IA no Agro · ETASA × Fundação Shunji Nishimura · 90 minutos

IANO AGRO
ETASA × FUNDAÇÃO SHUNJI

90:00

ABERTURA · 01 / 2900–02 min

Inteligência Artificial no Agro.

O futuro já começou. E você faz parte dele.

Do campo aos dados. Da resposta pronta ao pensamento crítico. O profissional do futuro aprende, questiona e faz melhor.

ETASA · Santa Rita do Passa QuatroFundação Shunji Nishimura de Tecnologia90 minutos · palestra + desafios

IA no agro × Brainskills

DINÂMICA · 02 / 2902–06 min

Verdadeiro ou falso?

A plateia decide antes de revelar a explicação.

Questão 1 / 40 acertos

Carregando…

Vote com a plateia e escolha uma resposta.

Ritual de aprendizagem

1. Pense sozinho.

2. Vote com a mão.

3. Discuta o porquê.

4. Confira a evidência.

A meta não é adivinhar, mas aprender a justificar.

IA NO AGRO · 03 / 2906–08 min

Quem aqui já usou IA hoje?

Você já conhece a ferramenta. O desafio é usá-la bem.

◉

No cotidiano

Recomendações, voz, tradução, navegação e reconhecimento de padrões.

✎

Nos estudos

Tutor que pergunta, cria exercícios e ajuda a identificar lacunas.

❋

No campo

Dados, imagens, sensores e apoio a decisões revisadas por pessoas.

Pergunta de abertura: “Qual tarefa você nunca deveria delegar à IA sem conferir?”

IA NO AGRO · 04 / 2908–10 min

A inovação sempre esteve no campo.

Do arado ao sensor: cada etapa muda o que precisamos saber.

01Mecanizaçãoforça e escala

02Precisãomapas e sensores

03Conectividadefluxo de dados

04Inteligênciapadrões e previsões

O valor não está em usar a tecnologia mais nova. Está em resolver um problema real.

IA NO AGRO · 05 / 2910–13 min

O que é — e o que não é — IA?

Entenda o mecanismo sem depender de jargão.

①

Entrada

Imagens de pragas, histórico de produção, clima, atividade animal.

②

Modelo

Reconhece padrões ou gera respostas a partir de dados e treinamento.

③

Saída

Classificações, previsões, explicações e recomendações preliminares.

DADOS → MODELO → HIPÓTESE → VERIFICAÇÃO HUMANA

IA NO AGRO · 06 / 2913–16 min

Três tipos de aplicação no agro

Nem toda IA é chatbot.

◉

Visão computacional

Contagem de insetos em armadilhas; anomalias em imagens; inspeção assistida.

↗

Previsão por dados

Estimar demanda hídrica, produtividade, variação de consumo ou risco operacional.

✧

IA generativa

Montar perguntas, revisar relatórios e organizar planos de investigação.

Pergunte sempre: Que dado entra? Que erro pode ocorrer? Quem valida?

IA NO AGRO · 07 / 2916–19 min

Uma resposta convincente pode estar errada.

Precisão textual não é precisão técnica.

✓

Pode ser útil

Organizar hipóteses e informações.
Gerar checklists e rascunhos.
Confrontar explicações e criar exercícios.

Exige validação

Diagnósticos agronômicos ou veterinários.
Doses, tratamentos e decisões de segurança.
Fontes, valores e leis aplicáveis.

Não confunda “a IA disse” com “a evidência mostra”.

IA NO AGRO · 08 / 2919–23 min

Projeto V.A.R.D.: jovens inovando no agro

Caso brasileiro • Fatec Pompeia + Fundação Shunji Nishimura

Armadilha inteligente para identificar e contar insetos ligados ao cultivo do algodão.

Isca e câmeraImagemIAIndicadores

Segundo o Centro Paula Souza, o sistema inclui câmeras, análise por IA, alimentação solar e aplicativo móvel.

Ler reportagem do CPS ↗Assistir Reel no Instagram ↗

☀

▣

✦ ✧ ✦

IA
◌◌◌

Diagrama conceitual do fluxo — não é fotografia do protótipo.

IA NO AGRO · 09 / 2923–25 min

Seis oportunidades no agro

IA tem usos diferentes em cadeias produtivas diferentes.

🌱

Lavoura

Triagem visual e mapas de variabilidade.

🐄

Pecuária

Comportamento, consumo e produção.

💧

Água

Apoio ao planejamento de irrigação.

⚙

Máquinas

Manutenção e alertas operacionais.

▦

Gestão

Registros, custos e indicadores.

✎

Aprender

Treino técnico e simulações.

IA NO AGRO · 10 / 2925–28 min

Irrigação: quando a previsão ajuda?

Dados orientam. A decisão incorpora campo, limites e responsabilidade.

Observar

Solo, clima, cultura, fase de desenvolvimento.

Estimar

Modelos podem ajudar a prever necessidades e detectar anomalias.

Conferir

Sensores calibrados, histórico e inspeção local.

Situação-problema

O sensor mostra solo seco. A previsão indica chuva. O que falta verificar antes de irrigar?

Ex.: profundidade medida, confiabilidade da previsão, manejo da cultura.

IA NO AGRO · 11 / 2928–31 min

Pecuária: transformar sinais em cuidado

IA pode apontar mudanças — não declarar diagnóstico.

①

Atividade

Mudanças em movimentos ou ruminação podem gerar alertas.

②

Produção

Tendências de leite, consumo e registros merecem comparação.

③

Ambiente

Temperatura, sombra, disponibilidade de água e manejo.

Pergunta

Uma vaca reduziu atividade e consumo. Quais causas alternativas precisam ser investigadas?

A saúde animal exige observação, bem-estar e avaliação profissional.

IA NO AGRO · 12 / 2931–33 min

Integração lavoura–pecuária: pensar como sistema

Uma boa decisão considera impactos encadeados.

SOLOqualidade e compactação

PASTAGEMoferta e manejo

ANIMAISconsumo e bem-estar

GESTÃOdados e custos

A IA é parte da análise. O sistema produtivo é o contexto.

AGRO & BRAINSKILLS · 13 / 2933–35 min

Brainskills: a competência por trás da ferramenta

Aprender, pensar, decidir e colaborar melhor.

✦

Aprender

Praticar, explicar, lembrar e rever erros.

Investigar

Perguntas úteis e hipóteses testáveis.

✓

Julgar

Conferir evidências, vieses e incertezas.

↗

Entregar

Comunicar, testar, medir e aperfeiçoar.

Brainskills é um termo didático para competências cognitivas e profissionais, não uma taxonomia científica padronizada.

AGRO & BRAINSKILLS · 14 / 2935–38 min

Peça treino — não respostas prontas.

Uso passivo entrega um texto. Uso ativo desenvolve competência.

Atalho que pode iludir

“Faça minha atividade sobre nutrição bovina.”

Você ganha um texto. Mas consegue explicar os conceitos depois?

✓

Atalho que ensina

“Me faça 3 perguntas, uma por vez, sobre nutrição bovina. Dê uma pista antes de revelar.”

Você tenta, recebe feedback e revisa.

Prompt pronto • copie e adapte antes de usarTutor socrático para estudo

AGRO & BRAINSKILLS · 15 / 2938–41 min

Método CAPTA: um bom prompt é um bom briefing.

Uma estrutura didática simples; não é fórmula mágica.

CContextoquem sou + dados

AAlvoo que quero aprender

PProcessopergunte e dê pistas

TTravamentoslimites + incertezas

AAvaliaçãocomo vamos conferir

Quanto maior o risco, maior a necessidade de contexto, fontes e revisão.

AGRO & BRAINSKILLS · 16 / 2941–43 min

Ciência da aprendizagem: quatro ideias robustas

Pesquisas estudaram como as pessoas aprendem — não um produto de IA específico.

Recuperação ativa

Tentar lembrar e responder sem olhar.

Prática espaçada

Voltar ao conteúdo em dias diferentes.

Intercalar e comparar

Misturar exemplos e distinguir situações.

Feedback útil

Comparar tentativa com critérios, depois corrigir.

Dunlosky et al. (2013)Revisão de dez técnicas de aprendizagem; alto suporte a testes de prática e estudo distribuído.↗

AGRO & BRAINSKILLS · 17 / 2943–46 min

1 · Recuperação ativa: lembrar fortalece

Ler parece fácil. Recuperar sem consultar exige aprender.

PASSIVOReler 5 vezes a explicação sobre mastite.Familiaridade não comprova domínio.

ATIVOFechar o texto e listar sinais e evidências necessárias.Comparar com critérios e corrigir.

Microprática · 30 s

Sem olhar: cite 3 informações importantes para investigar queda de produção de leite.

Só depois confira suas anotações.

Roediger & Karpicke (2006)Estudos experimentais: testes de recuperação favoreceram retenção após atraso em comparação com releitura.↗

AGRO & BRAINSKILLS · 18 / 2946–49 min

2 · Espaçamento: menos maratona, mais retorno

A revisão distribuída é mais eficaz para retenção do que concentrar tudo em uma sessão, em muitos contextos.

EXEMPLO DIDÁTICO · revisões sobre alimentação animal

D1Aprender

D3Relembrar

D7Caso novo

D14Autoteste

Os intervalos acima ilustram uma sequência; o melhor espaçamento depende do material e do prazo.

Cepeda et al. (2006)Síntese quantitativa de centenas de avaliações sobre prática distribuída.↗

AGRO & BRAINSKILLS · 19 / 2949–52 min

3 · Intercalar situações e explicar o porquê

Não basta repetir. É preciso distinguir casos parecidos.

CASO AQueda de leite após mudança de dieta

Que informações você buscaria?

CASO BQueda de leite durante onda de calor

Que evidências diferenciam os dois casos?

CASO CQueda de leite com alteração de consumo

O que permanece desconhecido?

Peça à IA casos contrastantes e explique a diferença antes de ver o gabarito.

Dunlosky et al. (2013)Interleaving e autoexplicação são discutidos com limites de aplicabilidade; evitar generalização.↗

AGRO & BRAINSKILLS · 20 / 2952–55 min

4 · Feedback que realmente ajuda a melhorar

Um elogio vazio não ensina. Uma orientação específica ajuda.

🎯

Onde eu queria chegar?

Critério: hipótese + dado necessário + forma de verificar.

◉

Como fui?

Destaque evidências concretas na tentativa, não a pessoa.

→

Qual próximo passo?

Uma melhoria praticável e uma nova chance de resposta.

Feedback realista

“Você citou calor e consumo — dois sinais úteis. Ainda faltou indicar como medir e quais hipóteses alternativas comparar. Tente de novo com uma verificação concreta.”

Hattie & Timperley (2007)Revisão sobre objetivos, desempenho atual e próximos passos como dimensões do feedback.↗

AGRO & BRAINSKILLS · 21 / 2955–57 min

Protocolo Brainskills: pense → teste → refine

Um jeito de usar IA para ganhar autonomia.

1Tente

Escreva sua hipótese sem IA.

2Questione

Peça contrapontos e perguntas.

3Cheque

Busque fonte, dado ou professor.

4Reaplique

Resolva caso novo sem ajuda.

Você aprendeu quando consegue explicar, transferir e justificar sem depender da resposta pronta.

AGRO & BRAINSKILLS · 22 / 2957–60 min

Laboratório: construa seu tutor de estudo

Gerador local de prompt • nenhum dado enviado por esta página.

Tema para aprenderMeu nívelMinutos por diaObjetivo de aprendizagem

Preencha e clique em gerar. Não insira dados privados.

IA NO AGRO · 23 / 2960–65 min

Demonstração 1: milho com amarelecimento

Caso simulado • IA como investigadora, não prescritora.

SITUAÇÃO SIMULADA

Milho com folhas amareladas e crescimento desuniforme.

Não temos análise de solo, histórico, mapa dos sintomas nem detalhes de manejo.

Que dados faltam antes de sugerir a causa?

① Levante hipóteses② Peça observações③ Verifique no campo

Prompt pronto • copie e adapte antes de usarCopiar o roteiro de investigação

IA NO AGRO · 24 / 2965–70 min

Demonstração 2: pecuária na ETASA

Curso Técnico em Agropecuária • produção animal + bem-estar.

SITUAÇÃO SIMULADA

Em um lote de vacas leiteiras, há queda de consumo e atividade.

Os registros mostram mudança de comportamento, mas não confirmam doença. Ambiente, alimentação e manejo precisam ser verificados.

O que um técnico deve observar primeiro?

① Sinal ≠ diagnóstico② Bem-estar e ambiente③ Escalonamento responsável

Prompt pronto • copie e adapte antes de usarCopiar o caso técnico de pecuária

DINÂMICA · 25 / 2970–80 min

Desafio ETASA: sua equipe pensa antes da IA.

10 minutos • 4 desafios • 3 respostas em sequência • feedback justo.

Problema escolhido

Uso eficiente de água

O prompt orienta a IA a pedir uma resposta de cada vez, dar feedback após cada tentativa e só avaliar o conjunto depois da terceira.

Rascunho do grupo · offline

Etapa 1 / 3

0 / 3 registradas

O feedback completo e personalizado será dado por uma IA externa após colar o prompt; aqui o registro é local.

IA NO AGRO · 26 / 2980–83 min

VERDE: confira antes de decidir

Um filtro didático para usar IA com responsabilidade.

VVerifiquefontes e números

EExplicitelacunas e incertezas

RRespeitedados e segurança

DDefinaresponsável e revisão

EExamineresultado no campo

Em decisões de risco, confiança não substitui evidência nem responsabilidade técnica.

IA NO AGRO · 27 / 2983–86 min

O futuro profissional combina campo + dados + gente.

IA muda tarefas. Suas competências podem abrir caminhos.

①

Técnico ampliado

Investiga problemas, coleta evidências, usa ferramentas e sabe escalar.

②

Analista do agro

Transforma registros em indicadores e comunica incertezas.

③

Criador AgTech

Prototipa soluções que precisam ser testadas com produtores.

Sua vantagem não é apertar um botão: é compreender o problema e justificar a decisão.

IA NO AGRO · 28 / 2986–88 min

Educação que transforma

Fundação Shunji Nishimura de Tecnologia × futuro do agro.

Formação humana, engenharia, dados, agricultura de precisão e inovação.

A conexão com a Fatec Pompeia mostra oportunidades para transformar curiosidade técnica em desenvolvimento de projetos.

Conhecer a Fundação ↗Centro Paula Souza ↗

Mensagem

Aprender tecnologia importa. Aprender a pensar, cooperar e agir com responsabilidade importa ainda mais.

IA NO AGRO · 29 / 2988–90 min

O futuro do agro precisa de gente que pensa.

Não sejam apenas usuários de IA. Sejam capazes de questionar, aprender e criar.

“A IA pode acelerar o trabalho.
É o conhecimento humano que transforma o campo.”

Desafio: nos próximos 7 dias, escolha um problema, formule uma hipótese, peça perguntas à IA, confirme com fontes e teste o que aprendeu.