TEMAS DE PESQUISA - Resumos e referencial bibliográfico
TEMAS DE PESQUISAS - 2026.2.pdf
Documento PDF (364.4KB)
Documento PDF (364.4KB)
Edital 01/2026-PPGI/CPG-PROPEP/UFAL
Abertura de processo seletivo para o curso de Mestrado em Informática –
segundo semestre de 2026
TEMAS DE PESQUISA - Resumos e referencial bibliográfico
Linha de Pesquisa: Engenharia de Sistemas Computacionais
1 - Co-Design de Controle Inteligente e Filtros de Segurança via Conjuntos
Invariantes para Sistemas Multivariáveis com Garantia de Execução Segura
(Prof. Dr. Ícaro Bezerra Queiroz de Araújo)
Resumo:
O controle de sistemas dinâmicos lineares sujeitos a restrições físicas de estado e
entrada é um desafio central na engenharia, visto que a violação desses limites
pode comprometer a segurança e a integridade de processos reais. Nas últimas
décadas, a teoria de invariância de conjuntos consolidou-se como um método
matemático rigoroso para garantir o cumprimento estrito dessas restrições,
confinando as trajetórias do sistema em regiões poliédricas seguras. Em paralelo, a
formulação de Poliedros Invariantes Controlados por Realimentação de Saída
(OFCI) estendeu essa garantia para cenários práticos onde o vetor de estados
completo não está disponível para medição direta.
Apesar da robustez intrínseca dos métodos set-teoréticos, abordagens puramente
regulatórias lineares enfrentam limitações significativas de desempenho transitório
quando aplicadas a processos multivariáveis complexos com dinâmicas fortemente
não lineares e sujeitos a distúrbios operacionais. Por outro lado, técnicas de
Controle Inteligente, tais como Aprendizado por Reforço (RL) e Redes Neurais
Adaptativas, oferecem excelente capacidade de otimização e aprendizado de
transientes complexos, porém carecem de garantias matemáticas formais de
estabilidade e de satisfação de restrições em tempo real, operando frequentemente
como estruturas de "caixa-preta".
Esta pesquisa de mestrado propõe o desenvolvimento de uma estratégia de
co-design que une as vantagens complementares do Controle Inteligente e dos
Métodos Set-Teoréticos por meio de uma arquitetura de Safety Shielding (Filtro de
Segurança). Um agente inteligente será projetado para otimizar o rastreamento de
referência e a eficiência do processo. Simultaneamente, um controlador dinâmico
baseado em conjuntos OFCI atuará como um supervisor matemático de segurança
em tempo real. Se a ação proposta pelo algoritmo inteligente violar as restrições de
estado ou entrada, o filtro set-teorético interceptará a ação, aplicando a lei de
controle corretiva mínima necessária para manter o sistema dentro do poliedro
invariante. Adicionalmente, incorporar-se-á uma lei de adaptação online para
atualizar as matrizes do modelo poliédrico frente a variações paramétricas e
degradações estruturais da planta real.
Para viabilizar a aplicação prática da otimização online exigida por ambas as
técnicas em sistemas embarcados de tempo real, a infraestrutura de software será
desenvolvida utilizando uma linguagem de programação moderna com garantias
nativas de segurança de memória e concorrência segura. Isso mitigará
vulnerabilidades críticas de execução em hardware restrito, assegurando o
determinismo temporal necessário para o controle de missão crítica.
A validação da metodologia proposta será realizada em um sistema multivariável
(MIMO) de quatro tanques acoplados, permitindo avaliar a eficácia do filtro de
segurança adaptativo em cenários de fase não mínima e interações severas entre
malhas. O desempenho da arquitetura inteligente-segura será comparado com
controladores preditivos clássicos e estratégias estáticas de realimentação de saída,
utilizando métricas de esforço computacional, erro acumulado de rastreamento e
taxa de violação de restrições operacionais.
Referencial Bibliográfico:
1. RODRIGUES, M. M.; LEITE, G. R.; ARAÚJO, I. B. Q.; ALMEIDA, T. A.; DÓREA,
C. E. T. Output Feedback Reference Tracking for Constrained Linear Systems via
Invariant Sets: The Coupled Tanks Process. Anais do Congresso Brasileiro de
Automática, 2024.
2. ALMEIDA, T. A.; DÓREA, C. E. T. Output feedback constrained regulation of linear
systems via controlled-invariant sets. IEEE Transactions on Automatic Control, v. 66,
n. 7, p. 3378–3385, 2021.
3. WABERSICH, K. P.; ZEILINGER, M. N. Linear model predictive safety certification
for learning-based control. IEEE Transactions on Automatic Control, v. 66, n. 9, p.
4129-4144, 2021. (Este é um dos artigos seminais recentes do grupo de Zurique
sobre como usar o MPC como filtro de segurança para Machine Learning).
4. DÓREA, C. E. T. Output-feedback controlled-invariant polyhedra for constrained
linear systems. Em: 48th IEEE Conference on Decision and Control. [S.l.]: IEEE,
2009. p. 5317–5322.
5. JOHANSSON, K. H. The quadruple-tank process: A multivariable laboratory
process with an adjustable zero. IEEE Transactions on Control Systems Technology,
v. 8, n. 3, p. 456–465, 2000. (Artigo clássico e real que modela a planta de quatro
tanques, introduzindo o benchmark de fase não mínima).
6. BRUNKE, L. et al. Safe learning in robotics: From learning-based control to safe
reinforcement learning. Annual Review of Control, Robotics, and Autonomous
Systems, v. 5, n. 1, p. 411-444, 2022. (Excelente artigo de revisão real sobre os
métodos de filtro de segurança e RL em controle crítico).
2 - Desenvolvimento de um Gêmeo Digital com Inteligência Artificial
Embarcada para Monitoramento, Diagnóstico e Predição de Falhas em
Motores de Indução (Prof. Dr. Maurício Beltrão de Rossiter Corrêa)
Resumo:
Este trabalho propõe o desenvolvimento de um gêmeo digital baseado em
aprendizado de máquina e inteligência artificial embarcada, capaz de simular em
tempo real o comportamento dinâmico de motores de indução, bem como realizar
diagnóstico e predição de falhas. A pesquisa integra conceitos das áreas de
Engenharia Elétrica e Ciência da Computação, contemplando temas como
modelagem de máquinas elétricas, manutenção preditiva, controle adaptativo e
automação industrial. No contexto computacional, o estudo explora a aplicação de
arquiteturas de gêmeos digitais associadas a técnicas de aprendizado de máquina e
Inteligência Artificial embarcada (TinyML). O gêmeo digital desenvolvido deverá
fornecer estimativas contínuas do estado operacional da máquina por meio de
modelagem dinâmica, possibilitando a implementação de estratégias de controle
adaptativo baseadas em IA e contribuindo para o aumento da confiabilidade,
eficiência e disponibilidade de sistemas industriais.
Referencial Bibliográfico:
ZHANG, Shen; WALLSCHEID, Oliver; PORRMANN, Mario. Machine learning for the
control and monitoring of electric machine drives: advances and trends. IEEE Open
Journal of Industry Applications, v. 4, p. 602–630, 2023. DOI:
10.1109/OJIA.2023.3284717.
LI, Yufei; LIAO, Yicheng; ZHAO, Liang; CHEN, Minjie; WANG, Xiongfei;
NORDSTRÖM, Lars; MITTAL, Prateek; POOR, H. Vincent. Machine learning at the
grid edge: data-driven impedance models for model-free inverters. IEEE
Transactions on Power Electronics, v. 39, n. 8, p. 10465–10481, 2024. DOI:
10.1109/TPEL.2024.3399776.
ZHAO, S.; PENG, Y.; ZHANG, Y.; WANG, H. Parameter estimation of power
electronic converters with physics-informed machine learning. IEEE Transactions on
Power Electronics, v. 37, n. 10, p. 11567–11578, out. 2022. DOI:
10.1109/TPEL.2022.3176468.
SANTOS, J. F. D. et al. Digital twin-based monitoring system of induction motors
using IoT sensors and thermo-magnetic finite element analysis. IEEE Access, v. 11,
p. 1682–1693, 2023. DOI: 10.1109/ACCESS.2022.3232063.
3 - Do Prompt ao Código de Qualidade: Democratizando a Construção de
Aplicações Manuteníveis e Seguras (Prof Dr. Baldoino Fonseca dos Santos
Neto)
Resumo:
Os grandes modelos de linguagem (LLMs, do inglês Large Language Models) são
modelos de aprendizado profundo treinado em grandes quantidades de dados para
compreender e gerar linguagem natural natural de forma coerente e relevante [1].
Os LLMs, como o GPT (OpenAI) [2], Gemini (Google) [3], Llama (Meta) [4], Claude
(Anthropic) [5] e Grok (xAI) [6], têm demonstrado impacto substancial em diversos
domínios, com destaque particular para a engenharia de software [7, 8, 9].
Neste campo específico, os LLMs têm revolucionado processos fundamentais,
incluindo a geração automatizada de código [10, 11, 12], identificação e correção de
bugs ou vulnerabilidades [13, 14, 15], ou mesmo a criação de aplicações completas
a partir de especificações em linguagem natural (também conhecido como prompts).
Associado ao surgimento de LLMs, temos visto uma proliferação de ferramentas
que facilitam a interação com estes modelos através de prompts. Em particular,
estas ferramentas são capazes de processar prompts providos por indivíduos com
pouca ou nenhuma experiência em programação e prover diversas funcionalidades,
como a recomendação de código e implementação de algoritmos (através de
plataformas como Cursor [16], ReplitAI [17], Windsurf [18], Bolt.new [19], v0 [20],
ZedAI [21], Lovable [22], e GitHub Copilot [23]) até a criação integral de aplicações
complexas (através de plataformas como Zoho [24], Bublle [25], and Marblism [26]).
Como exemplo, utilizando a plataforma Marblism, indivíduos sem conhecimento
técnico algum em programação podem construir aplicações funcionais completas a
partir de um prompt como:
”TweetX é uma aplicação social onde os usuários podem:
● Postar tweets;
● Curtir tweets;
● Comentar tweets;
● Retransmitir tweets;
● Seguir outros usuários.
O uso de prompts nos processos de desenvolvimento de software têm apresentado
potencial significativo para democratização da construção de aplicações uma vez
que possibilita a contribuição de indivíduos com diferentes níveis de conhecimento
técnico, ou mesmo sem conhecimento técnico algum em programação [27]. Além
disso, o uso de prompts pode levar também a construção de aplicações que reflitam
melhor as intenções dos indivíduos em relação ao comportamento esperado das
aplicações uma vez que estes podem expressar suas intenções e requisitos
funcionais das aplicações através de linguagem natural. Entretanto, a formulação
inadequada de prompts pode resultar na proliferação de aplicações com qualidade
comprometida, caracterizadas por diversos problemas de manutenibilidade e
segurança como a presença de code smells [28, 29, 30, 31, 32], bugs, ou
vulnerabilidades [33, 34, 35, 36, 37, 38, 39, 40, 41]. Neste contexto, a engenharia de
prompts, caracterizada pela formulação sistemática de instruções precisas para
LLMs, exerce função fundamental na construção de aplicações com qualidade [42,
43, 44]. Embora alguns trabalhos [45, 46, 47, 48] tenham proposto técnicas para
aprimoramento do prompt visando melhorar a qualidade do código gerado, ainda há
uma lacuna significativa na literatura sobre a relação entre a engenharia de prompts
e a qualidade do código gerado para construção de aplicações, especialmente
quando se trata de prompts providos por indivíduos com pouca ou nenhuma
experiência em programação [27].
Referencial Bibliográfico:
[1] S. Raschka, Build a Large Language Model (From Scratch). Shelter Island, NY:
Manning Publications, 2024. Includes free eBook in PDF and ePub formats with print
book purchase.
[2] OpenAI, “Chatgpt (gpt-4),” 2023. Large language model.
[3] Google, “Gemini 1.5,” 2024. Multimodal generative AI model.
[4] M. AI, “Llama 3.1: Open and efficient foundation language models,” 2024. Large
language model with multilingual support, extended context length, and advanced
reasoning capabilities.
[5] Anthropic, “Claude 3.5: Advanced multimodal ai assistant,” 2024. Large language
model with text and vision capabilities, optimized for reasoning, coding, and
multilingual tasks.
[6] xAI, “Grok: Large language model by xai,” 2025. A general-purpose AI model with
real-time access to X (formerly Twitter) data, designed for text generation, coding,
and conversational tasks.
[7] I. Ozkaya, “Application of large language models to software engineering tasks:
Opportunities, risks, and implications,” IEEE Software, vol. 40, no. 3, pp. 4–8, 2023.
[8] A. Fan, B. Gokkaya, M. Harman, M. Lyubarskiy, S. Sengupta, S. Yoo, and J. M.
Zhang, “Large language models for software engineering: Survey and open
problems,” in 2023 IEEE/ACM International Conference on Software Engineering:
Future of Software Engineering (ICSE-FoSE), pp. 31–53, 2023.
[9] e. a. Zhao, “Towards an understanding of large language models in software
engineering tasks,” Empirical Software Engineering, vol. 30, no. 2, p. 50, 2024.
[10] X. Du, M. Liu, K. Wang, H. Wang, J. Liu, Y. Chen, J. Feng, C. Sha, X. Peng, and
Y. Lou, “Evaluating large language models in class-level code generation,” in
Proceedings of the IEEE/ACM 46th International Conference on Software
Engineering, ICSE ’24, (New York, NY, USA), Association for Computing Machinery,
2024.
[11] X. Jiang, Y. Dong, L. Wang, Z. Fang, Q. Shang, G. Li, Z. Jin, and W. Jiao,
“Self-planning code generation with large language models,” ACM Trans. Softw. Eng.
Methodol., vol. 33, Sept. 2024.
[12] J. Jiang, F. Wang, J. Shen, S. Kim, and S. Kim, “A survey on large language
models for code generation,” ArXiv, vol. abs/2406.00515, 2024.
[13] X. Yin, C. Ni, S. Wang, Z. Li, L. Zeng, and X. Yang, “Thinkrepair: Self-directed
automated program repair,” in Proceedings of the 33rd ACM SIGSOFT International
Symposium on Software Testing and Analysis, ISSTA 2024, (New York, NY, USA), p.
1274–1286, Association for Computing Machinery, 2024.
[14] H. Li, Y. Hao, Y. Zhai, and Z. Qian, “Enhancing static analysis for practical bug
detection: An llm-integrated approach,” Proc. ACM Program. Lang., vol. 8, Apr. 2024.
[15] M. Jin, S. Shahriar, M. Tufano, X. Shi, S. Lu, N. Sundaresan, and A.
Svyatkovskiy, “Inferfix: End-to-end program repair with llms,” in Proceedings of the
31st ACM Joint European Software Engineering Conference and Symposium on the
Foundations of Software Engineering, ESEC/FSE 2023, (New York, NY, USA), p.
1646–1656, Association for Computing Machinery, 2023.
[16] C. Team, “Cursor: Ai-powered code editor.” https://www.cursor.so, 2025.
Accessed: 2025-01-06.
[17] R. Team, “Replit ai: Ai-powered development platform.” https://replit.com/ai,
2025. Accessed: 2025-01-06.
[18] C. Team, “Windsurf: Ai-powered code editor.” https://codeium.com/windsurf,
2024. Accessed: 2025-01-06.
[19] S. Team, “Bolt.new: Ai-powered development tool.” https://bolt.new, 2024.
Accessed: 2025-01-06.
[20] V. Team, “v0: Generative ui by vercel.” https://v0.dev, 2024. Accessed:
2025-01-06.
[21] Z. Industries, “Zed ai: Ai-powered code editor.” https://zed.dev/ai, 2024.
Accessed: 2025-01-06.
[22] L. Team, “Lovable: Ai-powered full-stack application builder.” https://lovable.dev,
2024. Accessed: 2025-01-06.
[23]
GitHub,
“Github
copilot:
Ai-powered
code
completion
https://github.com/features/copilot, 2024. Accessed: 2025-01-06.
tool.”
[24] Z. Corporation, “Zoho creator: Low-code application development platform.”
https://www.zoho.com/creator/, 2025. Accessed: 2025-01-06.
[25] B. Team, “Bubble: No-code development platform.” https://bubble.io, 2025.
Accessed: 2025-01-06.
[26]
M.
Team,
“Marblism:
Ai-powered
full-stack
builder.”https://www.marblism.com, 2024. Accessed: 2025-01-06.
application
[27] B. Binzer and T. Winkler, “Democratizing software development: A systematic
multivocal literature review and research agenda on citizen development,” in
Software Business: 13th International Conference, ICSOB 2022, Bolzano, Italy,
November 8–11, 2022, Proceedings (N. Carroll, A. Nguyen-Duc, X. Wang, and V.
Stray, eds.), Lecture Notes in Business Information Processing, (Germany), p.
244–259, Springer, Oct. 2022. 13th International Conference on Software
Business.ICSOB 2022 : Software for Digital Transformation, ICSOB2022;
Conference date: 08-11-2022 Through 11-11-2022.
[28] A. Aljohani and H. Do, “From fine-tuning to output: An empirical investigation of
test smells in transformer-based test code generation,” in Proceedings of the 39th
ACM/SIGAPP Symposium on Applied Computing, SAC ’24, (New York, NY, USA), p.
1282–1291, Association for Computing Machinery, 2024.
[29] M. L. Siddiq, S. H. Majumder, M. R. Mim, S. Jajodia, and J. C. S. Santos, “An
empirical study of code smells in transformer-based code generation techniques,” in
2022 IEEE 22nd International Working Conference on Source Code Analysis and
Manipulation (SCAM), pp. 71– 82, 2022.
[30] B. Zhang, P. Liang, Q. Feng, Y. Fu, and Z. Li, “Copilot-in-the-loop: Fixing code
smells in copilot-generated python code using copilot,” in Proceedings of the 39th
IEEE/ACM International Conference on Automated Software Engineering, ASE ’24,
(New York, NY, USA), p. 2230–2234, Association for Computing Machinery, 2024.
[31] W. C. Ouédraogo, Y. Li, K. Kaboré, X. Tang, A. Koyuncu, J. Klein, D. Lo, and T.
F. Bissyandé, “Test smells in llm-generated unit tests,” 2024.
[32] A. Velasco, D. Rodriguez-Cardenas, D. N. Palacio, L. R. Alif, and D.
Poshyvanyk, “How propense are large language models at producing code smells? a
benchmarking study,” 2024.
[33] J. Chen, Q. Zhong, Y. Wang, K. Ning, Y. Liu, Z. Xu, Z. Zhao, T. Chen, and Z.
Zheng, “Rmcbench: Benchmarking large language models’ resistance to malicious
code,” in Proceedings of the 39th IEEE/ACM International Conference on Automated
Software Engineering, ASE ’24, (New York, NY, USA), p. 995–1006, Association for
Computing Machinery, 2024.
[34] H. Hajipour, K. Hassler, T. Holz, L. Schönherr, and M. Fritz, “Codelmsec
benchmark: Systematically evaluating and finding security vulnerabilities in black-box
code language models,” in 2024 IEEE Conference on Secure and Trustworthy
Machine Learning (SaTML), pp. 684–709, 2024.
[35] Y. Song, R. Liu, S. Chen, Q. Ren, Y. Zhang, and Y. Yu, “SecureSQL: Evaluating
data leakage of large language models as natural language interfaces to databases,”
in Findings of the Association for Computational Linguistics: EMNLP 2024 (Y.
Al-Onaizan, M. Bansal, and Y.-N. Chen, eds.), (Miami, Florida, USA), pp.
5975–5990, Association for Computational Linguistics, Nov. 2024.
[36] W. Zhang, Y. Wang, and M. Fan, “Towards robustness ofnbsp;larglanguage
models onnbsp;text-to-sql task: An adversarial andnbsp;crossdomain investigation,”
in Artificial Neural Networks and Machine Learning – ICANN 2023: 32nd
International Conference on Artificial Neural Networks, Heraklion, Crete, Greece,
September 26–29, 2023, Proceedings, Part V, (Berlin, Heidelberg), p. 181–192,
Springer-Verlag, 2023.
[37] X. Peng, Y. Zhang, J. Yang, and M. Stevenson, “On the vulnerabilities of
text-to-sql models,” in 2023 IEEE 34th International Symposium on Software
Reliability Engineering (ISSRE), pp. 1–12, 2023.
[38] J. Zhang, Y. Zhou, B. Hui, Y. Liu, Z. Li, and S. Hu, “TrojanSQL: SQL injection
against natural language interface to database,” in Proceedings of the 2023
Conference on Empirical Methods in Natural Language Processing (H. Bouamor, J.
Pino, and K. Bali, eds.), (Singapore), pp. 4344–4359, Association for Computational
Linguistics, Dec. 2023.
[39] R. Pedro, M. E. Coimbra, D. Castro, P. Carreira, and N. Santos, “
Prompt-to-SQL Injections in LLM-Integrated Web Applications: Risks and Defenses
,” in 2025 IEEE/ACM 47th International Conference on Software Engineering (ICSE),
(Los Alamitos, CA, USA), pp. 76–88, IEEE Computer Society, May 2025.
[40] M. Nazzal, I. Khalil, A. Khreishah, and N. Phan, “Promsec: Prompt optimization
for secure generation of functional source code with large language models (llms),”
in Proceedings of the 2024 on ACM SIGSAC Conference on Computer and
Communications Security, CCS ’24, (New York, NY, USA), p.2266–2280, Association
for Computing Machinery, 2024.
[41] I. D. Fagadau, L. Mariani, D. Micucci, and O. Riganelli, “Analyzing prompt
influence on automated method generation: An empirical study with copilot,” in
Proceedings of the 32nd IEEE/ACM International Conference on Program
Comprehension, ICPC ’24, (New York, NY, USA), p. 24–34, Association for
Computing Machinery, 2024.
[42] Y. Sasaki, H. Washizaki, J. Li, D. Sander, N. Yoshioka, and Y. Fukazawa,
“Systematic literature review of prompt engineering patterns in software
engineering,” in 2024 IEEE 48th Annual Computers, Software, and Applications
Conference (COMPSAC), pp. 670–675, 2024.
[43] M. Hamdi and L. D. Kim, “A prompt-based approach for software development,”
in 2023 International Conference on Computational Science and Computational
Intelligence (CSCI), pp.1612–1614, 2023.
[44]
S.
Blog,
“Prompts
are
https://blog.sigplan.org/2024/10/22/prompts-are-programs/,
2024.
2025-01-06.
programs.”
Accessed:
[45] C. Liu, X. Bao, H. Zhang, N. Zhang, H. Hu, X. Zhang, and M. Yan, “Guiding
chatgpt for better code generation: An empirical study,” in 2024 IEEE International
Conference on Software Analysis, Evolution and Reengineering (SANER), pp.
102–113, 2024.
[46] J. Li, Y. Zhao, Y. Li, G. Li, and Z. Jin, “Acecoder: An effective prompting
technique specialized in code generation,” ACM Trans. Softw. Eng. Methodol., vol.
33, Nov. 2024.
[47] J. Li, G. Li, Y. Li, and Z. Jin, “Structured chain-of-thought prompting for code
generation,” ACM Trans. Softw. Eng. Methodol., Aug. 2024. Just Accepted.
[48] C. Tony, N. E. D. Ferreyra, M. Mutas, S. Dhiff, and R. Scandariato, “Prompting
techniques for secure code generation: A systematic investigation,” 2024.
4 - Evitando Test Smells Através do Uso de Annotations em Frameworks de
Testes (Prof. Dr. Márcio de Medeiros Ribeiro)
Resumo:
Test smells representam problemas de qualidade em testes automatizados que
podem comprometer a legibilidade, a manutenção, a confiabilidade e a evolução de
sistemas de software. Assim como code smells indicam fragilidades no código-fonte,
test smells podem tornar casos de teste difíceis de entender, aumentar o esforço de
manutenção e até introduzir falsos positivos ou falsos negativos durante a execução
da suíte de testes. Apesar da ampla adoção de frameworks de teste como Pytest e
JUnit, tais ferramentas ainda carecem de dispositivos nativos voltados
especificamente para prevenir ou mitigar a introdução de test smells durante a
escrita dos testes. Nesse sentido, este projeto foca na investigação e proposição de
mecanismos baseados em annotations para auxiliar desenvolvedores na prevenção
de test smells em frameworks de testes automatizados. A ideia central é explorar
como annotations podem ser utilizadas para explicitar boas práticas, restringir
padrões problemáticos e fornecer suporte automatizado à identificação precoce de
problemas de qualidade em testes. Espera-se, com isso, contribuir para a criação de
suítes de testes mais legíveis, robustas e fáceis de manter, reduzindo custos de
evolução e aumentando a confiabilidade do processo de testes de software.
Referencial Bibliográfico:
- Rui Pereira, Marco Couto, Francisco Ribeiro, Rui Rua, Jácome Cunha, João Paulo
Fernandes, and João Saraiva. 2021. Ranking programming languages by energy
efficiency. Science of Computer Programming 205 (2021). doi:10.1016/
j.scico.2021.102609
- Johannes Getzner, Bertrand Charpentier, and Stephan Günnemann. 2023.
Accuracy is not the only metric that matters: Estimating the energy consumption of
deep learning models. arXiv preprint arXiv:2304.00897 (2023). doi:10.48550/
arXiv.2304.00897
- Charlotte Freitag, Mike Berners-Lee, Kelly Widdicks, Bran Knowles, Gordon S Blair,
and Adrian Friday. 2021. The real climate and transformative impact of ICT: A
critique of estimates, trends, and regulations. Patterns 2, 9 (2021).
doi:10.1016/j.patter.2021.100340
5 - Estratégias computacionais para robótica em sistemas ciberfísicos (Prof.
Dr. Glauber Rodrigues Leite)
Resumo:
Sistemas ciberfísicos integram computação, redes e processos físicos para
fortalecer a autonomia, estando alinhados com o papel de robôs na interação entre
ambientes digitais e físicos [1]. O desenvolvimento de sistemas robóticos exige, em
conjunto com os aspectos eletromecânicos, integração entre tarefas de percepção
do entorno, planejamento e controle para realização de missões, além de
mecanismos que forneçam interoperabilidade para a comunicação dos vários
subsistemas executando em um mesmo robô ou na comunicação entre agentes.
Estratégias computacionais podem ser empregadas em todas essas áreas de
atuação, oferecendo o suporte necessário para implantação da autonomia desses
sistemas. Neste tema, são esperadas estratégias que contribuam para a autonomia
de robôs ou agentes, seja em aplicações de controle industrial e domótica [2] ou
robótica de campo [3][4]. Dentre os desafios em aberto, destacam-se servovisão
robótica sem calibração [5], aprendizado por reforço em Embodied AI [6],
inteligência artificial embarcada para robôs [7], robótica colaborativa/cooperativa e
interoperabilidade entre protocolos industriais ou domótica [8].
Referencial Bibliográfico:
[1] Omiyale, B. O., Odeyemi, J., Ogbeyemi, A., Olorunsogbon, F., & Zhang, W. C.
(2025). Impact of cyber physical systems on enhancing robotic system autonomy: a
brief critical review. The International Journal of Advanced Manufacturing
Technology, 138(9–10), 3925–3942. https://doi.org/10.1007/s00170-025-15828-w
[2] Arthur da C. Vangasse, Andressa M. Oliveira, Allan de M. Martins, Ícaro B. Q.
Araújo, Heitor J. Savino, & Glauber R. Leite. (2022). Nonlinear predictive control
application on DENSO-VP6242 manipulator using dual quaternions. Em Procedings
do XXII Congresso Brasileiro de Automática. SBA Sociedade Brasileira de
Automática.
XXIV
Congresso
Brasileiro
de
Automática.
https://doi.org/10.20906/cba2022/3675
[3] Oliveira, H., Vangasse, A., Soares, L., Oliveira, A., Ferreira, B., Leite, G., Araújo,
Í., & Brito, D. (2023). An adaptable mobile robot platform with vision-based
perception for precision agriculture. Em 2023 Latin American Robotics Symposium
(LARS), 2023 Brazilian Symposium on Robotics (SBR), and 2023 Workshop on
Robotics in Education (WRE) (p.466–471). IEEE. 2023 Latin American Robotics
Symposium (LARS), 2023 Brazilian Symposium on Robotics (SBR), and 2023
Workshop
on
Robotics
in
Education
(WRE).
https://doi.org/10.1109/lars/sbr/wre59448.2023.10333061
[4] Leite, G. R., Savino, H. J., Araujo, I. B. Q., Cordeiro, T. D., Ferreira, L. J. N.,
Cavalcante, G. H., Lima, A. M. N., & Lacroix, S. (2021). Framework for multiagent
ocean monitoring: dynamic environment and reactive policy. Em OCEANS 2021:
San Diego – Porto (p. 1–4). IEEE. OCEANS 2021: San Diego – Porto.
https://doi.org/10.23919/oceans44145.2021.9705784
[5] Leite, G. R., Araújo, Í. B. Q. de, & Martins, A. de M. (2023). Regularized
Maximum Correntropy Criterion Kalman Filter for Uncalibrated Visual Servoing in the
Presence of Non-Gaussian Feature Tracking Noise. Sensors, 23(20), 8518.
https://doi.org/10.3390/s23208518
[6] Li, G., Wang, R., Xu, P., Ye, Q., & Chen, J. (2026). The Developments and
Challenges Toward Dexterous and Embodied Robotic Manipulation: A Survey. IEEE
Robotics
&
Automation
Magazine,
33(1),
24–38.
https://doi.org/10.1109/mra.2025.3642671
[7] Capogrosso, L., Cunico, F., Cheng, D. S., Fummi, F., & Cristani, M. (2024). A
Machine Learning-Oriented Survey on Tiny Machine Learning. IEEE Access, 12,
23406–23426. https://doi.org/10.1109/access.2024.3365349
[8] Fonseca, V., Barbosa, R., & Pereira, F. (2026). Interoperability in Industrial
Robotics: A Literature Review and Conceptual Path Toward a Universal Robot
Protocol. Applied Sciences, 16(11), 5217. https://doi.org/10.3390/app16115217
6 - Metodologias de Otimização e Robustez para Modelos de Aprendizagem de
Máquina Eficientes em bordas (Prof. Dr. Erick de Andrade Barboza)
Resumo:
O avanço recente dos modelos de Aprendizagem de Máquina (AM), especialmente
os Grandes Modelos de Linguagem (Large Language Models - LLMs) e seus
equivalentes compactos (Small Language Models - SLMs), transformou
radicalmente o panorama da Inteligência Artificial. No entanto, a dependência
severa de infraestruturas de computação em nuvem de alto desempenho impõe
gargalos críticos de latência, privacidade, consumo energético e largura de banda.
A migração desses modelos para a borda da rede (Edge Computing) e sistemas
embarcados com recursos restritos é o próximo grande passo científico e
tecnológico. Contudo, essa transição exige viabilizar a execução eficiente sem
degradar severamente a acurácia dos modelos, além de garantir a segurança
dessas aplicações em cenários do mundo real.
O objetivo geral deste projeto é investigar, propor e desenvolver metodologias,
algoritmos e frameworks para a criação de modelos de aprendizagem de máquina
altamente eficientes, viabilizando a inferência e/ou o treino de alta performance
diretamente em sistemas embarcados e dispositivos de borda.
De maneira específica, o projeto irá buscar avaliar e propor técnicas de compressão
de modelos (como quantização extrema, poda de neurônios, destilação de
conhecimento e low-rank adaptation) focadas na execução de LLMs e SLMs em
hardware limitado. Além disso, outro objetivo específico será validar as
metodologias desenvolvidas por meio de problemas do mundo real (ex: Internet das
Coisas Médicas, cidades inteligentes, monitoramento industrial ou veículos
autônomos). Por fim, também pretende-se investigar o impacto da compressão e da
execução em hardware embarcado na resiliência dos modelos, avaliando
explicitamente a degradação de desempenho frente a corrupções naturais nos
dados (ruídos de sensores, falhas de captura) e a vulnerabilidade a ataques
adversariais (adversarial attacks).
Referencial Bibliográfico:
[1] MENGHANI, Gaurav. Efficient deep learning: A survey on making deep learning
models smaller, faster, and better. ACM Computing Surveys, v. 55, n. 12, p. 1-37,
2023.
[2] MURSHED, MG Sarwar et al. Machine learning at the network edge: A survey.
ACM Computing Surveys (CSUR), v. 54, n. 8, p. 1-37, 2021.
[3] HONG, Junyuan et al. Decoding Compressed Trust: Scrutinizing the
Trustworthiness of Efficient LLMs Under Compression. In: International Conference
on Machine Learning. PMLR, 2024. p. 18611-18633.
[4] LIU, Zechun et al. Mobilellm: Optimizing sub-billion parameter language models
for on-device use cases. In: Forty-first International Conference on Machine
Learning. 2024.
[5] WANG, Boxin et al. DecodingTrust: A Comprehensive Assessment of
Trustworthiness in GPT Models. Advances in Neural Information Processing
Systems, v. 36, p. 31232-31339, 2023.
[6] WANG, Fali et al. A comprehensive survey of small language models in the era of
large language models: Techniques, enhancements, applications, collaboration with
llms, and trustworthiness. ACM Transactions on Intelligent Systems and Technology,
v. 16, n. 6, p. 1-87, 2025.
[7] ZHENG, Yue et al. A review on edge large language models: Design, execution,
and applications. ACM Computing Surveys, v. 57, n. 8, p. 1-35, 2025.
[8] HENDRYCKS, Dan; DIETTERICH, Thomas. Benchmarking Neural Network
Robustness to Common Corruptions and Perturbations. In: International Conference
on Learning Representations, 2019.
[9] LIU, Chang et al. A comprehensive study on robustness of image classification
models: Benchmarking and rethinking. International Journal of Computer Vision, v.
133, n. 2, p. 567-589, 2025.
[10] CROCE, Francesco et al. RobustBench: a standardized adversarial robustness
benchmark. In: Conference on Neural Information Processing Systems. 2021.
7 - Modelagem e Análise Formal para a Segurança Cibernética em Redes de
Internet das Coisas (Prof. Dr. Leandro Dias da Silva e Prof. Dr. Álvaro Álvares
de Carvalho César Sobrinho)
Resumo:
Um dos objetivos com este projeto é propor soluções para segurança cibernética
(por exemplo, protocolos e arquiteturas) e desenvolver modelos formais que
viabilizem diferentes análises utilizando técnicas tais como a verificação automática
de modelos (model checking) [1]. Nesse contexto, a modelagem e a verificação
formal são abordagens práticas para documentar soluções, gerar evidências sobre
cenários problemáticos, definir estratégias de mitigação e verificar requisitos de
segurança [2,3]. Além disso, pode-se analisar formalmente soluções já existentes na
literatura. Isso inclui a análise formal de protocolos, como o 5G-AKA e o EAP-AKA,
bem como soluções voltadas à verificação de requisitos de segurança em redes
móveis de quinta geração, especialmente no contexto de sistemas conectados e da
Internet das Coisas [4,5,6,7]. Assim, neste projeto, será investigado como modelos
formais podem ser utilizados para garantir o cumprimento de requisitos de
segurança e identificar vulnerabilidades e ameaças em cenários de segurança
cibernética, 5G e Internet das Coisas. Ao estudar soluções existentes, os resultados
poderão ser apresentados na forma de relatos detalhados sobre as vulnerabilidades
encontradas e acompanhados de propostas de mitigação.
Referencial Bibliográfico:
[1] D. Valadares, A. Sobrinho, A. Perkusich, and K. Gorgonio, “Formal Verification of
a Trusted Execution Environment-based Architecture for IoT Applications,” IEEE
Internet of Things Journal, vol. 1, p. 1, 2021.
[2] X. Li et al. “A Model-Driven Security Analysis Approach for 5G Communications
in Industrial Systems,” IEEE Transactions on Wireless Communications, vol. 22, no.
2, pp.889–902, Feb. 2023.
[3] V.-L. Nguyen et al. “Security and Privacy for 6G: A Survey on Prospective
Technologies and Challenges,” IEEE Communications Surveys & Tutorials, vol. 23,
no. 4, pp. 2384–2428, Fourth Quarter 2021.
[4] S. Ji and A. Kumar Mishra, “5G Security Issues, Challenges and Solutions
Against DDoS Attacks: A Survey,” in 2024 2nd International Conference on
Disruptive Technologies (ICDT), Greater Noida, India, 2024, pp. 1422–1427.
[5] M. Mahyoub, A. AbdulGhaffar, E. Alalade, E. Ndubisi, and A. Matrawy, “Security
Analysis of Critical 5G Interfaces,” IEEE Communications Surveys & Tutorials.
[6] V. Borges, A. Sobrinho, D. F. S. Santos, and A. Perkusich, “A Self-Sovereign
Identity-based Authentication and Reputation Protocol for IoV Applications,” IEEE
Access, vol. 1, p. 1, 2025.
[7] A. Sobrinho, M. Vilarim, A. Barbosa, E. C. Gurjão, D. F. S. Santos, D. C. G.
Valadares, and L. Dias da Silva, “Challenges and Opportunities in Mobile Network
Security for Vertical Applications: A Survey,” ACM Computing Surveys, vol. 1, p. 1,
2024.
8 - Software Sustentável: Investigando o Impacto de Stacks de Tecnologia e a
Geração de Código Verde com LLMs (Prof. Dr. Márcio de Medeiros Ribeiro)
Resumo:
Com o crescimento das preocupações sobre o impacto ambiental do software,
estudos recentes têm explorado como o software consome energia e emite gases
de efeito estufa, frequentemente utilizando benchmarks isolados ou tarefas
específicas. No entanto, as implicações ambientais de implementar a mesma
aplicação em diferentes conjuntos de tecnologias (stacks) permanecem pouco
exploradas. Dessa forma, este projeto visa investigar o consumo de energia, o
tempo de execução e as emissões de dióxido de carbono de sistemas reais
implementados com tecnologias distintas. Além disso, com o uso cada vez mais
frequente dos Large Language Models (LLMs) para geração de código, é importante
investigar se esses modelos conseguem propor código sustentável, ou seja, com
baixo consumo de energia e pouca emissão de gases de efeito estufa. Portanto,
este projeto também visa explorar como os LLMs podem ajudar no desenvolvimento
de software sustentável. Nesse sentido, este projeto foca na investigação do
consumo de energia, memória e emissão de gases de efeito estufa por parte de
software real. Para tanto, o projeto tem por objetivos: (1) analisar o consumo de
energia, memória e emissão de gases de efeito estufa de sistemas implementados
com tecnologias diferentes; (2) investigar se o uso de LLMs contribui para redução
dessas medidas; (3) Construção de um catálogo de práticas de programação que
contribuem para reduzir essas medidas.
Referencial Bibliográfico:
- Rui Pereira, Marco Couto, Francisco Ribeiro, Rui Rua, Jácome Cunha, João Paulo
Fernandes, and João Saraiva. 2021. Ranking programming languages by energy
efficiency.
Science
of
Computer
Programming
205
(2021).
doi:10.1016/j.scico.2021.102609
- Johannes Getzner, Bertrand Charpentier, and Stephan Günnemann. 2023.
Accuracy is not the only metric that matters: Estimating the energy consumption of
deep
learning
models.
doi:10.48550/arXiv.2304.00897
arXiv
preprint
arXiv:2304.00897
(2023).
- Charlotte Freitag, Mike Berners-Lee, Kelly Widdicks, Bran Knowles, Gordon S Blair,
and Adrian Friday. 2021. The real climate and transformative impact of ICT: A
critique of estimates, trends, and regulations. Patterns 2, 9 (2021).
doi:10.1016/j.patter.2021.100340
Linha de Pesquisa: Ciência de Dados e Inteligência Artificial
9 - Acessibilidade, Comunicação e Autonomia (Prof. Dr. Fábio José Coutinho
da Silva)
Resumo:
A acessibilidade digital constitui um dos pilares para a construção de uma sociedade
mais inclusiva e equitativa, possibilitando que pessoas com diferentes condições
físicas, sensoriais, cognitivas e comunicacionais possam acessar informações,
serviços e ambientes digitais de forma autônoma e segura. Nesse contexto, as
tecnologias assistivas desempenham papel fundamental na promoção da
autonomia, participação social e inclusão de pessoas com deficiência, contribuindo
para a redução de barreiras de acessibilidade em diferentes contextos educacionais,
profissionais e cotidianos.
A pesquisa nesta temática concentra-se na concepção, desenvolvimento e
avaliação de métodos, modelos e tecnologias considerando abordagens
interdisciplinares que integrem diferentes áreas do conhecimento. Sob a perspectiva
tecnológica, contempla temas relacionados à Inteligência Artificial, Jogos Digitais,
Internet das Coisas, Sistemas Colaborativos, Computação Ubíqua e Interação
Humano-Computador. Inclui ainda estudos sobre localização e navegação indoor
acessível, visando apoiar a orientação, mobilidade e autonomia de pessoas com
deficiência em ambientes internos complexos.
No âmbito educacional, abrange pesquisas em Informática na Educação,
Letramento Digital, Ambientes Virtuais de Aprendizagem e desenvolvimento de
recursos tecnológicos para apoio à inclusão. Incluem-se também pesquisas
relacionadas à aquisição da língua de sinais e ao desenvolvimento de recursos
computacionais para apoio à educação bilíngue de pessoas surdas.
Referencial Bibliográfico:
Bercaru, V., & Popescu, N. (2024). A Systematic Review of Accessibility Techniques
for Online Platforms: Current Trends and Challenges. Applied Sciences, 14(22),
10337. https://doi.org/10.3390/app142210337
F. T. Santos, F. J. Coutinho, G. D. D. Oliveira, L. M. B. D. S. Cavalcante and J. R. R.
D. S. Fernandes, "Guidelines for Developing Sign Language Learning Tools Targeted
at Deaf Children," in IEEE Access, vol. 14, pp. 23689-23703, 2026, doi:
10.1109/ACCESS.2026.3663090
CAVALCANTI, Juliana de Carvalho; AZEVEDO, Jonathas Patrick Hermenegildo de;
SANTOS, Floripes Teixeira; SILVA, Fábio José Coutinho da. Análise da
acessibilidade de museus virtuais para visitantes cegos: um estudo de caso em
Alagoas, Brasil. Encontros Bibli: revista eletrônica de biblioteconomia e ciência da
informação,
Florianópolis/SC,
Brasil,
v.
31, p. 1–22, 2026. DOI:
10.5007/1518-2924.2026.e109420
Fatma M. Najib. 2025. Sign language interpretation using machine learning and
artificial intelligence. Neural Computing and Applications, 37, 841–857. DOI:
10.1007/s00521-024-10395-9.
Okolo, G. I., Althobaiti, T., & Ramzan, N. (2024). Assistive Systems for Visually
Impaired Persons: Challenges and Opportunities for Navigation Assistance.
Sensors, 24(11), 3572. https://doi.org/10.3390/s24113572
Prandi, C., Barricelli, B.R., Mirri, S. et al. Accessible wayfinding and navigation: a
systematic mapping study. Universal Access in the Information Society, 22, 185–212
(2023). https://doi.org/10.1007/s10209-021-00843-x
10 - Agentes Inteligentes baseados em Modelos de Linguagem de Grande
Escala para Sistemas de Recomendação Personalizada: Aplicações em
Educação ou Moda (Prof. Dr. Evandro de Barros Costa)
Resumo:
O crescimento acelerado dos serviços digitais tem ampliado a demanda por
sistemas inteligentes capazes de oferecer experiências cada vez mais
personalizadas, adaptativas e centradas no usuário. Em domínios como educação e
moda, a capacidade de compreender preferências, necessidades e contexto de uso
tornou-se fundamental para apoiar processos de aprendizagem e tomada de
decisão. Nesse cenário, sistemas de recomendação vêm evoluindo continuamente
por meio da incorporação de técnicas avançadas de Inteligência Artificial.
Mais recentemente, a Inteligência Artificial Generativa (GenAI), particularmente os
Modelos de Linguagem de Grande Escala (LLMs: Large Language Models), tem
impulsionado uma nova geração de sistemas inteligentes capazes de interagir em
linguagem natural, gerar explicações personalizadas e apoiar decisões de forma
contextualizada. Além disso, o surgimento de agentes inteligentes baseados em
LLMs tem ampliado essas capacidades ao permitir comportamentos mais
autônomos, proativos e orientados a objetivos.
Esta proposta de pesquisa tem como objetivo investigar, projetar e desenvolver
agentes inteligentes baseados em LLMs para apoiar processos de recomendação
personalizada em um dos seguintes domínios de aplicação: educação ou moda com
foco em vestuário. A pesquisa explorará mecanismos para aquisição de
preferências, modelagem de usuários, geração de recomendações explicáveis e
interação adaptativa, buscando integrar efetividade, transparência e experiência do
usuário.
Espera-se como resultado o desenvolvimento e a avaliação de soluções inovadoras
que contribuam para o avanço do estado da arte em sistemas de recomendação
baseados em IA Generativa, oferecendo experiências mais personalizadas,
explicáveis e sensíveis ao contexto dos usuários.
Referencial Bibliográfico:
Alejandro Barredo Arrieta, Natalia Díaz-Rodríguez, et al. Explainable Artificial
Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward
responsible AI, Information Fusion, Volume 58, 2020, Pages 82-115, ISSN
1566-2535,https://doi.org/10.1016/j.inffus.2019.12.012.
Shashank Rajput, Raghunandan Keshavan, et al. Recommender Systems with
Generative Retrieval. 37th Conference on Neural Information Processing Systems
(NeurIPS 2023)
Wang, L., Ma, C., Feng, X. et al. A survey on large language model based
autonomous
agents.
Front.
Comput.
Sci.
18,
186345
(2024).
https://doi.org/10.1007/s11704-024-40231-1
11 - Avaliação de Modelos de Inteligência Artificial em Dispositivos de
Realidade Estendida (Prof. Dr. Tiago Figueiredo Vieira e Prof. Dr. Ícaro Bezerra
Queiroz de Araújo)
Resumo:
Dispositivos de Realidade Estendida (XR), incluindo Realidade Aumentada (AR),
Realidade Virtual (VR), Realidade Mista (MR), óculos inteligentes e plataformas de
computação espacial, vêm se consolidando como interfaces computacionais
imersivas capazes de combinar percepção visual, áudio, rastreamento espacial,
interação gestual, linguagem natural e dados contextuais do ambiente. Nos últimos
anos, modelos de Inteligência Artificial, especialmente modelos multimodais,
modelos de visão-linguagem, modelos de linguagem de grande porte (LLMs) e
modelos de linguagem compactos (SLMs), passaram a desempenhar papel central
na construção de aplicações XR mais interativas, adaptativas e sensíveis ao
contexto. Esses modelos podem ser utilizados para reconhecimento de objetos,
compreensão de cenas, assistência contextual, tradução em tempo real, interação
conversacional com agentes virtuais, apoio à acessibilidade, personalização de
experiências e suporte a tarefas em ambientes industriais, educacionais, médicos e
de treinamento.
Referencial Bibliográfico:
1.
P. A. Rauschnabel, R. Felix, C. Hinsch, H. Shahab and F. Alt, What is XR?
Towards a Framework for Augmented and Virtual Reality, Computers in Human
Behavior, vol. 133, 107289, 2022, doi: https://doi.org/10.1016/j.chb.2022.107289.
2.
T. Hirzle, F. Müller, F. Draxler, M. Schmitz, P. Knierim and K. Hornbæk, When
XR and AI Meet: A Scoping Review on Extended Reality and Artificial Intelligence, in
Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems,
Article 730, 2023, doi: https://doi.org/10.1145/3544548.3581072.
3.
Y. Tang, J. Situ and Y. Huang, Beyond User Experience: Technical and
Contextual Metrics for Large Language Models in Extended Reality, in UbiComp
Companion 2024: Companion of the 2024 ACM International Joint Conference on
Pervasive
and
Ubiquitous
Computing,
pp.
640–643,
2024,
doi:
https://doi.org/10.1145/3675094.3678995.
4.
E. Bozkir, S. Özdel, K. H. C. Lau, M. Wang, H. Gao and E. Kasneci,
Embedding Large Language Models into Extended Reality: Opportunities and
Challenges for Inclusion, Engagement, and Privacy, in Proceedings of the 6th ACM
Conference on Conversational User Interfaces, Article 38, 2024, doi:
https://doi.org/10.1145/3640794.3665563.
5.
D. Zhang, Y. Li, Z. He and X. Li, Empowering Smart Glasses with Large
Language Models: Towards Ubiquitous AGI, in Companion of the 2024 ACM
International Joint Conference on Pervasive and Ubiquitous Computing, pp.
631–633, 2024, doi: https://doi.org/10.1145/3675094.3678992.
6.
Charu C. Aggarwal, Neural Networks and Deep Learning, Springer (2023)
https://doi.org/10.1007/978-3-031-29642-0.
7.
François Chollet, Deep Learning with Python, Manning (2025).
12 - Ciência de Dados aplicada a Cidades Inteligentes e ao Governo Digital
(Prof. Dr. André Luiz Lins de Aquino)
Resumo:
Uma cidade inteligente aplica a ciência de dados para tornar setores do governo
digital, como administração, educação, saúde, segurança pública, habitação e
transporte mais interconectados e eficientes. O conceito de cidades inteligentes
reconhece a importância fundamental das tecnologias de dados no cotidiano
urbano. Embora existam diferentes perspectivas sobre o que define uma cidade
inteligente, a centralidade da ciência de dados para o funcionamento futuro das
cidades é um ponto comum entre elas.
Nos aspectos tecnológicos das cidades inteligentes e governo digital, diversas
soluções de ciência de dados fortalecem o sistema urbano por meio da análise de
dados para caracterização e tomada de decisões. Entre os principais temas a serem
abordados como propostas de dissertação, estão:
•
Engenharia e Análise de Dados
•
Séries Temporais Multivariadas
•
Integração de dados e Data Lake Lógico
Essa alternativa tecnológica necessita de uma modelagem eficaz para a coleta e
tratamento dos dados, impactando diretamente na tomada de decisão. Portanto,
essa área de pesquisa pretende explorar aspectos de monitoramento,
caracterização e análise de dados voltados às soluções tecnológicas, utilizando
técnicas avançadas de ciência de dados para promover um desenvolvimento urbano
sustentável e inteligente.
Referencial Bibliográfico:
1.
Silva et al.. Study about vehicles velocities using time causal Information
Theory quantifiers. Ad Hoc Networks, v. 89, p. 22-34, 2019.
2.
Freitas et al.. A detailed characterization of complex networks using
Information Theory. Scientific Reports, v. 9, p. 16689, 2019.
3.
Vasconcelos, I. L. C. and Andre L.L. Aquino. Environmental Modeling and
Traffic Simulation: A Multivariate Approach to Monitor Urban Air Pollutant Agents.
Journal of Internet Services and Applications, v. 14, p. 32-46, 2023.
4.
Lima, D. H. S. et al.. Efficient Task Allocation in Data Center Environments
Based On Information Theory. Journal of Network and Systems Management, v. 33,
p. 66, 2025.
5.
Fernandes, D. et al.. A Multi-Start Simulated Annealing Strategy for Data Lake
Organization Problem. Applied Soft Computing, v. 160, p. 111700, 2024.
6.
Moura, D. L. L. et al.. An Edge Computing and Distributed Ledger Technology
Architecture for Secure and Efficient Transportation. Ad Hoc Networks, v. 164, p.
103633, 2024.
7.
Andre L. L. Aquino. Characterization of Human Mobility Based on Information
Theory Quantifiers. Physica A-Statistical Mechanics and Its Applications, v. 609, p.
128344, 2023.
13 - Engenharia de Sistemas Inteligentes Aplicada (Prof. Dr. Bruno Almeida
Pimentel e Prof. Dr. Rafael de Amorim Silva)
Resumo:
A área de Engenharia de Sistemas Inteligentes Aplicada combina princípios da
engenharia de sistemas, inteligência artificial, ciência de dados e engenharia de
software para desenvolver soluções capazes de perceber, aprender, decidir e agir
de maneira autônoma ou semiautônoma em ambientes complexos. Seu objetivo é
integrar tecnologias inteligentes em processos industriais, educacionais, urbanos,
médicos e organizacionais, promovendo automação, otimização e apoio à tomada
de decisão.
Essa área utiliza técnicas como aprendizado de máquina, redes neurais artificiais,
sistemas especialistas, mineração de dados, visão computacional e processamento
de linguagem natural para construir sistemas adaptativos e orientados por dados.
Além disso, envolve preocupações relacionadas à interoperabilidade, modelagem
de requisitos, integração de componentes, segurança, governança e explicabilidade
dos modelos inteligentes.
A Engenharia de Sistemas Inteligentes Aplicada pode ser empregada em domínios
como Medicina, Educação, Gestão de Projetos, Automação Industrial, Cidades
Inteligentes, Cibersegurança, entre outros. O crescimento da Internet das Coisas
(IoT), computação em nuvem e Big Data ampliou significativamente a capacidade
desses sistemas de operar em larga escala e em tempo real. Outro aspecto
relevante da área é a integração entre modelos matemáticos, conhecimento
especializado e algoritmos de aprendizado de máquina, permitindo a construção de
arquiteturas híbridas capazes de lidar com ambientes complexos e dinâmicos.
Atualmente, desafios importantes incluem ética em IA, transparência algorítmica,
privacidade de dados, robustez dos modelos e sustentabilidade computacional.
Referencial Bibliográfico:
de Amorim Silva, Rafael, Braga, Rosana TV. An acknowledged system of systems
for educational internet of everything ecosystems. Proceedings of the 12th European
Conference on Software Architecture: Companion Proceedings, pp. 1-7, 2018.
de Amorim Silva, Rafael. Braga, Rosana T Vaccare. Enhancing future classroom
environments based on systems of systems and the internet of anything. IEEE
Internet of Things Journal. Vol. 10, pp. 10475-10482, 2020.
Artificial Intelligence: A Modern Approach. RUSSELL, Stuart; NORVIG, Peter.
Artificial Intelligence: A Modern Approach. 4. ed. Pearson, 2021.
Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow.
GÉRON, Aurélien. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras
& TensorFlow. 2. ed. Alta Books, 2021.
Redes Neurais Artificiais para Engenharia e Ciências Aplicadas. SILVA, I. N.;
SPATTI, D. H.; FLAUZINO, R. A. Redes Neurais Artificiais para Engenharia e
Ciências Aplicadas. Artliber, 2016.
14 - Gerência, Análise e Qualidade de Dados em Larga Escala (Prof. Dr. Fábio
José Coutinho da Silva)
Resumo:
O avanço das tecnologias de informação e comunicação tem impulsionado um
crescente aumento do volume de dados processados por empresas, governos,
organizações e instituições de pesquisa. A geração contínua e acelerada de
grandes volumes de dados provenientes de redes sociais, dispositivos IoT, sistemas
geográficos, serviços de saúde e redes de sensores tem se consolidado como uma
característica marcante da sociedade contemporânea. Nesse sentido, esta pesquisa
volta-se ao desafio de lidar eficientemente com volumes massivos de dados
heterogêneos produzidos por pessoas, dispositivos e sistemas em diversos
domínios de aplicação. Esse desafio inclui manter, gerenciar, integrar, analisar e
compartilhar dados de forma ágil e eficiente.
Para tanto, busca-se investigar estratégias, métodos e frameworks voltados ao
processamento, integração e análise de dados em larga escala, com ênfase na
avaliação, monitoramento e garantia da qualidade dos dados ao longo de todo o seu
ciclo de vida. Destaca-se, nesse contexto, a investigação qualidade de dados
espaciais, considerando aspectos como completude, consistência, atualidade e
precisão posicional, bem como à qualidade de dados empregados em pipelines de
Inteligência Artificial, abrangendo atividades de preparação, integração, validação e
monitoramento de dados utilizados no treinamento, avaliação e operação de
modelos. Esse processo envolve múltiplas facetas e visões, abrangendo diferentes
abordagens, técnicas e tecnologias aplicadas em diversos domínios.
Referencial Bibliográfico:
Wang, J., Xu, C., Zhang, J., & Zhong, R. (2022). Big data analytics for intelligent
manufacturing systems: A review. Journal of Manufacturing Systems, 62, 738-752.
https://doi.org/10.1016/j.jmsy.2021.03.005
Clarindo, J. P., Silva, R. L. L., Alves, J. M. S., Castro, J. P. C., Coutinho, F. J. and
Aguiar, C. D. (2026). Empowering Large-Scale Spatial Analytics in Smart Cities with
a Fog-Cloud Lakehouse Architecture. In Proceedings of the 28th International
Conference on Enterprise Information Systems - Volume 1: ICEIS; ISBN
978-989-758-834-1; ISSN 2184-4992, SciTePress, pages 121-132. DOI:
10.5220/0014971500004018
Naumann, F., Ehrlinger, L., Harmouch, H., Mohammed, S., Srivastava, D. (2026).
Data Quality in the Age of AI. In: Chrysanthis, P.K., Nørvåg, K., Stefanidis, K.,
Zhang, Z. (eds) Advances in Databases and Information Systems. ADBIS 2025.
Lecture Notes in Computer Science, vol 16043. Springer, Cham.
https://doi.org/10.1007/978-3-032-05281-0_1
SILVA, Rafael Luciano L.; CORREIA, Diêgo de A.; MENDES, Letícia A.; DE MELO,
Ruan T.; COUTINHO, Fabio J.. QualiBus: implementando métricas de qualidade
para dados de transporte coletivo. In: SIMPÓSIO BRASILEIRO DE BANCO DE
DADOS (SBBD), 40. , 2025, Fortaleza/CE. Anais [...]. Porto Alegre: Sociedade
Brasileira de Computação, 2025 . p. 589-601. ISSN 2763-8979. DOI:
https://doi.org/10.5753/sbbd.2025.247287
Almeida, A., Brás, S., Sargento, S. et al. Time series big data: a survey on data
stream frameworks, analysis and algorithms. J Big Data 10, 83 (2023).
https://doi.org/10.1186/s40537-023-00760-1
Inoubli, W., Aridhi, S., Mezni, H., Maddouri, M., & Mephu Nguifo, E. (2018). An
experimental survey on big data frameworks. Future Generation Computer Systems,
86, 546-564. https://doi.org/10.1016/j.future.2018.04.032
R. Vidgen, S. Shaw and D. B. Grant, Management challenges in creating value from
business analytics, European Journal of Operational Research 261 (2017) 626–639.
S. Bahri, N. Zoghlami, M. Abed and J. M. R. S. Tavares, Big Data for healthcare: A
survey, IEEE Access 7 (2019) 7397–7408.
15 - Implantação de Modelo de Redes Neurais Profundas em C++ para
Detecção de Anomalia em Dispositivos Embarcados Visando Explicabilidade
(Prof. Dr. Tiago Figueiredo Vieira e Prof. Dr. Ícaro Bezerra Queiroz de Araújo)
Resumo:
A detecção de anomalias é uma tarefa fundamental em sistemas inteligentes
aplicados a ambientes industriais, cidades inteligentes, saúde, Internet das Coisas e
manutenção preditiva, pois permite identificar comportamentos inesperados em
sinais, imagens, séries temporais ou dados multissensoriais antes que eles resultem
em falhas críticas. Nos últimos anos, modelos de redes neurais profundas têm
demonstrado alta capacidade de representação para esse tipo de problema,
especialmente em cenários envolvendo séries temporais, sinais de sensores,
vibração, áudio, imagens e dados de dispositivos IoT. Entretanto, a implantação
desses modelos em dispositivos embarcados ainda impõe desafios relevantes
relacionados à memória, consumo energético, latência, quantização, portabilidade,
robustez e restrições de processamento. Esse tema de pesquisa tem como objetivo
investigar, desenvolver e avaliar técnicas para implantação de modelos de redes
neurais profundas em C++ voltados à detecção de anomalias em dispositivos
embarcados.
Referencial Bibliográfico:
1.
Y. Sun, T. Chen, Q. V. H. Nguyen and H. Yin, TinyAD: Memory-Efficient
Anomaly Detection for Time-Series Data in Industrial IoT, in IEEE Transactions on
Industrial Informatics, vol. 20, no.
https://doi.org/10.1109/TII.2023.3254668.
1,
pp.
824-834,
Jan.
2023,
doi:
2.
Zhong Li, Yuxuan Zhu, and Matthijs Van Leeuwen. A Survey on Explainable
Anomaly Detection. ACM Trans. Knowl. Discov. Data 18, 1, Article 23 (January
2024), 54 pages. https://doi.org/10.1145/3609333.
3.
Zahra Zamanzadeh Darban, Geoffrey I. Webb, Shirui Pan, Charu Aggarwal,
Mahsa Salehi: Deep Learning for Time Series Anomaly Detection: A Survey. ACM
Comput. Surv. 57(1): 15:1-15:42 (2025) https://doi.org/10.1145/3691338.
4.
DAVID, Robert et al. TensorFlow Lite Micro: Embedded Machine Learning on
TinyML Systems. Proceedings of Machine Learning and Systems, 2021.
https://doi.org/10.48550/arXiv.2010.08678.
5.
Sergio Trilles, Sahibzada Saadoon Hammad, Ditsuhi Iskandaryan, Anomaly
detection based on Artificial Intelligence of Things: A Systematic Literature Mapping,
Internet
of
Things, Volume 25, 2024, 101063, ISSN 2542-6605,
https://doi.org/10.1016/j.iot.2024.101063.
6.
Charu C. Aggarwal, Neural Networks and Deep Learning, Springer (2023)
https://doi.org/10.1007/978-3-031-29642-0.
7.
François Chollet, Deep Learning with Python, Manning (2025).
16 - Inteligência computacional aplicada a internet das coisas e cidades
inteligentes (Prof. Dr. Bruno Nogueira e Prof. Dr. Rian Pinheiro)
Resumo:
Internet das Coisas (Internet of Things - IoT) [1] é um paradigma emergente que
transforma objetos do nosso dia dia em objetos conectados à Internet com
capacidade de sensoriamento, processamento e atuação. De acordo com
especialistas, em um futuro próximo, estaremos cercados por bilhões destes
dispositivos, que mudarão o jeito como vivemos e trabalhamos. IoT já está sendo
usado em uma diferente gama de aplicações, como agricultura de precisão e
healthcare. Dentre outras aplicações interessantes para estes dispositivos,
destacamos as cidades inteligentes, cujo objetivo é o uso massivo de tecnologia da
informação para monitoramento, previsões, planejamento e apoio a decisão em
centros urbanos.
A proposta deste trabalho visa o estudo e desenvolvimento de algoritmos baseados
em inteligência computacional para resolver problemas de IoT e/ou cidades
inteligentes. Dentre os problemas que podem ser atacados neste trabalho,
destacamos as seguintes áreas:
-Mobilidade urbana (uso eficiente de frotas de veículos [2,3], políticas de roteamento
de semáforos [4]),
-Infraestrutura (otimização de sistema de entrega [5]),
-Energia (otimização de smart grids [6], uso eficiente de energia em smart
buildings),
-Turismo (rotas inteligentes de atrações turísticas [7]),
-Serviços públicos (escala de motoristas de ónibus [8], ).
As soluções para estes problemas além de altamente lucrativas, são fundamentais
para o crescimento da competitividade do país no contexto não apenas nacional,
mas principalmente internacional.
Diversas técnicas do campo da inteligência computacional podem ser usadas para
resolver estes problemas, tais como algoritmos genéticos, programação genética,
simulated annealing, colônia de formigas, VNS, ILS, GRASP e busca tabu [9--17].
Referencial Bibliográfico:
1.
Atzoria, L., Ierab, A & Morabitoc, G; (2010). ‘The Internet of Things: A
survey’, Computer Networks (54) 15, 2787-2805.
2.
Costa, P.R.O., Mauceri, S., Carroll, P. & Pallonetto, F. (2018), ‘A Genetic
Algorithm for a Green Vehicle Routing Problem’, Electronic Notes in Discrete
Mathematics (64), 65-74.
3.
Lin, C., Chou, K.L., Ho, G.T.S, Chung, S.H & Lam, H.Y. (2014), ‘Survey of
Green Vehicle Routing Problem: Past and future trends’. Expert System with
Applications (41), 1118-1138.
4.
Ceylan, H., & Bell, M. G. (2004). Traffic signal timing optimisation based on
genetic algorithm approach, including drivers’ routing. Transportation Research Part
B: Methodological, 38(4), 329-342.
5.
Gerami, A., Vatani, M.R. & Golrooc, N.A. (2017). ‘A comparative study on
using meta-heuristic algorithms for road maintenance planning: Insights from field
study in a developing country’ Journal of Traffic and Transportation Engineering (4),
5, 477-486.
6.
Guzman, C., Cardenas, A., & Agbossou, K. (2017). ‘Evaluation of
meta-heuristic optimization methods for home energy management applications’.
IEEE 26th International Symposium on Industrial Electronics (ISIE), 1501-1506.
7.
Gavalas, D., Konstantopoulos, C., Mastakas, K, & Pantziou. G. (2014). ‘A
survey on algorithmic approaches for solving tourist trip design problems’. Journal of
Heuristics (20) 3, 291-32.
8.
Lourenço, H.R.,
Paixão, J.P. & Portugal,R. (2001). ‘Multiobjective
Metaheuristics for the Bus Driver Scheduling Problem’, Transportation Science (35)
3, 215-343.
9.
Talbi, E. (2009), Metaheuristics: From Design to Implementation, John Wiley
& Sons.
10. Gendreau, M. & Potvin, J.-Y. (2010), Handbook of Metaheuristics, 2nd ed.,
Springer Publishing Company, Incorporated.
11. Nogueira, B., Pinheiro, R. G. S. & Subramanian, A. (2018). ‘A hybrid iterated
local search heuristic for the maximum weight independent set problem’.
Optimization Letters (12), 567-583.
12. Nogueira, B. & Pinheiro, R. G. S. (2018). ‘A CPU-GPU local search heuristic
for the maximum weight clique problem on massive graphs’. Computers &
Operations Research (90), 232-248.
13. Nogueira, B. & Pinheiro, R. G. S. . ‘A GPU based local search algorithm for
the unweighted and weighted maximum s-plex problems’. To Appear in Annals of
Operations Research.
14. Pinheiro, R.G.S., Martins,I.C., Protti, F., Ochi, L.S., Simonetti, L.G. &
Subramanian , A. (2017), ‘On solving manufacturing cell formation via Bicluster
Editing’, European Journal of Operational Research 254 (3), 769-779
15.
http://www.decom.ufop.br/prof/marcone/Disciplinas/InteligenciaComputacional/Intelig
enciaComputacional.pdf
16.
CV Lattes: http://lattes.cnpq.br/6805191874473768
17.
CV Lattes: http://lattes.cnpq.br/1447954471683870
17 - Sistemas de múltiplos classificadores (Prof. Dr. Lucas Benevides Viana de
Amorim e Prof. Dr. Bruno Almeida Pimentel)
Resumo:
Um Sistema de Múltiplos Classificadores (MCS) [1, 2] é uma abordagem de treinar
múltiplos classificadores e após isso combinar suas decisões a respeito de uma
determinada instância de teste. Estudos teóricos e empíricos têm demonstrado que
um ensemble (ou comitê) de classificadores tem tipicamente maior performance de
classificação do que um único classificador.
Uma das primeiras etapas de um (MCS) é a geração de um pool inicial de
classificadores para que, de maneira dependente ou não da instância de teste,
sejam selecionados os classificadores mais adequados desse pool para a predição
da classe da instância de teste. Há várias formas de gerar esse pool inicial. Uma
das formas mais comuns, é a utilizada pelo algoritmo Bagging, onde são feitas
várias subamostragens aleatórias das instâncias do conjunto de treinamento e com
cada amostra um classificador é treinado. A ideia é que ao treinar os classificadores
com dados diferentes, seus comportamentos serão diversos e possivelmente
complementares.
No entanto, ao realizar subamostragens aleatórias do conjunto de treinamento, cada
amostra tende a ter uma boa representação do conjunto de treinamento. A nossa
hipótese é que, se ao invés de realizarmos essas amostras de maneira aleatória a
realizarmos por regiões do espaço de dados que estejam naturalmente agrupadas,
obteremos uma maior diversidade nos classificadores treinados.
Neste tema de pesquisa, temos o objetivo específico de utilizar um algoritmo de
agrupamento fuzzy [3] como etapa prévia à subamostragem, de maneira que as
amostras usadas para treinar os classificadores dos ensembles estejam
relacionadas aos agrupamentos encontrados, assim, cada classificador treinado
será mais especializado em uma dessas regiões. Ao utilizar agrupamento fuzzy,
buscamos, através do grau de pertinência, controlar o quão especializados nas
regiões serão os modelos gerados, além de controlar suas contribuições para a
decisão final do ensemble.
Referencial Bibliográfico:
[1] Kuncheva, L. I. (2014). Combining Pattern Classifiers: Methods and Algorithms.
In Wiley (2nd ed.). John Wiley and Sons.
[2] Zhou, Z.-H. (2012). Ensemble Methods, Foundations and Algorithms. Chapman &
Hall/CRC.
[3] Loris Nanni e Alessandra Lumini. “FuzzyBagging: A novel ensemble of
classifiers”. Pattern Recognition 39.3 (mar. de 2006), pp. 488–490. issn: 0031-3203.
doi: 10.1016/j.patcog.2005.10.002.
Linha de Pesquisa: Computação Aplicada
18 - Engenharia de Sistemas Inteligentes Aplicada (Prof. Dr. Rafael de Amorim
Silva)
Resumo:
A área de Engenharia de Sistemas Inteligentes Aplicada combina princípios da
engenharia de sistemas, inteligência artificial, ciência de dados e engenharia de
software para desenvolver soluções capazes de perceber, aprender, decidir e agir
de maneira autônoma ou semiautônoma em ambientes complexos. Seu objetivo é
integrar tecnologias inteligentes em processos industriais, educacionais, urbanos,
médicos e organizacionais, promovendo automação, otimização e apoio à tomada
de decisão.
Essa área utiliza técnicas como aprendizado de máquina, redes neurais artificiais,
sistemas especialistas, mineração de dados, visão computacional e processamento
de linguagem natural para construir sistemas adaptativos e orientados por dados.
Além disso, envolve preocupações relacionadas à interoperabilidade, modelagem
de requisitos, integração de componentes, segurança, governança e explicabilidade
dos modelos inteligentes.
A Engenharia de Sistemas Inteligentes Aplicada pode ser empregada em domínios
como Medicina, Educação, Gestão de Projetos, Automação Industrial, Cidades
Inteligentes, Cibersegurança, entre outros. O crescimento da Internet das Coisas
(IoT), computação em nuvem e Big Data ampliou significativamente a capacidade
desses sistemas de operar em larga escala e em tempo real. Outro aspecto
relevante da área é a integração entre modelos matemáticos, conhecimento
especializado e algoritmos de aprendizado de máquina, permitindo a construção de
arquiteturas híbridas capazes de lidar com ambientes complexos e dinâmicos.
Atualmente, desafios importantes incluem ética em IA, transparência algorítmica,
privacidade de dados, robustez dos modelos e sustentabilidade computacional.
Referencial Bibliográfico:
●
de Amorim Silva, Rafael, Braga, Rosana TV. An acknowledged system of
systems for educational internet of everything ecosystems. Proceedings of the 12th
European Conference on Software Architecture: Companion Proceedings, pp. 1-7,
2018.
●
de Amorim Silva, Rafael. Braga, Rosana T Vaccare. Enhancing future
classroom environments based on systems of systems and the internet of anything.
IEEE Internet of Things Journal. Vol. 10, pp. 10475-10482, 2020.
●
Artificial Intelligence: A Modern Approach. RUSSELL, Stuart; NORVIG, Peter.
Artificial Intelligence: A Modern Approach. 4. ed. Pearson, 2021.
●
Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras &
TensorFlow. GÉRON, Aurélien. Mãos à Obra: Aprendizado de Máquina com
Scikit-Learn, Keras & TensorFlow. 2. ed. Alta Books, 2021.
●
Redes Neurais Artificiais para Engenharia e Ciências Aplicadas. SILVA, I. N.;
SPATTI, D. H.; FLAUZINO, R. A. Redes Neurais Artificiais para Engenharia e
Ciências Aplicadas. Artliber, 2016.
●
Engenharia de Software. PRESSMAN, Roger. Engenharia de Software. 8. ed.
McGraw-Hill, 2016.
●
WILLARD, Jared et al. Integrating Scientific Knowledge with Machine
Learning for Engineering and Environmental Systems. 2020.
19 - IA Multimodal e Modelos de Fundação para Rastreamento Inteligente do
Câncer de Mama (Prof. Dr. Marcelo Costa Oliveira)
Resumo:
Este tema de pesquisa propõe o desenvolvimento e a avaliação de modelos de
Inteligência Artificial multimodal para apoio ao rastreamento do câncer de mama. A
proposta integra mamografias, laudos radiológicos e dados clínicos, explorando
modelos de visão computacional, Vision-Language Models (vLLM) e Large
Language Models (LLM) para detecção de achados suspeitos, classificação
radiológica, estruturação de laudos e apoio à decisão clínica. O estudo investigará
modelos especializados em mamografia, como Mammo-CLIP, modelos biomédicos
multimodais, como LLaVA-Med e Med-Flamingo, e estratégias de inferência
eficiente com vLLM/PagedAttention para execução em infraestrutura local.
Espera-se contribuir para a triagem inteligente de exames, priorização de casos
suspeitos, qualificação de laudos e futura integração com fluxos assistenciais
digitais do SUS.
O candidato aprovado atuará no projeto RastreIA-Mulher, iniciativa interinstitucional
em parceria com a USP e financiada pelo edital PPSUS/FAPEAL-CNPq-SESAU. O
mestrando integrará grupo de pesquisa interdisciplinar, com atividades em IA
multimodal, análise de mamografias, modelos de linguagem e apoio ao
rastreamento do câncer de mama no SUS.
Objetivos da Pesquisa:
1.
Investigar modelos multimodais capazes de integrar mamografias, laudos
radiológicos e dados clínicos para apoio ao rastreamento do câncer de mama.
2.
Avaliar modelos de visão computacional e Vision-Language Models em
tarefas de detecção, localização e classificação de achados mamográficos
suspeitos.
3.
Desenvolver abordagens baseadas em LLMs para extração de informações
clínicas, integração a RADIOMICS, estruturação automática de laudos e apoio à
categorização radiológica (BI-RADS).
4.
Implementar estratégias de inferência eficiente com vLLM/PagedAttention
para viabilizar experimentação com LLMs e VLMs em ambiente computacional local.
5.
Avaliar desempenho, explicabilidade, robustez, viés, custo computacional e
segurança dos modelos em um fluxo de apoio à triagem mamográfica no SUS.
Referencial Bibliográfico:
[1]
Eisemann, N. et al. Nationwide real-world implementation of AI for cancer
detection in population-based mammography screening. Nature Medicine,
31:917–924, 2025.
[2]
McKinney, S. M. et al. International evaluation of an AI system for breast
cancer screening. Nature, 577:89–94, 2020.
[3]
Lång, K. et al. Artificial intelligence-supported screen reading versus standard
double reading in the Mammography Screening with Artificial Intelligence trial
(MASAI): a clinical safety analysis. The Lancet Oncology, 2023.
[4]
Moor, M. et al. Foundation models for generalist medical artificial intelligence.
Nature, 616:259–265, 2023.
[5]
Ghosh, S. et al. Mammo-CLIP: A Vision Language Foundation Model to
Enhance Data Efficiency and Robustness in Mammography. MICCAI, 2024.
[6]
Li, C. et al. LLaVA-Med: Training a Large Language-and-Vision Assistant for
Biomedicine in One Day. NeurIPS Datasets and Benchmarks Track, 2023
(Spotlight).
[7]
Moor, M. et al. Med-Flamingo: a Multimodal Medical Few-shot Learner.
Machine Learning for Health (MLHC), PMLR, 2023.
[8]
Kwon, W. et al. Efficient Memory Management for Large Language Model
Serving with PagedAttention. ACM Symposium on Operating Systems Principles
(SOSP), 2023.
20 - Towards a Framework for Enabling the Electronic Health Record Storage
Using Blockchain Technology: Design, Development and Evaluation (Prof. Dr.
André Magno Costa de Araújo)
Resumo:
A large amount of data is processed daily by software systems in the healthcare
industry. Due to the popularization of the electronic health record (EHR), much has
been discussed about the use of norms, standards and the application of new
information and communication technologies (ICT) in the development of health
information systems (HIS) [1-3]. HIS process data from different types of applications
as well as assist healthcare professionals in the clinical patient care activities. For
these reasons, HIS should provide security mechanisms in the storage of EHR data
and features of authenticity and reliability in data manipulation. A means of obtaining
security and data privacy in the development of healthcare applications is adopting a
database management system to provide security measures and enforce controlled
access to the contents of the database while preserving data integrity. Blockchain
technology has been investigated and applied in the database software industry as
an alternative to guarantee the authenticity of online data transactions [4-6].
Blockchain technology consists of a decentralized and encrypted network that
immutably certifies and stores all transactional information between the parties
involved [7]. The use of Blockchain technology in the health sector is justified by its
ability to provide greater reliability in data storage, precisely because it is possible to
verify the integrity and guarantee the immutability of all records on the Blockchain
network. Although Blockchain technology has been widely debated and applied in
the healthcare sector [8-10], there is a lack of studies that address: i) the extraction
of EHR data from different legacy databases, ii) the standardization of patient clinical
data requirements, and iii) the EHR data storage using Blockchain, regardless of
DBMS technology. Based on the open issues found in the state-of-the-art, this
research aims to address the following research question. How to design a
framework for enabling the standardization of EHR data using health standards (e.g.,
openEHR Archetypes, HL7), and how to store such information using Blockchain
technology regardless of database management system (DBMS)? Two experimental
evaluations will be carried out in this project. First, the real-world scenario of a
Brazilian healthcare institution will be used to evaluate data extraction,
standardization, and persistence activities in two Blockchain technologies widely
used in the IT market. Afterwards, the computational cost of using different
Blockchain technologies in the proposed solution will be investigated.
Referencial Bibliográfico:
[1]
Araújo, A., Times, V. and Silva, M. (2020) ‘A Tool for Generating Health
Applications Using Archetypes’, IEEE Software, Vol. 37, No. 1, pp. 60–67.
[2]
de Araújo, André Magno Costa; Times, Valéria Cesário; da Silva, Marcus
Urbano, A Cloud Service for Graphical User Interfaces Generation and Electronic
Health Record Storage. Advances in Intelligent Systems and Computing. 1ed.:
Springer International Publishing, 2018,
v. 558, p. 257-263
[3]
Bezerra, Carlos Andrew Costa; de Araújo, André Magno Costa; Times,
Valéria Cesário, An HL7-Based Middleware for Exchanging Data and Enabling
Interoperability in Healthcare Applications. Advances in Intelligent Systems and
Computing. 1ed.: Springer International Publishing, 2020, v. , p. 461-467.
[4]
Casino, F., Dasaklis, T., and Patsakis, C. (2018) ‘A systematic literature
review of blockchain-based applications: Current status, classification and open
issues’, Telematics and Informatics, Vol. 36, pp. 55–81.
[5]
Da Conceição, A. F., da Silva, F. S. C., Rocha, V.,Locoro, A. and Barguil, J. M.
(2018)
Electronic
Health
Records
using
Blockchain
Technology,
https://arxiv.org/abs/1804.10078 (Accessed 27 July 2020).
[6]
Saghiri, A. M. (2020) ‘Blockchain Architecture’, Advanced Applications of
Blockchain Technology, vol 60. Springer, Singapore. pp. 161-176.
[7]
Nakamoto, S. (2009) ‘Bitcoin: A Peer-to- Peer Electronic Cash System’,
Cryptography Mailing list at https://metzdowd.com, https://bitcoin.org/bitcoin.pdf
(Accessed 27 July 2020).
[8]
Yuan, Y. and Wang, F. (2018) ‘Blockchain and Cryptocurrencies: Model,
Techniques, and Applications’ , IEEE Transactions on Systems, Man, and
Cybernetics: Systems, Vol. 48, pp. 1421–1428.
[9]
Roehrs, A., da Costa, C. A., Righi, R. R., Silva, V. F., Goldim, J. R. and
Schmidt, D. C. (2019) ‘Analyzing the Performance of a Blockchain-based Personal
Health Record Implementation’, Journal of Biomedical Informatics, Vol. 92, pp.
103-140.
[10] Liang, W., Fan, Y., Li, K., Zhang, D. and Gaudiot, J. (2020) ‘Secure Data
Storage and Recovery in Industrial Blockchain Network Environments’, IEEE
Transactions on Industrial Informatics, Vol. 16, pp. 1.