Autor: Eduardo Fagundes

Formar equipes para projetos de inteligência artificial (IA) é um grande desafio para as empresas. A formação de um Squad, equipe multifuncional autônoma para desenvolver sprints de um projeto de inteligência artificial, deve ser composta pelo menos por: o Dono do Produto (Product Owner); Gerente de Projeto; Arquiteto de Sistemas; Engenheiro de Dados; Cientista de Dados; Engenheiro de DevOps. O projeto deve ter um patrocinador com forte liderança e influência na organização para ultrapassar as barreiras políticas organizacionais. O grande desafio é recrutar profissionais com forte background acadêmico e experiência prática em projetos corporativos. Processos de recrutamento e treinamentos corporativos tradicionais não funcionam para este tipo de projetos. A formação deve usar a abordagem Learning-by-doing, executados por profissionais com perfil acadêmico, motivação e habilidades didáticas para transferir conhecimento durante o projeto.  

O processo começa com o convencimento da importância de projetos de IA por um alto executivo da empresa, que esteja disposto a patrocinar o projeto. Sua participação é essencial para remover obstáculos políticos internos e conseguir os fundos necessários para a execução do projeto. Ele deve também designar alguém de sua confiança para liderar a equipe na função de product owner.

O product owner, ou o dono do projeto, tem o papel de avaliar as prioridades do projeto, servir de elo de ligação entre a equipe e outras áreas na organização, identificar barreiras internas e externas e desenvolver estratégias para supera-las e traduzir para a equipe do projeto os conceitos e regras do negócio para o desenvolvimento dos modelos de aprendizado de máquina: Machine Learning e Deep Learning, como as redes neurais artificiais.

O gerente do projeto dentro no squad atua como facilitador e remove obstáculos operacionais levantados pela equipe nas reuniões diárias de revisão do projeto. Utiliza ferramentas de gestão de projetos e faz análises de risco para ações de mitigação para garantir o sucesso do projeto. Em equipes muito enxutas, esta função pode ser realizada por um dos outros membros da equipe.

O arquiteto de dados tem a função de operacionalizar os modelos de aprendizado de máquina, ou seja, a partir dos dados coletados desenvolver algoritmos apropriados para as análises avançadas de dados. Como os cientistas de dados, os arquitetos de sistemas devem ter um conhecimento sólido modelos e de suas aplicações, mas com um foco mais voltado para os sistemas.

O engenheiro de dados tem a função de garantir a qualidade e integração dos dados na arquitetura de TI. Deve ter sólidos conhecimentos de bancos de dados SQL e NoSQL.

O engenheiro de DevOps é responsável pela implementação e gerenciamento de todo o ambiente, garantindo uma infraestrutura robusta e escalável e processos confiáveis e seguros de processamento dos dados.

O cientista de dados tem a função de explorar os dados para extrair informações relevantes e apresenta-las de forma clara e estruturada para auxiliar nas tomadas de decisões, incluindo análises preditivas e prescritiva. Lembrando: a análise preditiva identifica tendências futuras, a prescritiva traça as possíveis consequências de cada ação.

Todas as funções são importantes e essenciais para um projeto de IA. Entretanto, existem duas funções que exigem maior atenção para o recrutamento e formação técnica e acadêmica: o cientista de dados e o arquiteto de sistemas de inteligência artificial.

Os cientistas de dados e arquitetos de sistemas para IA devem ter formação em matemática e ciência da computação, preferencialmente com mestrado ou doutorado, conhecer algoritmos de aprendizado supervisionado e não-supervisionado para construir modelos matemáticos de Machine Learning e Deep Learning (Redes Neurais Artificiais), habilidade em programação e conhecer o negócio que estiver analisando. Obviamente, a formação de especialistas em inteligência artificial demanda anos de estudos e vivência prática. Por enquanto, encontrar profissionais com estas habilidades e perfil é uma árdua tarefa.

Felizmente, as novas ferramentas simplificam a programação dando mais produtividade nas análises e montagem dos modelos, porém ainda existe o desafio de idealizar, construir, ensinar e testar os modelos para resolver o problema alvo do negócio.

Este cenário de escassez de recursos humanos, inviabiliza e atrasam projetos. Muitas vezes, ter dinheiro não resolve, pois os profissionais disponíveis já estão alocados em projetos com desafios e salários atraentes.

Tentar contratar profissionais no exterior, também, é um desafio. O Vale do Silício na Califórnia nos Estados Unidos enfrenta o mesmo problema. Existem informações que existem milhares de vagas em aberto nas ensolaradas praias do Estado mais rico dos Estados Unidos.

Então, como formar equipes para trabalhar em projetos de inteligência artificial?

Minha sugestão é começar a formação nos cursos de graduação com parcerias entre as escolas e a iniciativa privada. As empresas fornecem os desafios e dados reais para as análises e construção de modelos matemáticos para a solução de problemas reais. Com o apoio dos professores, os alunos estudam e praticam. As empresas podem disponibilizar especialistas nos negócios para ensinar os alunos das características de cada negócio, ajudando na formação e melhorar as análises de dados. Este processo de aprendizagem Learning-by-doing acelera a curva de aprendizagem dos alunos. Na fase de estágio profissional, os alunos continuam os estudos e as atividades práticas com maior foco em áreas de negócios específicas, tornando-se especialistas.

Os cursos de especialização, aqui no Brasil chamados de MBAs, podem adotar novos modelos de aprendizagem, baseados em Learning-by-doing, para acelerar a curva de aprendizagem. O uso de desafios de empresas com dados reais torna o processo de aprendizagem mais produtivo e direcionado. Acrescento a possibilidade dos alunos de especialização trabalharem nos laboratórios das Universidades para focarem nos estudos e nos projetos de solução dos desafios apresentados pelas empresas. O ambiente acadêmico facilita a criatividade, além do contato com vários professores e pesquisadores de diferentes áreas.

Outra alternativa é investir em startups com foco na solução de problemas da empresa. Dentro de um ambiente ágil e sem uma hierarquia organizacional rígida, com propostas desafiadoras de trabalho e, logicamente, com recompensas atraentes, é possível montar equipes de alto desempenho para os projetos de inteligência artificial.

Os novos modelos de negócios e a mudança do perfil de consumo do mercado levou vários especialistas de áreas técnicas e de negócios ao desemprego. Esta desconfortável situação para muitos profissionais qualificados, gera uma oportunidade para se tornarem cientistas de dados. Agregando conhecimento de matemática e programação, estes profissionais experientes podem suprir a demanda das vagas em aberto para cientistas de dados. Trabalhando em conjunto com os arquitetos e engenheiros de dados pode-se atingir excelentes níveis de desempenho.

Os estudos podem ser feitos com aulas gratuitas oferecidas por escolas tradicionais, aulas pelo YouTube de professores voluntários e programas governamentais de requalificação de mão de obra. Existem cursos online pagos de excelente qualidade e baixo valor.

O desafio fica em conseguir trabalhar em problemas reais com dados reais para praticar e buscar soluções que atendam as expectativas das empresas. Isto pode ser resolvido com a criação de desafios elaborados pelas áreas de inovação das empresas e com programas de inovação aberta, de preferência, com prêmios para os melhores trabalhos.

Resumindo, existem várias alternativas para a formação de equipes para projetos de inteligência artificial, não são imediatas e devem fazer parte de uma estratégia mais ampla para a transformação digital das empresas. Uma coisa é certa, o recrutamento feito de forma tradicional não funciona para estes casos.

Sou professor de cursos de especialização em tecnologia e gestão de negócios, e estou empenhado na formação de profissionais para projetos de IA usando a abordagem Learning-by-doing.

Vivemos em uma época onde existem ferramentas sofisticadas para a gestão de empresas, livros e manuais de boas práticas de gestão, modelos sofisticados e abrangentes de governança corporativa e de tecnologia, organogramas com títulos bonitos, treinamentos de capacitação e legislação com penalidades duras para empresas e responsáveis por processos críticos nas organizações. Entretanto, tudo isto não garante fraudes espetaculares e desastres ambientais com vítimas e prejuízos materiais incalculáveis. Onde está o problema?

Existem vários fatores que podem explicar as falhas nas tomadas de decisões e comportamento dos conselhos de administração e direção executiva das organizações. Irei destacar x, que considero importantes: (1) ignorar o código de ética e de conduta; (2) falta de especialização técnica de conselheiros e diretores executivos; (3) existência de conflitos de interesses; e, (4) falha nas auditorias internas e externas.

Por mais ético que um diretor-presidente possa ser, a distribuição de dividendos para os acionistas é o seu objetivo principal. Afinal, ele foi eleito para o cargo para garantir a implementação das estratégias definidas pelo Conselho de Administração para crescimento e lucratividade da organização. Claro que, para mostrar que está executando a missão de forma competente e controlada, a direção executiva monitora e divulga indicativos de desempenho (KPIs) que, normalmente, estão dentro dos limites esperados. A questão é que muitos indicativos apresentados isoladamente, sem tendências históricas e sem correlação com outros indicadores não apresentam o cenário real da empresa.

Veja o caso da Vale. O faturamento, depois de uma queda substancial de US$35 milhões (2014) para US$23 milhões (2015), houve uma recuperação, consistentemente, até 2018, onde registrou um faturamento de US$36 milhões. Entretanto, analisando outros dois indicativos, observamos que houveram reduções significativas: os investimento reduziram, gradualmente, de US$12 milhões em 2014 para US$3 milhões em 2018; os investimentos em execução de projetos caiu de US$7,9 milhões em 2014 para US$1 milhão em 2018; e, os investimentos em barragens caíram de US$474 milhões para US$191 milhões em 2018. Ou seja, não podemos atribuir a tragédia de Brumadinho apenas a uma fatalidade da natureza.

Ainda no caso da Vale, o seu relatório de sustentabilidade empresarial era apresentado de forma magnifica, com todos os dados e auditado por auditorias internas e externas. Ou seja, cumpriram integralmente os princípios da governança corporativa, normas da CVM e da B3. Entretanto, não relacionaram os indicadores e revisaram o aumento dos riscos nas barragens.

E o Compliance na Vale? Do ponto de vista da legislação e cumprimento das normas e aplicação das melhores práticas de gestão estava tudo certo.

E o Conselho de Administração da Vale? Se olharmos a composição do Conselho vemos que a maioria tem forte qualificação em finanças e questões jurídicas. Neste universo, os votos técnicos podem ter menor peso.

Como vimos, é possível estar em um ambiente de caos com tudo dentro da conformidade legal e normativa.

É interessante observar o impacto na linha de comando do discurso da alta direção. No papel, a proteção a vida e ao meio ambiente são prioridades inquestionáveis. Entretanto, na prática, uma mensagem da alta direção de que a prioridade é recuperar a empresa e gerar mais lucro, faz com que as micro decisões ignorem ações mais efetivas de proteção a vida e meio ambiente. Gerentes de nível médio acabam assumindo riscos e apostando na sorte com o objetivo de atender a mensagem da alta direção. Muitas vezes, assumem que não existe dinheiro para pequenas melhorias e não informam seus superiores. Nos casos que informam, a regra vale para a hierarquia que pode assumir que não existe dinheiro e a comunicação do risco fica em alguma gaveta.

E as auditorias internas e externas não identificam os riscos? Pois é, deveriam. Muitas vezes, os auditores utilizam métodos de analises baseado em entrevistas e na análise de alguns relatórios produzidos pela empresa auditada que podem mascarar os riscos. Por falta de tempo ou conhecimento dos auditores alguns riscos podem passar desapercebidos. O que intriga é a frequência e os casos que ocorrem. No caso da Petrobrás, foram anos de corrupção não detectados por nenhuma auditoria interna e externa.

As falhas nas micro decisões e nas auditorias podem caracterizar conflitos de interesses, pois algumas decisões são tomadas para evitar outros tipos de conflitos pessoais que poderiam prejudicar a evolução da carreira na organização ou futuros negócios, no caso das auditorias externas.

Como melhorar? A recomendação obvia é conscientizar os conselheiros e diretores executivos que os valores humanos e ambientais são mais importantes que a geração de lucro a qualquer preço e que devem passar esta mensagem, como prioritária, para toda a organização. Isto deve ser feito, porém duvido dos resultados.

Minha sugestão, para as empresas de capital aberto, é criar uma base de dados aberta, com dados administrativos, financeiros e técnicos, acessível a todos. Isto criaria condições de analistas independentes possam fazer simulações de riscos e pressionar os conselheiros e diretores executivos nas assembleias de acionistas. Abriria a possibilidade de especialistas externos identificar riscos e comunicar as empresas, dentro de um programa estruturado e, obviamente, remunerado. Isto também se aplica a outras empresas, dentro do contexto de inovação aberta.

Esta seria uma forma da sociedade em geral participar das ações das empresas, principalmente, daquelas que oferecem riscos para as comunidades e meio ambiente.

Com dados abertos e uso de ferramentas avançadas de análise de dados, pesquisadores e alunos de Universidades, empreendedores e ONGs poderiam identificar riscos de forma transparente, sem conflitos de interesse e usando um rico conhecimento externo.

Em tempos de crises econômicas a palavra de ordem é reduzir custos. Levar propostas de investimentos para o conselho de administração ou para a direção executiva é quase um suicídio profissional. Imagine levar uma proposta de implantação de um sistema de Inteligência Artificial (IA), onde para muitas pessoas os resultados são tão enigmáticos como os primeiros episódios de American Gods. A boa noticia é que podemos reduzir custos substituindo algumas ferramentas de análise de dados caras por ferramentas e linguagens de programação de uso intuitivo de código aberto, ou seja, de graça.

O MS-Excel é uma ótima ferramenta e já está na conta, porém, não dá conta de algumas análises estatísticas já configuradas em softwares mais sofisticados, como aqueles tradicionais para Six-Sigma.

Sabemos que representações gráficas são poderosas para nós homo sapiens, onde mais facilmente conseguimos identificarmos tendências e termos insights a partir da plotagem dos dados. Existem softwares profissionais que de forma amigável e intuitiva geram gráficos fantásticos que ajudam muito nas análises de dados. Obviamente, por ofereceram muitos recursos são caros.

A questão é qual o percentual dos recursos dos softwares que você e sua equipe, efetivamente, utilizam para suas análises? Provavelmente, menos de 10%. Não porque você não conheça as funcionalidades disponíveis no software, mas porque não existem dados disponíveis para as análises mais avançadas ou porque os desafios que você tem para solucionar precise de apenas algumas funções.

O ideal seria se estes softwares pudessem ser cobrados por demanda, ou seja, você apenas paga quando e por quanto tempo ou recursos são utilizados. Isto já ocorre em ambientes de Cloud Computing, nos marketplaces dos provedores de computação em nuvem. Entretanto, para assinar um serviço de Cloud Computing precisa de autorização e budget para contratar, mas se o foco da empresa é reduzir custos, provavelmente, a solicitação será negada.

Felizmente, existem softwares livre, como a Linguagem R e Python, que podem substituir as mais sofisticadas ferramentas pagas, construindo funcionalidades especificas para uso contínuo por várias pessoas, com análise em tempo real, sem pagamento de licenças de software.

Algumas aplicações podem até executar em dispositivos pequenos, como o Raspberry Pi, para análises em campo.

Se você conseguir desenvolver aplicações em R ou Python para as atividades de análises cotidianas, você abriu a porta de entrada para implementar aplicações de Inteligência Artificial na sua empresa.

O Python, por exemplo, tem API – Application programming interface – para o Tensorflow e Keras, que torna mais amigável o uso das bibliotecas de funções de aprendizagem de máquina – Machine Learning – e, aprendizagem profunda de máquina – Deep Learning.

O próximo passo é desenvolver os algoritmos para otimizar processos, treina-los, testa-los e colocar em produção para uso irrestrito na empresa.

Existem vários processos que já, comprovadamente, se beneficiam com a IA. Um exemplo, é a IA reconhecer padrões de imperfeições após cinco imagens de um produto. Atualmente, várias pessoas em uma fábrica trabalham para detectar defeitos, uma tarefa, extremamente, cansativa. Um algoritmo de Deep Learning – leva meio segundo para inspecionar o produto e identificar defeitos, de forma mais precisa que os humanos.

Instalando sensores remotos nas máquinas atuais, mesmos nas mais antigas, é possível monitorar e identificar, de forma preditiva, falhas nos equipamentos e programar manutenções preventivas, evitando paralisações na linha de produção, tornando o processo mais eficiente e reduzindo perdas de produção.

Concluindo, as soluções para uso de Inteligência Artificial para aumentar a produtividade das empresas e reduzir custos operacionais estão disponíveis e mais baratas do que você imagina. O desafio é encontrar a estratégia correta para implementa-las nas organizacionais. Uma estratégia recomendada é começar a substituir os atuais softwares de análise de dados proprietários e caros por plataformas de software livre que implementam funcionalidades matemáticas e funções para aprendizado de máquina: Machine Learning e Deep Learning.

Ter energia disponível em uma cidade é fator de atração para novos investimentos industriais e comerciais. Uma alternativa para reduzir a dependência da concessionária de energia local é as cidades investirem em programas de eficiência energética para liberar a oferta de energia para novos empreendimentos. Outra alternativa é investir em programas de geração distribuída e criar micro redes (microgrid) de energia na cidade, aproveitando recursos locais, como energia solar, biomassa e eólica. A resolução normativa da Aneel (Agência Nacional de Energia Elétrica) nº 687/2015 permite a geração de energia renovável até 5MWp (megawatts de pico) e acoplamento na rede de distribuição de energia de por pessoa física ou jurídica. O amadurecimento do mercado e o aumento da produção das placas fotovoltaicas e equipamentos, reduziram os custos de aquisição e implementação e, consequentemente, o retorno do investimento (ROI). Além da economia financeira no médio e longo prazo, a solução tem a vantagem de reduzir riscos de falta de abastecimento de energia da concessionária, por falha ou racionamento por crises de geração, e pode contribuir na redução de impactos ambientais. Em alguns casos, a geração distribuída pode deixar de ser despesa e gerar receita. As cidades e polos industriais podem se beneficiar muito dos microgrids com geração de energia renovável.

Dentre as perguntas chaves para a seleção de uma cidade para uma empresa investir em um novo empreendimento industrial e comercial está a disponibilidade e qualidade da energia. A maioria das cidades no país não têm controle sobre o planejamento da expansão da rede de energia que abastece sua localidade e, portanto, ficam dependentes das concessionárias de distribuição de energia para desenvolver seus planos de crescimento econômico e programas de atração de indústrias, centros de distribuição, empresas do setor de serviços e grandes lojas comerciais.

Eficiência Energética

Cidades com uma boa gestão de energia implementam programas de eficiência energética em seus prédios, iluminação pública e outros equipamentos públicos. Adicionalmente, incentivam e coordenam programas de eficiência energética com a comunidade, incluindo empresas, condomínios empresarias e residenciais. Os projetos municipais de eficiência energética reduzem o consumo de energia e liberam uma parcela de energia que atende a cidade para novos empreendimentos, sem a necessidade de investimentos da concessionária para ampliar a capacidade da infraestrutura da rede na cidade.

Cada concessionária de serviços públicos de distribuição de energia elétrica deve aplicar, a partir de abril de 2016, 0,4% da sua receita operacional líquida anual no desenvolvimento de programas de eficiência energética, segundo disposto  o disposto na legislação federal, em especial a Lei n° 9.991, de 24 de julho de 2000, Lei n° 13.203, de 08 de dezembro de 2015, Lei n° 13.280, de 03 de maio de 2016. Os critérios para aplicação dos recursos e procedimentos necessários para apresentação do Programa à Agência Nacional de Energia Elétrica – ANEEL estão estabelecidos em sua Resolução Normativa n° 556, de 02 de julho de 2013.

O programa de eficiência energética da Aneel, de implementação obrigatória das concessionais de distribuição de energia elétrica, abre enormes oportunidades para o poder público, empresas e pessoas físicas de obter financiamento subsidiado para implementar projetos de eficiência energética. Um dos principais fatores para a seleção e aprovação dos projetos é a relação custo/benefício (RCB) do projeto. Quanto maior a economia de energia auferida versus o investimento aplicado, melhor a relação custo/benefício. Para atingir melhores relações melhores, algumas empresas aplicam investimento próprios. Para empresas com fins lucrativos é estabelecido um contrato de desempenho que deve garantir a redução do consumo de energia planejado ou o reembolso do investimento dentro de um determinado período. Para o Poder Público e empresas sem fins-lucrativo é firmado um Termo de Cooperação Técnica, sendo os investimentos a fundo perdido.

Obviamente, não existe justificativa para empresas não tentarem, anualmente, obter estes financiamentos subsidiados para reduzir custos dentro de planos de melhoria contínua, estimulando a criatividade e inovação dos funcionários. Para as cidades, além da redução de custos, existe a vantagem de atrair novas empresas para utilizar a demanda evitada, sem a necessidade da concessionária investir na expansão da rede de energia elétrica.

Microgrid

Microgrids são sistemas de energia relativamente pequenos e controláveis ​​compostos de uma ou mais unidades de geração conectadas a usuários próximos que podem ser operados com ou de forma independente do sistema de transmissão da concessionária de energia local. Um Microgrid compreende um sistema de distribuição de baixa tensão, com recursos energéticos distribuídos (microturbinas, pequenos geradores nucleares, sistemas fotovoltaicos, sistemas eólicos, sistemas de biomassa, etc.), dispositivos de armazenamento (baterias, Flywheel) e sistemas de armazenamento de energia.

Os sistemas de distribuição das concessionárias inteligentes e digitais (SmartGrid) podem configurar microgrids dinamicamente e utilizar unidades de geração locais para atender a diferentes situações, como falha do sistema principal (ataques cibernéticos, por exemplo) ou para melhor a eficiência do sistema.

Em uma cidade, a configuração de microgrids depende de uma parceria com a concessionária local para isolar uma parte de sua infraestrutura de rede para ser atendida por uma fonte local, como por exemplo o atendimento da rede de hospitais da cidade. Isto evitaria que cada hospital tivesse um gerador de emergência.

Geração Distribuída

A geração distribuída é definida como uma fonte de geração de energia elétrica acoplada a uma rede de distribuída. A micro e mini geração de energia distribuída ganha força no Brasil a partir do estimulo do governo ao consumidor brasileiro (pessoa física e jurídica) para gerar sua própria energia elétrica usando fontes renováveis ou cogeração qualificada fornecendo o excedente para a rede de distribuição na área da concessionária. A micro e mini geração permite aliar economia financeira, consciência socioambiental e autossustentabilidade.

A iniciativa do governo teve início em abril de 2012 com a entrada em vigor da Resolução Normativa nº 482/2012 da Aneel. Em março de 2015, entra em vigor a Resolução Normativa nº 687/2015, que revisa as RN nº 482/2012, permitindo o uso de qualquer fonte renovável, além da cogeração qualificada, denominando-se micro geração distribuída a central geradora com potência instalada até 75 quilowatts (KW) e mini geração distribuída aquela com potência acima de 75 kW e menor ou igual a 5 MW, conectadas na rede de distribuição por meio de instalações de unidades consumidoras.

Com a nova resolução é possível implantar nas cidades ações de sustentabilidade buscando sinergia, como por exemplo, instalar usinas de biomassa em aterros sanitários. Projetos deste tipo, já em uso em São Paulo, permite utilizar o gás metano emitido pelos aterros sanitários para geração de energia e acoplar o sistema a um microgrid local.  

Quando a quantidade de energia gerada em determinado mês for superior à energia consumida naquele período, o consumidor fica com créditos que podem ser utilizados para diminuir a fatura dos meses seguintes. Os créditos são validos por 60 meses e podem ser usados para abater o consumo de unidades consumidoras do mesmo titular situadas em outro local dentro da área de concessão da distribuidora de energia. Esse tipo de utilização dos créditos foi denominado “autoconsumo remoto”.

Existe ainda a possibilidade de instalação de geração distribuída em condomínios (empreendimentos de múltiplas unidades consumidoras), onde a energia gerada pode ser repartida entre os condôminos em porcentagens definidas pelos próprios consumidores.

A “geração compartilhada” possibilita que diversos interessados se unam em um consórcio ou em uma cooperativa para instalar a geração distribuída e utilizem a energia gerada para redução das faturas dos consorciados ou cooperados.

A geração compartilha permite que munícipes de baixa renda possam se reunir em cooperativas para gerar energia, compartilhando equipamentos para reduzir custos de implantação, e se beneficiar da redução de custo de energia.

Mesmo que os consumidores venham a gerar mais energia que consumirem, ainda será devido o pagamento referente ao custo de disponibilidade. Para consumidores em baixa tensão (grupo B) os pagamentos de valor em reais equivalente a 30 kWh (monofásico), 50 kWh (bifásico) ou 100 kWh (trifásico). Para consumidores conectados em alta tensão (grupo A), a parcela de consumo poderá ser zerada se a geração for igual ou maior que o consumo, porém ainda será devido o pagamento da demanda contratada.

Conclusão

Combinando eficiência energética, microgrids e geração distribuída as cidades podem, através de uma governança inteligente, podem construir um ambiente de geração e demanda de energia controlado, possibilitando atrair novos empreendimento e assegurando energia de qualidade para empresas e residências. É possível também criar sinergia entre ações de sustentabilidade ambiental e ações sociais de redução de custos dos munícipes com incentivos a geração distribuída.