Nota do editor: Este post faz parte de Into the Omniverse, uma série focada em como desenvolvedores, profissionais 3D e empresas podem transformar seus fluxos de trabalho usando os mais recentes avanços em OpenUSD e NVIDIA Omniverse. Agentes de IA de Visão estão se tornando uma forma prática de transformar automaticamente dados de vídeo do mundo físico em inteligência operacional em fábricas, cidades, armazéns e sistemas de transporte. Essa mudança está acelerando à medida que mais cargas de trabalho de IA se aproximam de onde os dados são gerados. A Gartner projeta que mais de dois terços dos dados gerenciados por empresas serão criados e processados fora do data center ou da nuvem até 2028, e que mais de dois terços de todas as empresas globalmente implementarão IA de borda até 2029, um aumento em relação aos 10% em 2025 (1). Mas mais dados de borda não criam automaticamente mais inteligência. Até 90% dos dados de borda existentes não são processados, de acordo com o mesmo relatório da Gartner. Transformar esses dados em ações úteis exige agentes de IA de Visão que possam entender vídeo, adaptar-se às condições do mundo real e conectar insights a fluxos de trabalho operacionais. Esses agentes geralmente funcionam perto de câmeras, máquinas e sensores, onde os modelos devem atender aos requisitos de latência, energia, custo e conectividade, enquanto se adaptam às condições específicas do local. Para construir esses agentes, os desenvolvedores precisam de maneiras repetíveis de gerar dados de treinamento, ajustar modelos e implantar aplicativos de vídeo agênticos em ambientes de borda e nuvem. As habilidades e projetos de agentes da NVIDIA Metropolis oferecem aos desenvolvedores fluxos de trabalho reutilizáveis para construir, operar e otimizar agentes de IA de Visão durante esse ciclo de vida. Para o lado da simulação e dos dados sintéticos desse trabalho, o Universal Scene Description, ou OpenUSD, fornece uma estrutura comum para descrever, compor e reutilizar mundos 3D. Construídas sobre o OpenUSD, as bibliotecas do NVIDIA Omniverse ajudam as equipes a construir fluxos de trabalho de simulação, geração de dados sintéticos e gêmeos digitais que modelam ambientes do mundo real e expandem a cobertura de cenários em condições como iluminação, clima, tráfego p
Fonte: NVIDIA AI Blog
Publicado em 2026-06-30