Lucas Pascotti Valem.

Trabalho voluntário visando permitir ao idoso o primeiro contato com o computador, fornecendo informações básicas de informática e conhecimentos para a navegação na internet

Grandes Modelos de Linguagem (LLMs) atuam como modelos universais para compreensão e inferência de linguagem, mas precisam de contexto factual relevante para funcionar de forma precisa. A Geração com Recuperação Aumentada (RAG) ajuda os LLMs a operarem de maneira factual, fornecendo fatos relevantes. No entanto, há uma limitação: os modelos de recuperação baseados em similaridade textual têm menor granularidade semântica e não acompanham a capacidade interpretativa dos LLMs. Esse descompasso afeta o desempenho em tarefas que exigem raciocínio baseado em evidências, especialmente em domínios específicos como ciência e políticas públicas, onde há desafios adicionais, como: (i) lacuna de abstração entre a intenção da consulta e a evidência disponível, (ii) necessidade de conhecimento especializado, e (iii) raciocínio quantitativo e qualitativo conjunto. Isso limita a aplicação dos LLMs em áreas de alto impacto, como descoberta de medicamentos e verificação de fatos. A proposta visa preencher essa lacuna desenvolvendo novos mecanismos de inferência de linguagem natural (NLI) baseados em evidências, visando o raciocínio sobre grandes espaços de evidência. A inferência abdutiva, ou inferência para a melhor explicação, permite a formulação de um processo de raciocínio sistemático que dialoga com o conjunto de evidências disponíveis, onde os processos de inferência dedutiva ou indutiva mais controlados não podem ser aplicados. Dada uma determinada hipótese, pergunta ou afirmação, o raciocínio abdutivo preencherá a lacuna com as evidências disponíveis, selecionando a mais provável dentre explicações concorrentes, que podem corroborar ou refutar essa hipótese.

Projeto interdisciplinar que visa criar um banco de dados de imagens digitais de microfósseis (BIMf) e desenvolver um software para reconhecimento automático de um selecionado grupo de microfósseis cretáceo-cenozoicos (nanofósseis calcários, palinomorfos e os presentes em lâminas petrográficas). O software será baseado em técnicas de aprendizado de máquina, especialmente aprendizado profundo e algoritmos semi-supervisionados que permitam treinamento incremental. Objetiva-se reduzir o tempo de análise pelos especialistas.

Em geral, técnicas de aprendizado de máquina baseiam-se em grandes conjuntos de dados rotulados para construir modelos preditivos, em especial técnicas baseadas em aprendizado profundo, que têm sido amplamente utilizadas com sucesso em vários domínios. Em contrapartida, é comum a insuficiência de conjuntos de dados rotulados para treinamento de modelos supervisionados efetivos. Neste cenário, destaca-se como promissor o uso de abordagens fracamente supervisionadas, capazes de realizar tarefas de aprendizado com base em conjuntos rotulados incompletos ou inexatos. No projeto de pesquisa associado, investigamos a análise, recuperação e classificação de objetos multimídia utilizando pequenos conjuntos de treinamento. O objetivo principal do projeto consiste em investigar e propor métodos capazes de analisar sequências de vídeo comprimido e gerar alertas de acordo com as aplicações consideradas. Tais abordagens podem ser úteis e relevantes em vários domínios, desde ambientes de vigilância, aplicações médicas e industriais, incluindo também casas inteligentes. A realização da pesquisa requer a execução de códigos e a instalação de arcabouços de software recentes. Além disso, é crucial a necessidade de execução e monitoramento de experimentos, frequentemente de longa duração. A bolsa de treinamento em questão tem como principal objetivo prover suporte a estas tarefas

A segurança dos trabalhadores é uma das maiores preocupações para uma empresa, principalmente em locais que exigem altos níveis de segurança e monitoramento constante, como ocorre nas plataformas de perfuração de petróleo marítimas. Dependendo do tamanho do local de trabalho, fica inviável o seu monitoramento de forma manual, ou seja, por inspeção visual humana. Nesse sentido, a presente proposta de projeto de pesquisa visa o estudo e desenvolvimento de técnicas baseadas em visão computacional e inteligência artificial para o monitoramento automático de situações de risco em uma plataforma. Com base em informações obtidas das câmeras de vigilância, o sistema poderá monitorar, em tempo real e de forma constante, todo o seu campo de visão e, em caso de alguma situação irregular, emitir alertas para a posterior tomada de decisão

A evolução dos dispositivos móveis e as consequentes facilidades nos processos de aquisição e compartilhamento de conteúdo visual têm provocado um grande crescimento nas coleções de imagens. Nesse cenário, torna-se premente o desenvolvimento de métodos automáticos que permitam indexar, analisar e realizar buscas em tal conteúdo. Sistemas de Recuperação de Imagens Baseados no Conteúdo (Content-Based Image Retrieval - CBIR) constituem uma solução promissora. Contudo, avaliar a similaridade entre o conteúdo visual de imagens apresenta vários desafios. Métodos de Aprendizado Não Supervisionado têm se estabelecido como uma solução para aumentar a eficácia de buscas sem requerer intervenção dos usuários. Como vários métodos têm sido desenvolvidos, utilizando abordagens distintas e complementares, surgem novos desafios de pesquisa em relação à combinação desses métodos com o objetivo de aumentar os ganhos. Esse projeto de pesquisa pretende investigar e propor estratégias para seleção e agregação de métodos de aprendizado não supervisionado