Edson Satoshi Gomi.

Este projeto tem como objetivo aprimorar os sistemas NeMo - Neural Motion Estimator, NeRo - Natural Frequency Regressor Estimator, NeuroSim - Neural Simulator e SeSO - Semantic Search on Offshore Engineering. Esses sistemas são parte do Gêmeo Digital dos Sistemas de Ancoragem das Plataformas Offshore da Petrobras. Os sistemas NeMo e NeRo, que fazem parte do SDRL - Sistema de Detecção de Rompimento de Linhas, usam algoritmos baseados em técnicas de Machine Learning para prever rompimentos de linhas de ancoragem de plataformas offshore. Com o intuito de aprimorar a eficácia e a acurácia na detecção de rompimento de linhas, o NeMo e o NeRo utilizarão como dados adicionais as condições ambientais. Adicionalmente serão testados algoritmos Ensemble, para aumentar a confiança e a robustez na detecção de rompimentos de linhas de ancoragem. Outras funcionalidades a serem desenvolvidas incluem algoritmos para identificação de falsos positivos na detecção de rompimento de linhas de ancoragem e a extensão dos modelos para outras plataformas e uso de modelos PIML - Physics Informed Machine Learning para obtenção de modelos neurais mais precisos. O NeuroSim, que é um simulador de movimentos de plataformas FPSO a partir das condições ambientais, será aprimorado com a inclusão de métodos PIML e será estendido para trabalhar com séries temporais de movimentação de seis graus de liberdade.O SeSO, que é um buscador semântico de informações contidas em documentos técnicos dos sistemas de ancoragem, incluirá melhorias na precisão da recuperação de informações e na versão híbrida extrativo-gerativo integrada ao ChatPetrobras, além de estende-lo para incluir Vision Transformers. Finalmente, a integração entre NeMo, NeRo, NeuroSim e SeSO visa estender os algoritmos para detecção de rompimentos de linhas de ancoragem, combinando dados de movimentação de plataformas, condições ambientais e informações técnicas de relatórios, melhorando a segurança e eficácia das operações offshore.

O objetivo deste projeto é desenvolver padrões de coleta, autenticação ecompartilhamento de dados considerando cenários críticos de falhas, continuidade deoperação e recuperação de desastres para engenharia oceânica, com ênfase em sistemas oceânicos de prospecção, geração, armazenamento e transmissão de energia.Dada a natureza de infraestrutura crítica representada pela indústria de energia oceânica,os cenários de falhas devem contemplar também ações externas hostis.

Desenvolver técnicas de estimação de variáveis não medidas em sistemas oceânicos, com aplicação em monitoramento de impacto ambiental e operação remota.

O objetivo deste projeto de pesquisa é desenvolver algoritmos baseados em elementos finitos e diferenças finitas para resolver com eficiência e precisão problemas diretos e inversos associados à propagação de ondas viscoelásticas em meios anisotrópicos. Os códigos para diferenças finitas e para elementos finitos serão empregados como pontos de partida neste trabalho, de modo que os produtos do projeto de pesquisa se beneficiarão e herdarão o alto desempenho, portabilidade e flexibilidade dessas bibliotecas. Os códigos serão preparados para execução em arquiteturas de CPU e GPGPU.

Este projeto tem por objetivo acelerar aplicações de inversão sísmica empregando estratégias de computação de alto desempenho e de inteligência artificial. As aplicações de inversão sísmica têm por objetivo reconstruir imagens de propriedades dos materiais abaixo do fundo do mar, para a localização de reservatórios de petróleo e gás natural. Neste projeto, desenvolvemos técnicas utilizando supercomputadores, computação em nuvem, clusters heterogêneos com aceleradores (como GPUS, FPGAs, etc) e técnicas de inteligência artificial para melhorar a qualidade e a eficiência das aplicações.

Este projeto de pesquisa visa aprimorar o aproveitamento do recurso eólico ao atingir osseguintes objetivos: (i) produção de ferramentas de inteligência artificial (IA) para caracterizar os desvios entre previsão e geração, identificando as prováveis causas, (ii) produção de ferramentas de IA para o diagnóstico e prognóstico de falhas e desenvolvimento de filosofia avançada de manutenção preditiva, (iii) produção de plataforma de monitoramento e gestão que incorpore as ferramentas de IA desenvolvidas nos itens anteriores, e (iv) atualização dos modelos de conversão de energia com as ferramentas e conhecimentos decorrentes dos objetivos anteriores. Os produtosfinais deste projeto serão um conjunto de metodologias e softwares, testados, validados e prontos para serem utilizados.

Para viabilizar o emprego de algoritmos de inteligência artificial que detectam rompimentos de linhas de amarração em plataformas flutuantes a partir de dados reais, diversos aspectos devem ser levados em consideração. Em primeiro lugar, a viabilização dessa abordagem depende da disponibilidade de dados reais que representem adequadamente todos os possíveis eventos de falha, porém, em condições reais, tal hipótese é improvável, já que as plataformas não experimentam todos os possíveis casos de falha e o ensaio de tais eventos em sistemas reais é inviável. Outro aspecto relevante é a diversidade de abordagens baseadas em algoritmos de inteligência artificial para este problema, não havendo consenso a respeito de qual abordagem é mais efetiva. As abordagens disponíveis na literatura acadêmica apresentam prós e contras muitas vezes complementares, o que indica que combinações de diferentes abordagens (ensembles) podem ser usadas para se obter predições mais confiáveis. Além dos aspectos próprios do problema de detecção de rompimento de linha de amarração, o ciclo de vida dos algoritmos de inteligência artificial empregados nas possíveis soluções deve ser automatizado, permitindo o treinamento e a monitoração contínua dos modelos usados para inferência, assim como a implementação da solução para qualquer plataforma flutuante da companhia. Propomos neste projeto contribuir para o atendimento aos desafios expostos através da extensão, composição e adequação dos algoritmos de detecção de rompimento de linhas de ancoragem já desenvolvidos em parceria anterior. Tais algoritmos serão integrados a um ecossistema digital que permitirão seu treinamento, seu gerenciamento (como modelos de IA) e a automação da sua execução a partir das fontes de dados de interesse a fim de apoiar o processo de tomada de decisão. Neste contexto, tal ecossistema apoia a execução automatizada do Sistema de Detecção de Rompimento de Linhas (SDRL) e todas as atividades associadas ao ciclo de vida dos diversos artefatos de software e de dados necessários ao processo de detecção de falhas, como coleta e processamento dos dados reais, a geração dos dados simulados necessários para aplicação da técnica de transferência de aprendizado (i.e. transfer learning) e a combinação de abordagens distintas (i.e. ensembles) para alcançar melhores resultados preditivos. De um modo geral, essa proposta visa dar continuidade em projeto baseado em algoritmos inteligentes desenvolvidos anteriormente para a detecção do rompimento de linhas de amarração, de modo a garantir que tais projetos atinjam a maturidade necessária para que seu potencial seja totalmente explorado. Os modelos preditivos são construídos a partir de pipelines, que seriam artefatos de software responsáveis por processar dados, treinar modelos e avaliar resultados. Tais pipelines devem ser integrados ao ecossistema, que posteriormente coordenará o funcionamento de todas as partes. A arquitetura baseada em pipelines (vantagem de ser generalizável) permite a transformação de dados e o treinamento de modelos de forma modular, admitindo diferentes ambientes computacionais para sua execução (computação em nuvem, HPC, clusters, etc). O ecossistema também proverá suporte para armazenamento e consulta dos dados, de modo que possam ser consumidos através de consultas declarativas. O ecossistema inclui ainda a monitoração contínua dos modelos, em especial, de possíveis desvios de conceito experimentados pelos modelos (i.e. concept drift). Dado que um problema seja identificado no desempenho de um modelo, o sistema será capaz de tomar as decisões pertinentes para que o problema seja corrigido, através do retreinamento dos modelos.

É um Centro de Pesquisa de Engenharia em Inteligência Artificial (IA) 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. Um pequeno grupo de pesquisadores da área de humanas está incluído no "Center for Artificial Intelligence" para conduzir pesquisa sobre o impacto social da IA e para identificar caminhos que garantam o uso da IA para o bem. O Coordenador de Educação e Difusão do Conhecimento organizará produção de vídeos contendo resultados de pesquisa e trabalhará através de feiras e escolas para educar o público em sentido amplo. O Coordenador de Transferência de Tecnologia trabalhará com órgãos bem estabelecidos na instituição anfitriã para fomentar iniciativas que transferirão resultados para as entidades financiadoras e para esforços de empreendedorismo.

Este projeto de pesquisa tem foco em 3 problemas que foram escolhidos por apresentarem alto impacto na indústria do petróleo e por terem complexidade que justifica o uso de técnicas avançadas de Aprendizagem de Máquina (Machine Learning):1.O primeiro problema é o da "Identificação de falhas na ancoragem das plataformas". Especificamente, o objetivo é identificar rompimento em cabos de ancoragem a partir de dados de sensores de posição e movimentação da plataforma, além de informações climáticas;2.O segundo problema é o de "Busca Semântica nos textos de relatórios e documentos de engenharia ". Neste problema, o objetivo é construir um sistema de consultas aos relatórios e documentos de engenharia, numa primeira fase por busca por palavras-chave e numa segunda fase por consultas em linguagem natural, para dar suporte à tomada de decisões para manutenção e situações de emergência.3.Finalmente, o terceiro problema é a criação de um simulador neural para estimativa de movimentos de UEPs utilizando dados medidos em escala real. Neste problema, o objetivo é desenvolver uma ferramenta e metodologia baseada em aprendizagem de máquina para prever os movimentos de uma plataforma ancorada a partir das condições ambientais incidentes. O diferencial em relação aos simuladores dinâmicos usualmente empregados é a utilização de dados reais para o treinamento da rede, levando em conta no processo de treinamento uma série aspectos físicos normalmente não incorporados nas análises feitas a partir das ferramentas de simulação dinâmica, tais como: direcionalidade das ondas, variação dos coeficientes de amortecimento dos movimentos da plataforma com a amplitude dos mesmos,variações da correnteza marítima ao longo do comprimento das linhas e risers, efeitos acoplados da incidência de diversos agentes ambientais simultâneos, etc.

Descrição: O objetivo principal do projeto STMI (do inglês, Software Technologies for Modelling and Inversion) é desenvolver um conjunto de tecnologias de software para simulação numérica e solução de problemas de inversão. Estas tecnologias serão capazes de reduzir o tempo necessário para o desenvolvimento de códigos de simulação e inversão de anos para dias. Serão desenhadas e implementadas linguagens de programação de alto nível que possibilitarão que geofísicos usem seus conhecimentos específicos de área para desenvolver e avaliar rapidamente novos algoritmos para obtenção de imagens de regiões geologicamente desafiadoras. Métodos de discretização em diferenças finitas e elementos finitos de alta ordem, que sejam otimizados para processamento sísmico, serão desenvolvidos, bem como técnicas de diferenciação automática para a geração automática dos modelos adjuntos. Outro foco do trabalho será atingir um maior nível de automatização na discretização espacial do domínio através da geração e adaptação de malhas, que é uma tarefa que atualmente consome muitas horas de trabalho humano. Por fim, modernas tecnologias de compiladores serão empregadas para gerar códigos altamente otimizados para plataformas de computação que irão de supercomputadores a sistemas na nuvem.

Este projeto de pesquisa tem como objetivo investigar métodos de Inteligência Artificial e de Machine Learning para a identificação do Glaucoma a partir de exames estruturais (OCT) e funcionais (Campo Visual). O foco da pesquisa se concentra no diagnóstico precoce e na análise da progressão da doença.

Objetivo do projeto: 
1. Construir a Biblioteca Brasiliana Digital (BBD), com as seguintes características:
- Ser um instrumento para a redefinição positiva da presença da língua portuguesa e da cultura nacional;
- Ser um instrumento para a formação e preservação de uma brasiliana para o Brasil;
- Ter uma política de expansão de acervo e rejeição de um modelo custodial de biblioteca;
- Permitir a difusão de uma coleção original de objetos documentais, preservados os direitos do autor. Acesso livre: permitir a qualquer usuário pesquisar, consultar, descarregar, imprimir, copiar e distribuir o texto integral de artigos e outras fontes de informação (adesão à Declaração de Berlim sobre o Acesso Livre ao Conhecimento nas Ciências e Humanidades);
- Permitir a preservação do acervo, acesso aos originais e reprodutibilidade;
- O usuário tem centralidade, orientação para o contexto do usuário;
- Ser um instrumento de educação nacional;
- Permitir que os metadados sejam acessíveis por diversos serviços de busca, com garantia de interoperabilidade;
- Ser aderente aos princípios do software livre.
2. Criar um processo e métodos para construção de bibliotecas digitais;

O objetivo deste projeto de pesquisa é criar classificadores híbridos que permitam identificar os parâmetros necessários ao diagnóstico precoce de glaucoma.

O objetivo deste projeto é criar conceitos e técnicas que permitam o desenvolvimento de sistemas de gerenciamento de projetos que sejam ubíquos.

O objetivo deste projeto é investigar características dos objetos existentes em repositórios corporativos que permitam que mecanismos de busca construam conjunto de recomendações de documentos e pessoas que serão úteis num determinado trabalho.

O objetivo deste projeto é investigar quais conhecimentos devem ser fornecidos a um sistema que transforma modelos abstratos em UML para código executável.

A Web pode ser considerado um grande armazém de informações 
potencialmente úteis. Entretando, o fato das informações estarem 
armazenadas em sua maioria num formato semi-estruturado e de não 
haver uma estrutura estática das ligações entre elas torna 
complexo o uso de mecanismos meramente sintáticos para busca e 
recuperação da informação desejada. Abordagens recentes procuram 
utilizar técnicas de mineração de dados e de sistemas baseados 
em conhecimento para melhorar a eficácia e performance 
dos mecanismos de busca na Web. Este projeto de pesquisa 
tem como objetivo avaliar métodos probabilísticos de classificação 
de informações e lógicos para mineração de dados na Web, 
além de métodos para representar conhecimento de fundo que 
auxiliem nesse processo de busca da informação.

Nos últimos anos houve um avanço conceitual considerável 
no desenvolvimento de sistemas lógicos aplicados ao problema de 
planejamento. Entretanto, a maioria dos trabalhos focaliza os 
tradicionais requisitos de performance computacional, completeza e 
correção das soluções apresentadas, mas poucos ainda procuram 
demonstrar a funcionalidade dos algoritmos desenvolvidos em aplicações 
reais em gestão de projetos. O objetivo deste projeto de pesquisa 
é avaliar performance e qualidade dos planos gerados por planejadores 
baseados em lógica na área de gestão de projetos. Adicionalmente, 
neste projeto procurar-se-á avaliar o tipo de conhecimento, 
descrito por meio de ontologias, que deve ser agregado ao planejador 
lógico para que os planos de projeto gerados sejam efetivamente utilizáveis.

A área de mineração de dados (data mining) abrange as 
pesquisas relacionadas com o desenvolvimento de métodos de 
descoberta de conhecimento a partir de dados disponíveis e de 
conhecimento de fundo (background knowledge). Um problema interessante 
é o de identificação de padrões de evolução de dados que tem 
características de variação temporal. Este projeto de pesquisa tem 
como objetivo avaliar métodos de mineração de dados temporais, 
que aliada uma base de conhecimento adequada, sejam capazes de 
descobrir padrões relevantes e úteis para séries temporais de 
dados financeiros.

Este projeto tem como objetivo desenvolver um Sistema Integrado de Gestão de Projetos
para a Ericsson do Brasil S/A

Ontologias representam descrições formais de uma conceituação 
ou abstração de um domínio de conhecimento. Nos últimos anos tem 
surgido inúmeros projetos relacionados com o desenvolvimento de 
ontologias devido à sua importância na criação e operação de 
sistemas baseados em conhecimento. Ontologias também tem um 
papel fundamental nos próximos sistemas de intercâmbio de 
informações que levam em consideração não apenas padrões 
sintáticos para troca de dados, mas também informações semânticas.
Este projeto de pesquisa tem como objetivos avaliar linguagens
para o desenvolvimento de ontologias e propor uma ontologia 
para a área de gestão de projetos.

Trabalhos com computadores implicam quase sempre na criação de 
arquivos. Arquivos que são com frequência modificados e, geralmente, 
distribuídos aos interessados. As diversas versões dos arquivos fazem
parte do registro do andamento de um trabalho ou projeto. Por isso, 
busca-se sempre a manutenção desses arquivos através de um mecanismo 
de controle das modificações ocorridas para futura referência.
Em um projeto grande, um processo manual de controle não é viável e, 
por esta razão, diversos sistemas computacionais vêm sendo utilizados 
ao longo do tempo para auxiliar nessa tarefa. Um deles é o RCS
(Revision Control System - Sistema de Controle de Versões), 
que vem sendo utilizado desde os anos 80. O resultado deste
projeto foi a criação de um sistema de controle baseado no RCS com 
acesso pela Web. Esse sistema possibilita uma fácil distribuição 
de documentos, além de tornar o sistema independente de plataforma.

A Web (WWW - World Wide Web) possui uma grande 
quantidade e variedade de informações. Isso representa um grande 
atrativo para que as pessoas busquem alguma informação desejada na Web. 
Por outro lado, dessa grande quantidade de informações resulta o 
problema fundamental de como descobrir, de uma maneira eficaz, 
se a informação desejada está presente na Web e como chegar até ela. 
Nesse trabalho é apresentado um sistema que implementa técnicas 
alternativas de busca da informação, baseados em métodos de
classificação de documentos e técnicas de representação do conhecimento. 
Os resultados experimentais permitiram analisar a eficiência 
resultante da utilização de mecanismos de extração de informações 
a partir de trechos explícitos nos documentos HTML e o uso do método 
de Naive Bayes na classificação de sites, além de analisar a eficácia 
de um processo de armazenamento de informações extraídas da Web 
numa base de conhecimento (descrita em lógica de primeira 
ordem) que, aliada a um conhecimento de fundo, permita responder a 
consultas mais complexas que as possíveis por meio do uso de expressões 
baseadas em palavras-chave e conectivos lógicos.

A Programação em Lógica Indutiva ou ILP (Inductive Logic 
Programming) investiga a construção de programas lógicos de primeira 
ordem a partir de um conjunto de exemplos e um conhecimento de 
fundo dado. Nesse contexto, a ILP se posiciona na intersecção 
dos campos tradicionais do aprendizado de máquina (machine learning) 
e da Programação em Lógica. Como exemplo das áreas de aplicação da ILP, 
pode-se citar: Aquisição de conhecimento e descoberta de conhecimento 
em bancos de dados (KDD - Knowledge Discovery in Databases).
O objetivo desse projeto é desenvolver um sistema que permita
integrar as diversas técnicas de ILP disponíveis, além de fazer uma
avaliação de seu desempenho e aplicabilidade em problemas de 
descoberta de conhecimento.

Estudo e análise do sistema X-Windows, com o intuito de utilizá-lo
como interface para o Sistema de Programação em Lógica Indutiva.