Renato Tinós.

Este projeto é referente à bolsa de produtividade, Nível C, do CNPq (período 8/2025 - 7/2028). Vários algoritmos de Aprendizado de Máquina (AM), como Redes Neurais Artificiais e Florestas Aleatórias, têm mostrado desempenho notável em diversas aplicações. Entretanto, tais algoritmos não são interpretáveis. Modelos que estimam a importância e a interação de variáveis podem ajudar os usuários a entender como modelos de AM que não são interpretáveis tomam decisões. Eles também podem ajudar os usuários a compreender aspectos da instância do problema em que o modelo de AM está sendo aplicado. Já em Algoritmos Evolutivos (AEs), a interação de variáveis tem sido tratada em problemas do tipo caixa-preta por meio de Linkage Learning (LL), mas apenas com o intuito de projetar novas estratégias de busca. Este projeto irá investigar e desenvolver métodos online de LL para a criação de AEs eficientes. Deverão ser estudados e desenvolvidos métodos para os seguintes desafios teóricos e práticos: (i) como obter, por meio de AEs associados a LL, informações sobre a estrutura epistática de instâncias de problemas de otimização distintos; (ii) como obter informações sobre a importância das variáveis em AEs; (iii) como utilizar tais informações para compreender melhor instâncias e otimizadores em problemas específicos, em especial aqueles de AM; (iv) como transformar soluções em AEs, explorando as informações sobre a interação e importância de variáveis. Do ponto de vista prático, estamos em especial interessados em problemas de AM, como a seleção, a interação e a importância de atributos, em problemas associados à Medicina.

Projeto FAPESP: Acordos de Cooperação / NSFC - Fundação Nacional de Ciências Naturais da China / NSFC - PFPMCG - Projeto de Pesquisa - Temático. Decisões precisas de gerenciamento de produção para a soja são cruciais para aumentar a produtividade e melhorar a qualidade da colheita. No entanto, a complexa estrutura do dossel das plantas de soja, caracterizada pelo sombreamento mútuo, complica a aquisição precisa de dados fenotípicos. Além disso, o crescimento da soja está intimamente ligado a fatores ambientais, que são cada vez mais variáveis devido às mudanças climáticas. A diversidade de dados de monitoramento da produção, juntamente com cenários variados e complexos em diferentes regiões, apresenta desafios significativos para a modelagem do gerenciamento e tomada de decisões na produção de soja. Para enfrentar esses desafios, este projeto aproveita um esforço colaborativo entre equipes de pesquisa chinesas e brasileiras, focando na utilização de dados multimodais coletados durante o processo de produção de soja e empregando reconstrução 3D, análise fenotípica, modelagem de redes complexas em múltiplas camadas e aprendizado adaptativo de domínio como base teórica e técnica. A pesquisa visa desenvolver tecnologias-chave que utilizam aprendizado de máquina e fusão de dados multimodais para aumentar a produtividade da soja e melhorar a qualidade da colheita. As principais tarefas incluem: 1) Desenvolver métodos para reconstrução 3D de alta qualidade das plantas de soja usando imagens esparsas de múltiplas vistas para alcançar modelagem estrutural precisa; 2) Avançar a tecnologia de fenotipagem para plantas de soja com base em dados multimodais, como imagens, nuvens de pontos e informações espectrais, para melhorar a precisão dos fenótipos; 3) Criar um modelo inteligente de decisão de gerenciamento da soja que integre fusão de dados multimodais para otimizar o gerenciamento da produção; e 4) Projetar modelos adaptativos de domínio para previsão de produtividade e análise de plantas para melhorar a generalização das estratégias de gerenciamento em ambientes diversos. Ao integrar aprendizado de máquina com fusão de dados multimodais, este projeto colaborativo Brasil-China visa elevar o nível de gerenciamento da produção de soja e fornecer conhecimentos para a aplicação dessas tecnologias

Os sistemas de Saúde formam uma estrutura complexa cuja compreensão e modelagem envolve múltiplos fatores e suas relações. A diversidade demográfica do Brasil compõe um cenário ainda mais desafiador para a Gestão em Saúde. Por outro lado, a superação deles pode produzir avanços significativos para a Saúde no Brasil e no mundo. Métodos avançados em Inteligência Artificial (IA) têm gerado descobertas significativas e de impacto socioeconômico para diversos problemas complexos. Essa proposta de Centro busca catalisar o conhecimento de grupos de excelência da USP e de outras instituições de pesquisa do estado de SP para desenvolver métodos avançados de IA capazes de superar tais desafios. Para isso, os projetos do Centro devem inovar nas principais frentes de pesquisa de IA, como Aprendizado Profundo (Graph Neural Networks, Large Language Models e Diffusion Models), Modelos Estruturais Interpretáveis e Causais, e Tomada de Decisão Multicritério, de forma a lidar com múltiplas modalidades de dados, com a demanda por interoperabilidade dos sistemas e com dados de saúde não-estruturados, buscando melhorar a eficiência, o custo-benefício e a qualidade dos serviços em Saúde, para a micro- e a macro-gestão (hospitais públicos, privados e instituições de saúde) gerando modelos consistentes e interpretáveis que possibilitem a tomada de decisão confiável.

Este projeto é referente à bolsa de produtividade PQ2 do CNPq (período 2022 - 2024). Este projeto visa o desenvolvimento de pesquisas envolvendo Algoritmos Evolutivos (AEs) em duas áreas principais. Do ponto de vista teórico, o objetivo principal é o desenvolvimento de operadores de transformação, em especial operadores de recombinação e perturbação, que utilizem o grafo de interações para gerar novas soluções candidatas. Do ponto de vista prático, aplicações de AEs serão investigadas em problemas envolvendo Aprendizado de Máquina. Problemas envolvendo explicabilidade de decisões e a otimização de hiper-parâmetros de redes neurais profundas serão investigados.

Projeto regular de pesquisa FAPESP. Informações sobre a estrutura do problema estão disponíveis em muitas aplicações relacionadas à otimização. No entanto, essas informações são negligenciadas pela vasta maioria dos Algoritmos Evolutivos (AEs), tornando a otimização um processo black-box (caixa-preta). Em contraste, otimização gray-box (caixa-cinza) tira proveito do conhecimento da interação entre variáveis de decisão para orientar a busca. Recentemente, novos operadores e estratégias do tipo gray-box têm sido desenvolvidas, permitindo melhorar significativamente o desempenho de AEs. Este projeto visa o desenvolvimento de pesquisas envolvendo AEs eficientes em duas áreas principais. Do ponto de vista de projeto de novos algoritmos, o objetivo principal é o desenvolvimento de operadores de recombinação e perturbação que utilizem o grafo de interações entre as variáveis de decisão para gerar novas soluções. Do ponto de vista de aplicações, AEs eficientes serão aplicados em problemas envolvendo Aprendizado de Máquina na área de Medicina.

Plataforma Robusta para mitigação do risco hidrológico utilizando inteligência artificial

Esta proposta descreve um Centro de Pesquisa de Engenharia em Inteligência Artificial (IA), financiado pelo Acordos de Cooperação / IBM Brasil / FAPESP, e empenhado em conduzir pesquisas em tópicos centrais de IA e em aplicar técnicas de IA em áreas de aplicação selecionadas --- a saber, indústria de óleo e gás, agronegócios e saúde. O Centro também dará suporte a estudos sobre o impacto social e econômico da IA e conduzirá atividades de transferência de tecnologia e difusão do conhecimento. O Centro será construído com a convicção de que os próximos dez anos trarão avanços sem precedentes em IA, os quais dependerão da colaboração tanto entre áreas centrais da IA como destas áreas com as aplicações. O "Center for Artificial Intelligence" consistirá de dois grupos interligados de pesquisadores, ambos distribuídos na instituição anfitriã e em instituições associadas. Um grupo de pesquisadores, com significativa projeção internacional na comunidade de IA, cobrirá tópicos centrais de IA, de representação de conhecimento a aprendizado de máquina, com ênfase em processamento de texto e linguagem natural, particularmente em Português. Tendências da pesquisa internacional corrente sugerem que a próxima década testemunhará uma interação crescente entre representação de conhecimento, tomada de decisão e aprendizado de máquina; o "Center for Artificial Intelligence" focará sua atenção na combinação destas áreas da IA, já que elas não são tão intimamente conectadas quanto deveriam ser --- o Centro se posicionará como um participante fundamental na colaboração entre os principais tópicos da IA. Um segundo grupo de pesquisadores do Centro focará em três áreas de aplicação onde existe significativa experiência na instituição anfitriã: óleo e gás, agronegócio, e saúde. A conexão entre pesquisa em tópicos centrais da IA e áreas de aplicação ocorrerá em dupla direção: pesquisa em IA básica abordará problemas de grande escala nas áreas de aplicação selecionadas, e será direcionada pelos desafios nestas áreas de aplicação.

Este projeto é referente à bolsa de produtividade PQ2 do CNPq (período 2019 - 2021). O objetivo principal deste projeto é o desenvolvimento e aplicação de operadores de transformação que utilizam o grafo de interações para gerar as novas soluções. Ao empregar operadores de transformação que exploram o grafo de interações, estaremos utilizando gray box optimization. Iremos investigar operadores de recombinação por decomposição e operadores de mutação que transformam as variáveis de decisão de acordo com as variáveis vizinhas no grafo de interações. Serão pesquisados operadores de transformação eficientes para problemas de otimização pseudo-Booleana e problemas de otimização combinatória envolvendo grafos. Aplicações nas áreas de Bioinformática e Aprendizado de Máquina serão investigadas.

Resumo em Português Sem percebermos, estamos usando tecnologias baseadas em algoritmos de Aprensizado de Máquina (AM) em um número crescente de nossas atividades diárias. O uso do ML tem feito várias atividades rotineiras e de riscos e mais seguras, mais confiáveis e mais precisas. Apesar dessas contribuições, novas demandas exigem o desenvolvimento de novos algoritmos de AM, ou utilização desses algoritmos de maneiras diferentes e inovadoras. Duas demandas atuais importantes são tratar com eficiência os dados que chegam em fluxos contínuos, onde novidades podem aparecer e conceitos podem mudar, e como melhorar o uso dos algoritmos de ML mais adequados, além de valores mais apropriados para os Hyper-parâmetros dos algoritmos selecionados para uma nova tarefa. Este projeto irá pesquisar novas abordagens para lidar eficientemente com essas demandas.

Projeto regular de pesquisa FAPESP. A recombinação de soluções assume papel importante em diversos algoritmos da computação evolutiva. Recombinação é também interessante em outros paradigmas usados em otimização, quer para recombinar soluções encontradas em diferentes execuções de um algoritmo, quer para recombinar soluções produzidas por diferentes algoritmos. O objetivo principal deste projeto é o desenvolvimento de novos operadores de recombinação por decomposição para problemas em que a função de avaliação pode ser escrita como uma soma de termos. Operadores de recombinação por decomposição particionam as variáveis de decisão do problema de modo a permitir a decomposição da função de avaliação. Assim, encontra-se, com custo computacional proporcional ao custo de se avaliar uma solução do problema, a melhor solução entre um número de soluções descendentes que cresce exponencialmente com o número de partições encontradas. Neste projeto, serão pesquisados operadores de recombinação por decomposição para problemas de otimização pseudo-Booleana k-restritos e problemas de otimização combinatória envolvendo grafos.

Este projeto é referente à bolsa de produtividade CNPq (período 2015 - 2017). São investigados neste projeto operadores determinísticos de recombinação de soluções que permitem a decomposição da função de avaliação sob certas condições. Serão investigadas também aplicações de Computação Evolutiva, particularmente em Bioinformática.

O objetivo central deste projeto é a promoção do uso as ciências matemáticas e, em especial da matemática aplicada, estatística e ciência da computação como um recurso industrial. Pretendemos realizar essas atividades dentro de um ambiente interdisciplinar, enfatizando a transferência de tecnologia e a educação e difusão do conhecimento para aplicações na indústria e no governo. As atividades serão organizadas por um centro de referência em pesquisa especialmente estruturado e adaptado para esta finalidade. A principal estratégia do Centro é a construção de uma infra-estrutura forte no que diz respeito aos recursos humanos, equipamentos computacionais avançados, oportunidades de colaboração e outras facilidades, a fim de promover a cooperação interdisciplinar com a indústria e, mais especificamente, com os setores de manufatura, governo e serviços. O Centro irá incentivar os grupos de pesquisa acadêmica a colaborar com aplicações práticas e produzir novos conhecimentos científicos. Os grupos de pesquisa participantes do CeMEAI demonstraram experiência na produção de trabalhos acadêmicos de alta qualidade em suas áreas de atuação e, em muitos casos, também em aplicações relevantes, como evidenciado pelos vários trabalhos já realizados pelos pesquisadores principais, tanto acadêmicos como em cooperação coma a Indústria..

Este projeto é referente à bolsa de produtividade CNPq (período 2012 - 2014) e trata da investigação de estratégias e ferramentas teóricas para Algoritmos Evolutivos aplicados em ambientes dinâmicos e/ou em problemas multimodais.

Projeto regular de pesquisa FAPESP. Está-se interessado, neste projeto de pesquisa, em utilizar Robôs Evolutivos (REs) para o desenvolvimento e teste de modelos comportamentais de ratos em um Labirinto em Cruz Elevado (LCE). O RE utilizado é um robô móvel cuja trajetória é controlada por uma Rede Neural Artificial (RNA) recorrente com pesos otimizados por um Algoritmo Genético. Funções de avaliação, do Algoritmo Genético, baseadas em modelos comportamentais de ratos devem ser investigadas. Ainda, deve-se investigar o uso de funções de avaliação dinâmicas, o que deve propiciar o estudo do comportamento dos indivíduos submetidos a novas condições, e o uso de Algoritmos Evolutivos utilizados em problemas de otimização dinâmica.

Este projeto é referente à bolsa de produtividade CNPq (período 2009 - 2011) e prevê a investigação de novas estratégias e aplicações de duas técnicas de Computação Bioinspirada , que são os Algoritmos Evolutivos (AEs) e as Redes Neurais Artificiais (RNAs), em problemas de otimização não-estacionários e em Informática Biomédica, especialmente em Bioinformática.

Apesar de grande parte dos problemas de otimização em sistemas reais serem dinâmicos, a pesquisa em Algoritmos Evolucionários (AEs), como por exemplo os Algoritmos Genéticos, tem se concentrado basicamente em problemas de otimização estacionários. AEs são algoritmos de otimização inspirados na evolução natural e usam, geralmente, funções objetivo estáticas com ótimos globais fixos. Contudo, os sistemas reais operam na maior parte das vezes em ambientes dinâmicos em que a solução corrente deve evoluir de acordo com as mudanças. Vários são os exemplos de mudanças que ocorrem em problemas não-estacionários, tais como falhas e deterioração de equipamentos, mudanças econômicas, doenças, mudanças nas configurações do ambiente, mudanças climáticas e mudanças devido a variáveis humanas. Este projeto visa o estudo de AEs em problemas não-estacionários, principalmente aqueles associados às Redes Neurais Artificiais, Informática Biomédica, Bioinfomática e Robótica. Também são investigados AEs aplicados a problemas difíceis para um AE tradicional, como aqueles com um número grande de ótimos locais.

O trabalho teve como objetivo o desenvolvimento de novas técnicas que utilizem Redes Neurais Artificiais para o auxílio na resolução de problemas em biologia molecular, como o reconhecimento de genes em seqüências de nucleotídeos, a identificação de sítios de splice alternativos e o reconhecimento de promotores.