Mulheres subindo na escada da liderança

Colaboração, empatia e flexibilidade - todas cruciais para uma liderança eficaz - são tradicionalmente percebidas como características femininas. No entanto, um novo estudo intersetorial de Caliper descobriu que as líderes femininas também exibem as características masculinas tradicionais de persuasão, assertividade e disposição para assumir riscos

Texto *Lindsay Pattison Fotos WEF

Minha opinião é que a liderança é um processo fluido e cheio de nuances; você precisa ser adepto da mudança de estilo e ser culturalmente adaptável conforme necessário. Talvez porque as mulheres precisem lutar mais contra o preconceito arraigado e o status quo, precisamos ser mais tenazes e determinadas para abrir caminho até a linha de liderança. Ainda assim, somos inclusivos por natureza; tentamos trazer pessoas conosco. Como tal, as mulheres estão estabelecendo um novo padrão de liderança moderna.

Desde que fui nomeada para uma função de CEO global na Maxus, tenho sido questionada cada vez mais sobre liderança em um contexto de gênero. É uma estatística frequentemente citada, mas em Davos este ano apenas 17% dos participantes eram mulheres. A questão do gênero continua surgindo - e por isso continua relevante.

Mulher refletida na janela de um escritório no distrito financeiro de Pudong, em Xangai

A igualdade de gênero no local de trabalho faz sentido para os negócios: empresas com conselhos de administração mista apresentam melhor desempenho, de acordo com o Catalyst Bottom Line Report.

Enquanto isso, empresas com conselho exclusivamente masculino tiveram desempenho inferior. Repetidamente, o índice Global Gender Gap do Fórum Econômico Mundial rastreia uma forte correlação entre o tamanho da diferença de gênero em um país e sua competitividade nacional.

No entanto, globalmente, a perspectiva de gênero continua desolador: as mulheres ganham 77% do valor pago aos homens, e no Reino Unido ocupa uma chocante 26 th geral para a igualdade - a sua pontuação mais baixa desde 2008. Em termos de liderança, apenas 30% da empresa-diretor Os cargos de nível superior no Reino Unido são preenchidos por mulheres, caindo para 16,9% nos conselhos de empresas da Fortune 500.

Uma maneira importante de desafiar essas normas é o número pequeno, mas significativo, de mulheres em cargos de chefia ajudar outras mulheres a subir na hierarquia. A escassez de redes femininas é um problema perpétuo. No entanto, no Reino Unido, há agora vários grupos de networking somente para mulheres, como 30% Club e WACL , que fornecem aconselhamento e orientação profissional e defendem o aumento da participação das mulheres nos negócios.

As mulheres têm menos e mais fracas conexões com colegas seniores do que os homens, devido a problemas de legado, como recrutamento desequilibrado no nível sênior, redes de meninos mais velhos, estereótipos profundamente arraigados e políticas de trabalho inflexíveis que tornam a vida logisticamente desafiadora para mães que trabalham.

É fundamental que as mulheres líderes tenham visibilidade real como modelos de comportamento. Precisamos “seguir o que falamos” estando no palco, compartilhando nossas histórias e encorajando outros a se apresentarem. Precisamos ajudar uns aos outros. Existe um sentimento subjacente persistente de que as mulheres devem (e o fazem, por padrão) colaborar, buscar consenso e ficar mais caladas do que seus colegas homens. As mulheres tendem a ficar juntas em ambientes dominados por homens. E quem pode nos culpar? As mulheres enfrentam uma penalidade pela assertividade: pesquisas acadêmicas dos Estados Unidos descobriram que as mulheres pedem US $ 7.000 a menos quando negociam por si mesmas do que quando negociam em nome de outra pessoa - o que significa falta de confiança e autoconfiança.

A mídia e a publicidade estão à frente da curva: 25% dos cargos de gerência sênior no Reino Unido são ocupados por mulheres, de acordo com o Censo da Agência IPA.

Mas, como as mulheres representam metade da força de trabalho geral e começam na publicidade com uma divisão 50/50, temos um longo caminho a percorrer.

Isso não quer dizer que as coisas não estejam melhorando - definitivamente estão. O número de mulheres em outros cargos executivos disparou em apenas um ano, de 29,5% para 37,1%. A mídia e a indústria de publicidade são melhores em conseguir mulheres nos conselhos do que o setor empresarial mais amplo, com 23% nas 100 maiores empresas do Reino Unido e nenhum conselho exclusivamente masculino; embora as mulheres tendam a ocupar cargos de diretoria não executiva. Na Maxus, temos orgulho de ter uma forte representação feminina no nível sênior (as mulheres representam 40% de nossos líderes locais) e de contrariar uma tendência de diversidade de gênero pobre em conselhos na região da Ásia-Pacífico, atualmente a melhor área para mulheres na gestão. Nossa cota de liderança feminina está aumentando, com a maior parte do crescimento nos mercados em desenvolvimento - mas sabemos que temos mais a fazer.

A paridade de gênero é um problema que as empresas com visão de futuro estão tentando resolver. Iniciativas como o treinamento de preconceito incondicional são extremamente encorajadoras e há claramente um impulso para a mudança. Um ângulo crítico agora é garantir que trabalhemos de forma construtiva e inclusiva em todo o setor de negócios - com uma adesão genuína no nível C-suite essencial. Fechar a lacuna de gênero beneficiará a todos.

1° Escolha o tamanho

N N 150g: 27,00 250g: 42,00 N 350g: 63,00 N 500g: 85,00 2º Escolha a casca

N Chocolate branco N Chocolate preto

3º Escolha o sabor

N N Red velvet Brigadeiro com morango Brownie Cupuaçu com castanha/PAN N Cupuaçu com ninhoN Kit Kat N N Oreo 91 9263-5349 @bestcake_doceria

Guia de 5 etapas para dimensionar IA responsável

A implantação de IA em escala continuará sendo problemática até que as empresas se envolvam em uma mudança fundamental para se tornarem organizações orientadas por ‘IA responsável’. As empresas devem abraçar essa transformação, pois a confiança nos sistemas de IA será o fator determinante para determinar com quem vale a pena fazer negócios

Texto * Luciana Constantino Fotos Nature/ Scientific Reports, Ricardo Dal’Agnol/Inpe)

AI cria desafios únicos de governança

Oaprendizado de máquina é uma tecnologia revolucionária que começou a perturbar fundamentalmente a maneira como as empresas operam. Portanto, não é surpreendente que as empresas estejam correndo para implementá-lo em seus processos, conforme relatado pela McKinsey & Company Global AI Survey. Ao mesmo tempo, uma pequena porcentagem dessas empresas conseguiu implantar Inteligência Artificial (IA) em escala - um processo que parece mais difícil de alcançar, dados relatórios regulares de usos antiéticos de IA e crescente preocupação pública sobre seus potenciais impactos adversos.

Essas dificuldades provavelmente persistirão até que as empresas se envolvam em uma mudança fundamental para se tornarem organizações orientadas por ‘IA responsável’.

Na prática, isso requer abordar os desafios de governança associados à IA e, em seguida, projetar e executar uma estratégia sólida. Para ajudar as empresas a implantar IA responsável em escala, oferecemos um guia de cinco etapas.

Vivemos em um mundo cheio de incertezas e a capacidade de construir sistemas de aprendizagem capazes de lidar com essa realidade básica em certa medida, descobrindo padrões e relações nos dados sem serem explicitamente programados, representa uma imensa oportunidade. No entanto, ainda existem motivos para preocupação, porque o aprendizado de máquina também cria desafios de governança exclusivos. Por um lado, esses sistemas são fortemente dependentes de dados, o que incentiva as empresas a coletar dados pessoais em massa, causando possíveis problemas de privacidade no processo.

Em segundo lugar, coletar, limpar e processar dados de alta qualidade é uma tarefa cara e complexa. Consequentemente, os conjuntos de dados de negócios muitas vezes não refletem com precisão o “mundo real”. Mesmo quando o fazem, eles podem simplesmente replicar ou exacerbar o preconceito humano e levar a resultados discriminatórios. Isso porque o loop de feedback em IA provavelmente amplificará qualquer propensão inata embutida nos dados.

Por último, o poder de sistemas computacionais massivos com recursos de armazenamento ilimitados elimina a opção de anonimato, já que informações comportamentais pessoais detalhadas são levadas em consideração para permitir a segmentação individual em um alto nível de granularidade nunca antes visto.

Mais fundamentalmente, como os sistemas alimentados por IA evoluem com os dados e o uso, seus comportamentos são difíceis de prever; e quando se comportam mal, são mais difíceis de depurar e manter . Ao contrário do software clássico, não se pode simplesmente corrigir as instruções fornecidas ao sistema para restabelecer a consistência com a funcionalidade pretendida.

Simplificando, quando algo dá errado, é mais difícil determinar por que aconteceu e implementar medidas corretivas.

Nesse contexto, um objetivo inocente, como maximizar a receita, poderia permitir que um sistema de aprendizagem de IA altamente capaz desenvolvesse maneiras profundas e difíceis de detectar para enganar o usuário e fazer gastos adicionais, o que levanta questões éticas legítimas.

5 etapas para implantar IA responsável em escala

Como empresa, como você implanta IA com sucesso em escala e, ao mesmo tempo, mitiga os riscos discutidos acima? Você deve se envolver em uma mudança organizacional fundamental para se tornar uma empresa orientada para IA responsável. Para ajudar a navegar nessa mudança, oferecemos o seguinte processo como ponto de partida:

Mais empresas deveriam seguir seu exemplo. A elaboração de tais princípios oferece dois benefícios principais. Em primeiro lugar, dá a oportunidade a todos, especialmente à alta administração, de serem educados sobre IA responsável. Em segundo lugar, pode formar a base de uma estratégia de negócios de IA responsável, detalhando como sua organização planeja construir um pipeline de produtos e serviços de IA responsáveis.

Riscos que as organizações consideram relevantes e estão trabalhando para mitigar

1. Defina o que a IA responsável significa para a sua empresa

Para garantir que toda a organização esteja empurrando na mesma direção, os executivos devem definir o que constitui o uso responsável da IA para sua empresa por meio de um processo colaborativo, envolvendo membros do conselho, executivos e gerentes seniores. departamentos.

Isso pode assumir a forma de um conjunto de princípios que orientam o projeto e o uso de serviços ou produtos de IA.

O processo de elaboração de tais princípios deve ser estruturado em torno de uma reflexão prática sobre como a IA pode criar valor para a organização e quais riscos (por exemplo, reputação da marca, segurança do funcionário, resultados injustos para os clientes, aumento da polarização no discurso público) precisam ser mitigados ao longo o caminho. Os principais atores da indústria, incluindo Google e Microsoft , já se moveram nessa direção e divulgaram seus princípios de IA responsáveis.

2. Construir capacidades organizacionais

Projetar e implantar sistemas de IA confiáveis deve ser um esforço de toda a organização. Requer planejamento sólido, execução multifuncional e coordenada, treinamento de funcionários e investimento significativo em recursos para impulsionar a adoção de práticas de IA responsáveis. Para testar essas atividades, as empresas deveriam construir um “Centro de Excelência em IA” interno, que concentraria seus esforços em duas funções básicas: treinamento e incentivo à adoção.

Na verdade, para fazer seu trabalho, os funcionários precisam ser treinados para entender como o risco se manifesta em suas interações contextuais com sistemas de IA e, mais importante, como identificá-los, relatá-los e mitigá-los. É aí que mesmo a empresa mais bem-intencionada pode ficar aquém se focar exclusivamente em equipes técnicas. Além disso, o Centro deve operar em estreita colaboração com os “campeões” de negócios encarregados de supervisionar a implementação de soluções e produtos de IA confiáveis.

3. Facilitar a colaboração multifuncional

Os riscos são altamente contextuais, o que significa que diversas funções de negócios têm diferentes percepções de risco. Ao projetar sua estratégia, certifique-se de ter perspectivas complementares de vários departamentos para desenvolver um esquema de priorização de risco sólido.

Isso reduzirá os “pontos cegos” da alta administração e garantirá um suporte mais forte de sua força de trabalho durante a execução.

Além disso, como os sistemas de aprendizagem tendem a gerar comportamentos imprevistos, haverá riscos que precisam ser tratados enquanto o sistema está em operação. Aqui, a estreita colaboração interfuncional, coordenada por responsáveis de risco e conformidade , será a chave para projetar e implementar soluções eficazes.

4. Adote métricas de desempenho mais holísticas

Atualmente na indústria, os sistemas de IA são geralmente avaliados com base em seu desempenho médio em conjuntos de dados de referência.

Ainda assim, os praticantes e pesquisadores de IA reconhecem que é uma abordagem bastante restrita para avaliação de desempenho e estão investigando ativamente métodos alternativos.

Sugerimos uma abordagem mais holística: as empresas devem, regularmente, monitorar e avaliar o comportamento de seus sistemas em relação aos princípios de IA responsáveis.

Dessa perspectiva, um sistema é considerado de alto desempenho se seu comportamento for consistente com a definição organizacional do que é considerado um serviço ou produto alimentado por IA responsável.

5. Defina linhas claras de responsabilidade

Ter o treinamento e os recursos certos não é suficiente para implementar uma mudança duradoura se você falhar em construir as linhas certas de responsabilidade. Em outras palavras, para fazer a coisa certa, os funcionários devem ter os incentivos certos e ser reconhecidos por fazer a coisa certa.

Sem surpresa, esse é um dos maiores desafios que os profissionais de IA responsável estão relatando.

Aqui, sugerimos dois remédios. Primeiro, você deve introduzir um processo de verificação , seja como parte da revisão de pré-lançamento de seus produtos de IA, ou independente dela, para se certificar de que as considerações éticas foram abordadas. Este processo de verificação deve ser articulado com uma estrutura organizacional que mapeie as funções e responsabilidades de cada equipe envolvida e um procedimento de escalonamento a seguir quando / se houver desacordo persistente, por exemplo, entre gerentes de produto e privacidade.

Em segundo lugar, os funcionários que relataram casos de uso problemáticos e dedicaram tempo para introduzir medidas corretivas devem ser recompensados como parte de sua avaliação de desempenho anual.

O caminho a seguir

Há uma consciência cada vez maior entre os líderes empresariais de que uma abordagem responsável à IA é necessária para garantir o uso benéfico e confiável dessa tecnologia transformadora.

No entanto, eles não têm certeza sobre como fazer isso em escala e ao mesmo tempo criar valor para suas empresas.

Queremos tranquilizá-los de que isso é possível, mas requer uma mudança organizacional profunda.

Como acontece com qualquer mudança importante na vida, os primeiros passos geralmente são os mais difíceis e esperamos que nosso guia ajude os líderes empresariais a navegar nessa fase de transição.

Também gostaríamos de incentivá-los a perseverar porque, no longo prazo, as empresas responsáveis por IA provavelmente serão as mais competitivas.

Na verdade, a necessidade de confiança em sistemas de IA não é uma tendência; é o fator definidor que determinará com quem vale a pena fazer negócios.

AR CONDICIONADO AUTOMOTIVO

HIGIENIZAÇÃO + LIMPEZA DO CONDENSADOR TROCA DE FILTRO ANTI PÓLEN e faça por apenas R$100,00

Av. Senador Lemos, 4587 - Sacramenta Fone: (91) 3233-7462 / 3089-0087 n98419-8909

Como a inteligência artificial pode retardar a disseminação de COVID-19

Uma nova abordagem de aprendizado de máquina para os testes do COVID-19 produziu resultados encorajadores na Grécia. A tecnologia, batizada de Eva, usou dinamicamente resultados de testes recentes coletados na fronteira com a Grécia para detectar e limitar a importação de casos COVID-19 assintomáticos entre passageiros internacionais que chegaram entre agosto e novembro de 2020, o que ajudou a conter o número de casos e mortes no país.

As descobertas do projeto são explicadas em um artigo intitulado “ Implantando um sistema de inteligência artificial para testes COVID-19 na fronteira grega ”, de autoria de Hamsa Bastani , professora de operações, informações e decisões da Wharton e docente afiliado da Analytics at Wharton ; Kimon Drakopoulos e Vishal Gupta, da University of Southern California; Jon Vlachogiannis, da empresa de consultoria de investimentos Agent Risk; Christos Hadjicristodoulou da Universidade da Tessália; e Pagona Lagiou , Gkikas Magiorkinis , Dimitrios Paraskevis e Sotirios Tsiodras da Universidade de Atenas.

Fotos Grece Tours, Pagenews.gr, Wharton

A análise mostrou que Eva identificou em média 1,85 vezes mais viajantes infectados assintomáticos do que os testes convencionais de vigilância aleatória teriam alcançado. Durante a alta temporada de viagens de agosto e setembro, a detecção de taxas de infecção foi até duas a quatro vezes maior do que os testes aleatórios.

“Nosso trabalho abre caminho para alavancar [inteligência artificial] e dados em tempo real para objetivos de saúde pública, como controle de fronteiras durante uma pandemia”, afirmou o jornal.

Com a rápida disseminação de uma nova cepa de coronavírus , Eva também mantém a promessa de maximizar a já sobrecarregada infraestrutura de testes na maioria dos países.

“A principal questão era, dado o orçamento fixo para testes, se poderíamos conduzir os testes de uma forma mais inteligente com vigilância dinâmica para identificar mais viajantes infectados”, disse Bastani.

Um dos maiores desafios que os governos enfrentam ao lidar com o COVID-19 é a incapacidade da infraestrutura de teste em suas fronteiras nacionais para verificar de forma realista todos os passageiros que chegam. Esse teste abrangente seria caro e demorado, razão pela qual a maioria dos países rastreia passageiros que chegam de países específicos ou conduz testes aleatórios para COVID-19.

“A principal questão era, dado o orçamento fixo para testes, se poderíamos conduzir os testes de uma forma mais inteligente com vigilância dinâmica para identificar mais viajantes infectado.”–Hamsa Bastani

Eva também permitiu que a Grécia identificasse quando um país apresentava um pico de infecções por COVID-19 em média nove dias antes do que seria possível com algoritmos baseados em aprendizado de máquina usando apenas dados disponíveis publicamente. A tecnologia subjacente do Eva é um “algoritmo de bandido contextual”, uma estrutura de aprendizado de máquina construída para “tomada de decisão sequencial”, levando em consideração vários desafios práticos, como informações que variam no tempo e orçamentos de teste específicos de porta, explicou Bastani.

O algoritmo equilibra a necessidade de manter estimativas de vigilância de alta qualidade da prevalência de COVID-19 em todos os países e a alocação de resultados de testes limitados para detectar viajantes provavelmente infectados.

Eva é a primeira instância dessa tecnologia sendo aplicada para enfrentar um desafio de saúde pública, embora esses algoritmos tenham encontrado uso em publicidade online e testes A / B, acrescentou ela.

Superando os desafios de dados

Eva é um avanço em relação às políticas convencionais de controle de fronteiras porque não depende de dados divulgados publicamente, o que apresenta uma série de problemas.

Os dados divulgados publicamente são de “má qualidade”, principalmente porque diferentes países seguem diferentes protocolos de relatórios e estratégias de teste.

Na Grécia, sendo usado algoritmo Eva

É comum concentrar os recursos de teste em pacientes sintomáticos, mas a taxa de prevalência resultante pode não refletir a população assintomática que provavelmente viajará. Muitas vezes também há um atraso de relatórios devido à infraestrutura deficiente, disse Bastani. “Podemos dizer, com base nos dados que estamos coletando ativamente nas fronteiras, que os casos de COVID de um país estão aumentando normalmente nove dias antes de você ver isso refletido nos dados públicos.”

“Os testes geralmente são direcionados a indivíduos sintomáticos, em vez de indivíduos assintomáticos”, disse Bastani em uma entrevista ao programa de rádio Wharton Business Daily no SiriusXM em julho passado, quando o desdobramento grego estava em andamento. (Ouça o podcast desse episódio acima). “Você pode imaginar que os turistas que chegam são provavelmente assintomáticos.” Isso ressalta a importância de não depender de dados divulgados publicamente, mas de usar dados que reflitam com precisão a prevalência de viajantes COVID-19 assintomáticos em todos os países.

O algoritmo de Eva supera a má qualidade dos dados públicos ao coletar dinamicamente os resultados dos testes na fronteira grega, mantendo assim as estimativas de vigilância de alta qualidade da prevalência em cada país. “Ajustando de forma adaptativa as políticas de fronteira nove dias antes, Eva evitou que outros viajantes infectados chegassem”, observou o jornal, referindo-se à implantação na Grécia.

“É um longo período de tempo em que muitas pessoas de alto risco provavelmente teriam entrado e infectado outros cidadãos”, disse Bastani.

É comum que as políticas de controle de fronteira usem dados divulgados publicamente, mas esses dados geralmente não são confiáveis e são inconsistentes entre os países, disse Bastani. As inconsistências surgem da censura de dados de teste por alguns países, e até mesmo definições variáveis de uma morte COVID-19, acrescentou ela.

Ela apontou a recente descoberta da contagem insuficiente de mortes de COVID-19 em lares de idosos na cidade de Nova York como um exemplo de dados falhos. “Esse problema é exacerbado quando você compara as contagens de mortes em diferentes países porque em alguns lugares eles são contabilizados com muita precisão e em outros não”. A Grécia é o primeiro país a projetar controles de fronteira com base na abordagem de testes de vigilância aleatória dinâmica que Eva usa. O modelo especifica a infraestrutura necessária para coletar os resultados do teste COVID-19, usando-os para formar estimativas e informar futuras decisões de teste em um ciclo de feedback dinâmico.

A Grécia reintroduziu restrições com o objetivo de conter a disseminação do COVID-19

“Nenhum país deve confiar apenas em dados públicos; eles devem monitorar ativamente quem está chegando às suas fronteiras, testando pelo menos um subconjunto deles e usando isso para tomar decisões informadas sobre o controle de fronteira”. –Hamsa Bastani

Ao usar o modelo Eva, a Grécia exigiu que cada indivíduo ou planejamento familiar entrasse no país para preencher 24 horas antes da chegada um “Formulário de localização de passageiros” digitalizado, onde forneciam algumas informações básicas sobre si mesmos, como outros países que visitaram no passado ano. Todos aqueles que enviaram esses formulários receberam um código QR que permitiu o rastreamento. O algoritmo de Eva processa as informações nos formulários para identificar aqueles que precisam ser testados para COVID-19. As autoridades de controle de fronteiras da Grécia processaram uma média de 38.500 formulários por dia; cerca de 18% dos que enviaram os formulários acabaram não aparecendo.

Mantendo COVID-19 na Baía

Os testes direcionados de Eva, que permitiram políticas adaptativas de controle de fronteira, ajudaram a Grécia a manter sua contagem de casos “muito baixa durante quase todo o verão”, disse Bastani. O país conseguiu manter alguma atividade econômica, ao contrário de muitos outros que tiveram que fechar completamente, observou ela. A Grécia impôs um segundo bloqueio e restrições de viagem em novembro, após um aumento nos casos COVID-19.

O governo grego reconheceu as realizações de Eva em uma coletiva de imprensa em julho passado.

“O sistema de IA desenvolvido por Bastani, Drakopoulos, Gupta e Vlachogiannis tem sido uma mais-valia tanto para preparar a abertura do país a visitantes de todo o mundo, como para permitir agilidade na tomada de decisões quanto à nossa estratégia COVID-19, ”Disse Nikos Hardalias, proteção civil da Grécia e vice-ministro para gestão de crises, que chefia a Força-Tarefa de Resposta COVID-19 para o país.

Eva é uma tecnologia de código aberto, o que significa que Bastani e sua equipe a fornecerão gratuitamente para qualquer país que a desejar. Eles fizeram apresentações para as forças-tarefa COVID em vários países da União Europeia. Adaptá-lo a outros países envolveria a criação de formulários de localização de passageiros apropriados para diferentes processos de imigração e a integração de recursos de back-end, como laboratórios de teste.

Bastani fez um forte argumento para que os governos capturassem dados privados, como os gerados pelos formulários de localização de passageiros usados na implantação da Grécia, e os personalizassem para atender às suas situações específicas. “Nenhum país deve confiar apenas em dados públicos; eles devem monitorar ativamente quem está chegando às suas fronteiras, testando pelo menos um subconjunto deles e usando isso para tomar decisões informadas sobre o controle de fronteira”, disse ela. “Dito isso, se um país não tem recursos para fazer isso, provavelmente é melhor usar uma política que imite outro país que está fazendo isso, em vez de depender apenas de dados públicos”.

Bastani e seus colegas estão trabalhando no refinamento do Eva para incorporar mais informações específicas do passageiro do que usaram na implantação na Grécia. O Regulamento Geral de Proteção de Dados da Europa limitou o escopo dos dados que eles poderiam usar com o Eva; eles usaram apenas dados anônimos e agregados com informações demográficas limitadas. Outros países com regulamentações menos rígidas de proteção de dados poderiam reunir uma gama mais ampla de dados, como sobre a ocupação, disse Bastani.

“Sabemos que certas ocupações apresentam um risco COVID-19 muito maior do que outras.”Eva também pode ser treinada para incorporar pooling para mitigar as restrições enfrentadas pelos laboratórios de teste, ela acrescentou. Laboratórios sobrecarregados podem compartilhar suas amostras com outros laboratórios que podem ter capacidade sobressalente em qualquer momento, ela explicou. Da mesma forma, Eva também pode usar dados dinâmicos para ajudar a determinar os níveis ideais de pessoal em laboratórios e outros locais na infraestrutura de teste, acrescentou ela.

Sistema da Corrente do Golfo em seu ponto mais fraco em mais de um milênio

Variações em grande escala na dinâmica das lacunas do dossel da floresta amazônica a partir de dados LIDAR aerotransportados e oportunidades para estimativas de mortalidade de árvores

Texto *Instituto Potsdam para Pesquisa de Impacto Climático Fotos Maynooth University, NASA / Goddard Space Flight Center, Nature Geoscience, Woods Hole Oceanographic Institution

Em mais de 1.000 anos, a Circulação Meridional Invertida do Atlântico (AMOC), também conhecida como Sistema da Corrente do Golfo, não foi tão fraca quanto nas últimas décadas. Este é o resultado de um novo estudo realizado por cientistas da Irlanda, Grã-Bretanha e Alemanha. Os pesquisadores compilaram os chamados dados proxy, retirados principalmente de arquivos naturais como sedimentos oceânicos ou núcleos de gelo, remontando a muitas centenas de anos para reconstruir a história do fluxo do AMOC. Eles encontraram evidências consistentes de que sua desaceleração no século 20 não tem precedentes no milênio passado; provavelmente está ligado às mudanças climáticas causadas pelo homem. O sistema gigante de circulação do oceano é relevante para os padrões climáticos na Europa e os níveis regionais do mar nos EUA; sua desaceleração também está associada a uma bolha fria observada no norte do Atlântico.

Uma representação da NASA das correntes da superfície do oceano ao redor do mundo, incluindo o sistema Gulf Stream, que viaja do Golfo do México para a Europa Ocidental

“O Gulf Stream System funciona como uma correia transportadora gigante, transportando água quente da superfície do equador para o norte e enviando águas profundas e frias de baixa salinidade de volta para o sul. Move quase 20 milhões de metros cúbicos de água por segundo, quase 100 vezes o fluxo da Amazônia ”, explica Stefan Rahmstorf, do Instituto Potsdam de Pesquisa de Impacto Climático PIK, iniciador do estudo a ser publicado na Nature Geoscience . Estudos anteriores de Rahmstorf e colegas mostraram uma desaceleração da corrente oceânica de cerca de 15% desde meados do século 20, ligando-a ao aquecimento global causado pelo homem , mas até agora faltou uma imagem robusta sobre seu desenvolvimento a longo prazo: Isso é o que os pesquisadores fornecem com sua revisão dos resultados dos estudos de dados proxy.

CAMARÃO ROSA | FILÉ DE PEIXE | CARNE E PATOLAS DE CARANGUEJO

A Circulação de reversão meridional do Atlântico Sul (AMOC) é um sistema complexo que é responsável

“Pela primeira vez, combinamos uma série de estudos anteriores e descobrimos que eles fornecem uma imagem consistente da evolução do AMOC nos últimos 1600 anos”, disse Rahmstorf. “Os resultados do estudo sugerem que tem sido relativamente estável até o final do século 19. Com o fim da pequena era do gelo por volta de 1850, as correntes oceânicas começaram a declinar, com um segundo declínio mais drástico seguindo desde meados do século 20 . “ Já o relatório especial de 2019 sobre os oceanos do Painel Intergovernamental sobre Mudanças Climáticas (IPCC) concluiu com confiança média “que a Circulação Meridional de Virada do Atlântico (AMOC) enfraqueceu em relação a 1850-1900”.

“O novo estudo fornece mais evidências independentes para essa conclusão e a coloca em um contexto paleoclimático de longo prazo”, acrescenta Rahmstorf. Da temperatura às mudanças na velocidade do fluxo: a arte de reconstruir as mudanças climáticas do passado

Como as medições AMOC diretas em andamento só começaram em 2004, os pesquisadores aplicaram uma abordagem indireta, usando os chamados dados proxy, para descobrir mais sobre a perspectiva de longo prazo de seu declínio. Os dados proxy, como testemunhas do passado, consistem em informações coletadas de arquivos ambientais naturais, como anéis de árvores, núcleos de gelo, sedimentos oceânicos e corais, bem como de dados históricos, por exemplo, de registros de navios.

Esta imagem fornecida pelo Instituto Potsdam para Pesquisa de Impacto Climático mostra mudanças observadas na temperatura do oceano desde 1870 e correntes no Oceano Atlântico. Um estudo divulgado recentemente, sugere que o aquecimento global provavelmente está diminuindo a principal circulação do Oceano Atlântico, que caiu para o nível mais fraco já registrado

“Usamos uma combinação de três tipos diferentes de dados para obter informações sobre as correntes oceânicas: padrões de temperatura no Oceano Atlântico, propriedades de massa de água subterrânea e tamanhos de grãos de sedimentos do fundo do mar, datando de 100 a cerca de 1600 anos. os dados proxy individuais são imperfeitos para representar a evolução do AMOC, a combinação deles revelou uma imagem robusta da circulação cambaleante “, explica Levke Caesar, parte da Unidade Irlandesa de Análise e Pesquisa Climática da Universidade Maynooth e cientista convidado do PIK.

Como os registros proxy em geral estão sujeitos a incertezas, o estatístico Niamh Cahill da Maynooth University, na Irlanda, testou a robustez dos resultados em consideração a eles. Ela descobriu que em nove dos 11 conjuntos de dados considerados, a fraqueza AMOC moderna é estatisticamente significativa. “Assumindo que os processos medidos em registros proxy refletem as mudanças no AMOC, eles fornecem uma imagem consistente, apesar dos diferentes locais e escalas de tempo representados nos dados. O AMOC enfraqueceu sem precedentes em mais de 1000 anos”, diz ela.

Por que o AMOC está desacelerando?

Uma desaceleração da AMOC foi prevista por modelos climáticos como uma resposta ao aquecimento global causado pelos gases do efeito estufa. De acordo com uma série de estudos, essa é provavelmente a razão para o enfraquecimento observado. A reviravolta do Atlântico é impulsionada pelo que os

Diagramas esquemáticos para os feedbacks ar-mar associados a um AMV positivo. (a) A anomalia SST de latitude média quente induz uma circulação ciclônica em latitudes mais baixas e enfraquece os ventos alísios, que reduzem a emissão de poeira sobre o Saara e o transporte de poeira em direção ao Atlântico tropical e reduzem a baixa cobertura de nuvens sobre o Atlântico Norte tropical. (b) Uma fase AMV positiva associada a um AMOC mais forte é caracterizada por uma anomalia quente sobre o giro subpolar e uma anomalia fria sobre o giro de recirculação norte ao norte da Corrente do Golfo, e o gradiente SST meridional diminuído leva a uma resposta NAO de inverno negativa (isto é, subtropical mais fraco alto e subpolar baixo sobre o Atlântico Norte)

cientistas chamam de convecção profunda, desencadeada pelas diferenças na densidade da água do oceano: a água quente e salgada move-se do sul para o norte, onde esfria e, portanto, fica mais densa. Quando é suficientemente pesada, a água afunda para as camadas mais profundas do oceano e flui de volta para o sul. O aquecimento global perturba esse mecanismo: o aumento das chuvas e o derretimento da camada de gelo da Groenlândia adicionam água doce à superfície do oceano. Isso reduz a salinidade e consequentemente a densidade da água, inibindo o afundamento e, assim, enfraquecendo o fluxo do AMOC.

Seu enfraquecimento também tem sido associado a um resfriamento substancial e único do Atlântico Norte nos últimos cem anos. Essa chamada bolha fria foi prevista por modelos climáticos como resultado de um AMOC enfraquecido, que transporta menos calor para a região.

As consequências da desaceleração do AMOC podem ser múltiplas para as pessoas que vivem nos dois lados do Atlântico, como explica Levke Caesar: “O fluxo de superfície do AMOC para o norte leva a uma deflexão das massas de água para a direita, longe da costa leste dos Estados Unidos. Isso é devido à rotação da Terra, que desvia objetos em movimento, como correntes para a direita no hemisfério norte e para a esquerda no hemisfério sul. À medida que a corrente diminui, esse efeito enfraquece e mais água pode se acumular na costa leste dos EUA, levando a um aumento acentuado do nível do mar. “

Na Europa, uma desaceleração adicional da AMOC pode implicar em eventos climáticos mais extremos, como uma mudança na trilha da tempestade de inverno saindo do Atlântico, possivelmente intensificando-os.

Outros estudos encontraram possíveis consequências como ondas de calor extremas ou uma diminuição nas chuvas de verão. Exatamente quais são as consequências adicionais é o assunto da pesquisa atual; os cientistas também pretendem resolver quais componentes e vias do AMOC mudaram como e por quais razões. “Se continuarmos a impulsionar o aquecimento global, o Sistema da Corrente do Golfo se enfraquecerá ainda mais - em 34 a 45% até 2100, de acordo com a última geração de modelos climáticos”, conclui Rahmstorf. Isso pode nos levar perigosamente perto do ponto de inflexão em que o fluxo se torna instável.