância. Com a triagem automatizada, o profissional pode supervisionar de 1.000 a 2.000 câmeras simultaneamente, porque recebe apenas os trechos que exigem análise.

Segundo a startup, a ferramenta filtra mais de 99,8% das imagens irrelevantes e direciona a atenção do analista para situações que demandam decisão. “Ele vê só o que está estranho”, resumiu Libardi.

Aplicações além da segurança

O número de câmeras instaladas cresce em condomínios, empresas, vias públicas e eventos. A Abese (Associação Brasileira das Empresas de Sistemas Eletrônicos de Segurança) estima que o setor faturou R$ 14 bilhões em 2024, alta de 16,1% em relação ao ano anterior.

Além do monitoramento em tempo real, a tecnologia viabiliza análises forenses, permitindo revisar grandes volumes de vídeo e localizar rapidamente momentos em que houve alguma anomalia.

Uma distribuidora de energia de Minas Gerais, por exemplo, enfrentava furtos recorrentes em subestações e precisava revisar semanas de gravações após cada ocorrência. Com a Agatha, horas de vídeo foram reduzidas a cerca de 10 minutos contendo o momento exato da invasão.

A solução também tem sido usada para verificar o uso correto de EPIs (equipamentos de proteção individual), detectar comportamentos que antecedem acidentes de trabalho, controlar estoques em galpões e monitorar processos industriais.

Em uma indústria agroindustrial de Belém (PA), a tecnologia passou a identificar sinais de desgaste em correntes de grande porte por meio de alterações sutis nos padrões visuais, como vibrações atípicas, inclinações irregulares e mudanças na textura dos componentes.

Outro projeto utilizou a ferramenta para realizar a contagem em tempo real de sacos de cimento, ração e grãos no Porto de Santos, substituindo processos manuais sujeitos a erros.

Uso em cidades inteligentes

O tempo de adaptação da ferramenta varia conforme a aplicação. O monitoramento de EPIs pode ser implementado em menos de 24 horas, enquanto sistemas de contagem de sacarias em portos demandam cerca de uma semana de ajustes. Aplicações industriais mais específicas podem exigir meses de treinamento dos algoritmos.

Em condomínios e bairros monitorados, a IA identifica as placas dos veículos dos moradores e alerta quando automóveis desconhecidos permanecem nas proximidades por períodos considerados incomuns.

Em um caso específico, o sistema emitiu um alerta ao detectar uma criança próxima ao portão automático de uma garagem durante a abertura. A combinação de fatores foi classificada como anômala e permitiu que o operador interrompesse o mecanismo a tempo.

A tecnologia também pode ser utilizada em grandes eventos e complementar iniciativas de cidades inteligentes. Programas como o Smart Sampa, na capital paulista, utilizam reconhecimento facial para localizar suspeitos. A plataforma da Noleak pode atuar de forma complementar ao focar a análise comportamental das imagens.

Especialistas destacam que tecnologias de reconhecimento facial apresentam margens de erro e exigem validação humana. Libardi concorda.

“Nenhuma solução deve operar de forma isolada. Elas funcionam como filtros de precisão. Sempre deve haver verificação posterior porque a ferramenta não substitui o olhar humano; ela reorganiza prioridades”, disse.

O pesquisador também ressalta a importância de uma infraestrutura adequada. “É preciso educar o cliente porque tecnologia não é mágica. A câmera precisa estar no lugar certo e ter qualidade de imagem razoável. Às vezes, o cliente acredita que conseguirá identificar algo a 200 metros de distância com uma câmera de baixo custo”, afirmou.

Com apoio do PIPE (Programa Pesquisa Inovativa em Pequenas Empresas), da FAPESP, a startup reestruturou sua arquitetura de dados e aprimorou os modelos matemáticos para ganhar escala.

“O pesquisador domina a técnica, mas nem sempre sabe como transformá-la em um produto comercialmente viável”, declarou Libardi.

Este texto foi publicado originalmente pela Agência Fapesp, em 2 de maio de 2026. O conteúdo é livre para republicação, citada a fonte, e foi adaptado para o padrão do Poder360.