Aurora SIGER — Fase 1: Decolagem da Missão

O cenário

Segundos antes da decolagem de um foguete, dezenas de sensores transmitem dados em tempo real: temperatura da cabine, pressão dos tanques, vibração dos motores, carga das baterias. Tudo muda a cada instante. Como saber se é seguro decolar?

O Aurora SIGER — Sistema Inteligente de Gerenciamento de Riscos — é uma simulação que responde a essa pergunta. É o projeto integrador da Fase 1 do curso de Ciência da Computação (online) da FIAP, e foi concebido para unir os aprendizados de cinco disciplinas num único desafio: ciência da computação (lógica digital, sistemas numéricos), pensamento computacional e automação com Python, inteligência artificial, eficiência energética e formação ética e sustentável.

O cenário é fictício — não há foguete de verdade —, mas o problema é real: como construir um sistema que analise dados de múltiplos sensores simultaneamente, detecte anomalias sutis com IA, calcule autonomia energética e tome uma decisão automatizada de Go/No-Go? Cada disciplina contribui com uma peça desse quebra-cabeça.

Como funciona

O sistema opera como uma tripla barreira de segurança. Todas as três precisam aprovar — basta uma reprovar para que a decolagem seja abortada.

1. Checklist de sensores

Sete sensores são verificados contra suas faixas seguras: temperatura interna e externa, integridade estrutural, energia, vibração, pressão dos tanques e módulos críticos. Se qualquer valor estiver fora do limite, o sistema para imediatamente — como o checklist que um piloto faz antes de decolar, item por item.

2. O olhar da inteligência artificial

Mesmo que cada sensor esteja individualmente dentro da faixa segura, a combinação de valores pode indicar um problema. Uma pressão levemente elevada junto com uma vibração no limite superior pode ser sinal de algo errado — algo que a checagem individual não perceberia.

Para detectar essas anomalias sutis, o sistema usa um algoritmo de machine learning chamado Isolation Forest, que aprende o que é "normal" a partir de 100 mil leituras e identifica as combinações que se desviam do padrão.

3. Análise de energia

A última barreira verifica se as baterias têm carga suficiente não só para a decolagem, mas para manter a nave funcionando em órbita até que os painéis solares sejam desdobrados. Não adianta decolar com sucesso se a energia acabar logo depois.

O sistema em ação

Para demonstrar o pipeline completo, o sistema foi testado com dois cenários reais de telemetria:

Na leitura normal, as três barreiras aprovam e o sistema autoriza o lançamento com 12,4 horas de autonomia em órbita. Na leitura anômala, a IA detecta a anomalia já no segundo estágio e aborta imediatamente — antes mesmo de calcular a energia. O sistema erra pelo lado da segurança: na dúvida, não decola.

Inteligência artificial do zero

O aspecto mais ambicioso do projeto foi implementar o Isolation Forest do zero — sem usar bibliotecas prontas. Isso significou construir toda a lógica de árvores de isolamento, amostragem aleatória e cálculo de scores de anomalia a partir dos fundamentos matemáticos do algoritmo, incluindo a constante de Euler-Mascheroni para normalização dos caminhos.

Para validar, a implementação foi comparada lado a lado com a do Scikit-learn — a biblioteca de referência em machine learning para Python:

O resultado: um ROC AUC de 0,9999 — praticamente idêntico ao 1,0000 do Scikit-learn. A implementação do zero é equivalente à biblioteca de produção.

Os dados por trás do sistema

O Aurora SIGER trabalha com 100 mil amostras de telemetria sintética, geradas com distribuições estatísticas realistas. Dessas, 3% são anomalias — proporção inspirada em cenários reais de engenharia aeroespacial.

Os sensores não são independentes entre si. Quando a pressão dos tanques cai abaixo de um limiar crítico, a probabilidade de falha na integridade estrutural e nos módulos críticos aumenta — modelada por uma função logística que simula como problemas em um sistema tendem a se propagar para outros.

Engenharia energética

A análise de energia não é um detalhe — é um exercício de engenharia de precisão onde cada quilowatt-hora conta.

A capacidade total simulada é de 18 kWh, comparável à de um carro elétrico urbano de entrada. A diferença fundamental está no contexto: enquanto um veículo terrestre pode ser recarregado em qualquer tomada, uma cápsula em órbita depende exclusivamente da energia embarcada até que os painéis solares sejam desdobrados e estabilizados.

A energia não chega integralmente aos sistemas. Baterias de lítio-íon sofrem perdas por resistência interna (2–5%), agravadas pelas variações térmicas extremas entre face solar e sombra orbital. A conversão DC-DC para alimentar diferentes barramentos consome 3–8%. Somam-se perdas em chicotes elétricos (1–3%), gestão térmica (2–5%) e condicionamento de potência (1–2%). No total, 14% da energia é perdida antes de chegar aos sistemas de bordo.

Essa janela de 12,6 horas é suficiente para manobras iniciais, mas exige planejamento rigoroso de cada subsistema consumidor — exatamente o tipo de análise que o Aurora SIGER automatiza. A análise completa, com referências a padrões da NASA e SpaceX, está no documento de engenharia energética.

Por que importa

Construir um sistema que decide se é seguro decolar levanta uma pergunta inevitável: quem decide quando a máquina decide?

Algoritmos tomam decisões sobre nossas vidas o tempo todo — do feed que montam para você às vagas de emprego que filtram seu currículo. A lógica está ali, mas a intenção por trás dela — por que esses critérios e não outros, a quem servem, o que otimizam — raramente é tornada visível. Oitenta e quatro documentos de ética em IA convergem em cinco princípios (transparência, justiça, não causar dano, responsabilidade, privacidade), mas divergem substancialmente sobre como implementá-los na prática.

Há ainda uma dimensão que recebe pouca atenção: o custo energético. Cada modelo treinado, cada algoritmo rodando em um data center consome eletricidade. Mas a mesma tecnologia que consome energia massiva também pode ser usada para reduzi-la — como o data center do Google em Hamina, Finlândia, que usa água do mar e IA para minimizar desperdício energético.

A exploração espacial materializa todas essas tensões. O programa Apollo custou o equivalente a US$ 260 bilhões atuais e transferiu mais de 2.000 tecnologias para uso civil. Mas se apenas países e empresas com capital massivo podem acessar recursos espaciais, o espaço reproduz no vácuo a mesma desigualdade que já existe na Terra.

Eficiência sem ética é apenas uma forma mais sofisticada de desperdício.

A pergunta que vale a pena fazer sobre qualquer tecnologia — inclusive esta — não é "funciona?", mas "para quem funciona, com que transparência e sob qual governança?" A reflexão completa está no ensaio Quem decide quando a máquina decide?

Qualidade e rigor

O projeto é um pacote Python completo, instalável via pip install -e ., com testes cobrindo não apenas o caminho feliz, mas boundary conditions (energia exatamente em 60% — aprova ou reprova?), reprodutibilidade com seed control, e validação do modelo de IA com mocking.

Projeto em evolução

Aurora SIGER é o projeto integrador do primeiro ano de Ciência da Computação na FIAP (2026), desenvolvido em equipe com Gabriel Carmona Bittencourt e Márcio Francisco dos Santos Júnior. O sistema será construído ao longo de 7 fases durante o ano letivo, com a Fase 1 — telemetria, Isolation Forest e pipeline de decisão — já concluída.

As próximas fases adicionarão novas capacidades ao sistema, ampliando tanto a sofisticação técnica quanto o escopo da simulação.

---

Explore o código-fonte no repositório GitHub ou execute a análise completa no notebook interativo no Google Colab.