Categoria:Ciência de Dados e Inteligência Artificial

A análise de dados é uma área multidisciplinar focada na interpretação de grandes volumes de informações para embasar decisões, estratégias e inovação. Técnicas estatísticas e de aprendizado de máquina são utilizadas para identificar padrões e prever eventos futuros, abrangendo dados estruturados, semiestruturados e não estruturados. 

Em dados estruturados, os desafios incluem a análise de séries temporais e espaço-temporais, envolvendo predição, descoberta de padrões e adaptação a mudanças nos dados. Métodos como filtros e decomposição ajudam a construir modelos robustos para predições. A descoberta de eventos em séries temporais, como anomalias e mudanças, é relevante tanto para análises retrospectivas quanto em tempo real. 

Para dados semiestruturados e não estruturados, os desafios incluem mineração de textos e processamento de linguagem natural. A mineração de texto busca padrões e tendências por aprendizado estatístico e vetorização de textos, sendo aplicada em análise de sentimentos e computação afetiva, que estuda emoções em textos e interações humanas. Neste projeto, a mineração de texto está intimamente ligada à computação afetiva e análise comportamental, abrangendo também o processamento de imagens e vídeos. 

A análise comportamental examina indivíduos em redes sociais, utilizando grafos para identificar comunidades e entender dinâmicas de interação. Aplicações incluem marketing direcionado e propagação de informações, oferecendo insights sobre padrões coletivos e emocionais nas interações. 

Docentes Envolvidos: 

• Eduardo Soares Ogasawara (responsável) 
• Eduardo Bezerra da Silva 
• Gustavo Paiva Guedes e Silva 
• Jorge de Abreu Soares 
• Kele Teixeira Belloze

O Aprendizado de Máquina (AM) é um ramo da Inteligência Artificial voltado para o desenvolvimento de novos algoritmos e metodologias capazes de identificar padrões e tomar decisões sem necessidade de programação explícita. Mais do que apenas aplicações práticas, o avanço dessa área depende da criação de novas abordagens teóricas e computacionais, que ampliem a eficiência, interpretabilidade e generalização dos modelos. 

Este projeto de pesquisa investiga métodos avançados de AM, explorando desde técnicas tradicionais, como redes neurais profundas e modelos probabilísticos, até abordagens emergentes, como aprendizado auto-supervisionado, modelos generativos, aprendizado federado e aprendizado por reforço. Além disso, busca-se aprimorar estratégias de explicabilidade e interpretabilidade para tornar os modelos mais transparentes e confiáveis, especialmente em aplicações críticas. 

Outro pilar fundamental deste projeto é a Otimização, área que se integra ao AM para melhorar o desempenho de modelos e resolver problemas complexos em diversos domínios. Busca-se a concepção e aplicação de técnicas para a resolução de problemas por meio de modelos de programação linear, não linear, inteira ou mista (métodos exatos e/ou heurísticos), bem como métodos bio-inspirados como colônia de formigas, algoritmos genéticos, enxame de partículas. Técnicas de otimização aplicadas em ajustar os parâmetros dos modelos de aprendizado de máquina, bem como na seleção de atributos e em arquiteturas de redes neurais também são avaliados. 

Já a Computação Afetiva explora como os algoritmos de AM podem interpretar, processar e responder a estados emocionais humanos. Para isso, são investigados novos métodos para fusão de sinais fisiológicos e emocionais. O objetivo é avançar na construção de sistemas capazes de adaptar suas respostas de maneira mais natural e empática, com aplicações que vão desde interfaces conversacionais até robótica interativa. 

Docentes Envolvidos: 

• Eduardo Bezerra da Silva (responsável) 
• Gustavo Paiva Guedes e Silva 
• Diogo Silveira Mendonça 
• Diego Moreira de Araújo Carvalho 
• Laura Silva de Assis

O crescente volume de dados exige que organizações desenvolvam estratégias para extrair informações valiosas e obter vantagem competitiva. Esse processo envolve coleta, armazenamento, integração e análise de dados estruturados, semiestruturados e não estruturados. Metodologias são investigadas para gerenciar e transformar esses dados em conhecimento útil para a tomada de decisões. 

A pesquisa foca no uso de Inteligência Artificial centrada em dados (Data-Centric AI) para preparar informações e em técnicas de processamento em larga escala. Um dos desafios abordados é o processamento paralelo e distribuído de grandes volumes de dados heterogêneos, comum em áreas como bioinformática, astronomia e engenharia. Workflows científicos são essenciais para esses experimentos, sendo frequentemente executados em clusters, supercomputadores e nuvens. 

O projeto também explora frameworks como Apache Spark, otimizando workflows para análise e gerência de dados em larga escala. Além disso, investiga técnicas de modelagem conceitual, ontologias, pré-processamento, indexação e consulta em Big Data. Abordagens baseadas em armazenamento distribuído (HDFS), bancos de dados NoSQL, newSQL e sistemas relacional-objeto são consideradas neste projeto, visando eficiência na manipulação e análise dos dados. 

Docentes Envolvidos: 

• Rafaelli de Carvalho Coutinho (responsável)  
• Eduardo Soares Ogasawara 
• Diego Moreira de Araújo Carvalho 
• Jorge de Abreu Soares 
• Kele Teixeira Belloze