Artur Jordão Lima Correia.

Aprendizado de máquina tem impulsionado avanços sem precedentes em direção à automatização de diversas tarefas cognitivas. Modelos modernos de aprendizado de máquina vêm adotando redes neurais profundas (deep learning) como o paradigma central para modelar padrões a partir dos dados. Apesar dos resultados positivos, frequentemente, redes neurais estão confinadas a uma alta sobrecarga computacional o que impõe diversos desafios tecnológicos, financeiros e organizacionais para seu desenvolvimento e estudo. Por exemplo, redes neurais modernas requerem massiva infraestrutura computacional que acarreta significativo investimento financeiro e alto consumo de energia elétrica. De acordo com trabalhos prévios, o desenvolvimento de redes neurais e modelos complexos de aprendizado de máquina em infraestruturas com fonte de energia não sustentáveis contribui na emissão de dióxido de carbono (CO2) e levanta questões ambientais importantes. Em virtude dessas adversidades, inúmeras pesquisas vêm sendo realizadas para melhorar a eficiência e o impacto ambiental (Green AI) das redes neurais. Nessa direção, os objetivos deste projeto compreendem a elaboração de soluções para tornar redes neurais computacionalmente proibitivas em modelos mais eficientes e análise dos modelos obtidos em diferentes configurações de hardware e cenários onde tomadas de decisões desempenham fatores críticos. Para alcançar os objetivos propostos, o projeto propõe soluções baseadas em técnicas de poda que identificam e removem componentes (neurônios e/ou camadas) de uma rede neural preservando compromissos entre sustentabilidade, eficiência e desempenho preditivo. Dentre as contribuições esperadas, destacam-se a aplicabilidade de redes neurais a cenários desprovidos de infraestrutura de computação massiva e com recursos computacionais limitados tais como a academia e pequenos centros de pesquisa. Por fim, o projeto evidencia onde estamos avaliando e incorporando a sustentabilidade na IA. Projeto FAPESP N. 2023/11163-0

Inteligência artificial (IA) tem impulsionado avanços sem precedentes em direção à automatização de diversas tarefas cognitivas. Modelos modernos de IA vêm adotando redes neurais profundas como o paradigma central de aprendizado. Apesar dos resultados positivos, frequentemente, redes neurais estão confiadas a uma alta sobrecarga computacional o que impõe diversos desafios tecnológicos, financeiros e organizacionais para seu desenvolvimento e estudo. Por exemplo, redes neurais modernas requerem massiva infraestrutura computacional que acarreta significativo investimento financeiro e consumo de energia elétrica. De acordo com estudos prévios, o desenvolvimento de redes neurais em infraestruturas com fonte de energia não sustentáveis contribui na emissão de dióxido de carbono (CO2) e levanta questões ambientais importantes. Em virtude dessas adversidades, inúmeras pesquisas vêm sendo realizadas para melhorar a eficiência e o impacto ambiental das redes neurais (Green AI). Este projeto propõe transformar redes neurais computacionalmente proibitivas em modelos mais eficientes explorando técnicas de poda. Tais técnicas removem componentes (pesos/neurônios) de uma rede neural preservando a habilidade preditiva. Apesar da maturidade da área, poucas pesquisas consideram a remoção de componentes maiores (camadas) e múltiplos componentes configurações que promovem ganhos computacionais notáveis e são apoiados por evidências teóricas. Poucos esforços também são dedicados à avaliação dos modelos em cenários adversariais. Este projeto planeja preencher essas lacunas desenvolvendo técnicas de poda que preservem compromissos entre sustentabilidade, eficiência e desempenho preditivo. Dentre as contribuições, destacam-se a aplicabilidade de redes neurais a cenários desprovidos de infraestrutura computacional massiva e com recursos limitados como a academia e pequenos centros de pesquisa. Ademais, o projeto evidencia onde estamos avaliando e incorporando a sustentabilidade na IA. Chamada Universal CNPq/MCTI N 10/2023 - Faixa A, Processo 402734/2023-8

Um dos principais objetivos do monitoramento automático de ambientes é a extração de informações a respeito de atividades desempenhadas pelos humanos de modo a detectar interações entre agentes e identificar padrões de comportamentos que sejam suspeitos. Para que as atividades sejam analisadas, um conjunto de problemas, tais como detecção e identificação dos agentes na cena, rastreamento ao longo do tempo, possivelmente entre câmeras distintas, reconhecimento de ações individuais, precisa ser resolvido. Tais problemas compõem o domínio de aplicações denominado observação de pessoas, responsável pela análise de imagens e vídeos contendo humanos..

O objetivo desse projeto é a pesquisa e o desenvolvimento de métodos e algoritmos capazes de reconhecer, automaticamente, atividades humanas relacionadas a doenças crônicas (diabetes, hipertensão, obesidade e envelhecimento) a partir de informações visuais, sinais capturados por sensores de dispositivos móveis pessoais e sinais capturados por sensores instalados nos ambientes.

Descrição: (Edital CAPES Pró-Forenses 25/2014). Atividades criminais variam em escopo e complexidade, mas existem em todos os setores da sociedade. Com o desenvolvimento tecnológico, os crimes tornaram-se mais sofisticados migrando do mundo físico e atingindo, também, o mundo virtual. Diante das inúmeras formas que as atividades ilegais podem tomar, a saída para a sociedade moderna está no investimento em técnicas de investigação aprimoradas e cientificamente fundamentadas. Com demandas tão sofisticadas e cada vez mais complexas, vem a obrigação de se fortalecer cada vez mais as bases sobre as quais a Ciência Forense se desenvolve. Mais do que nunca, precisamos de critérios objetivos e cientificamente embasados para identificar características em locais de crimes e acidentes, ou mesmo para prevenir a ocorrência de crimes, tomando ações preventivas efetivas de vigilância eletrônica. Precisamos de abordagens inovadoras e condizentes com os desafios atuais para nos ajudar a resolver as três questões básicas a respeito de uma atividade ilegal ou um acidente de larga escala...