• Total de projetos de pesquisa (4)
  
  1. 2023-2024. Arquitetura Cognitiva
     Descrição: A linha de aprendizado em arquiteturas cognitivas tem como objetivo avançar o estado da arte da inteligência artificial por meio do emprego de aprendizado em agentes cognitivos. Em particular, serão analisados os desafios envolvidos no emprego de modelos de treinamento em dispositivos móveis com o intuito de melhorar a experiência do usuário com estes dispositivos. Neste cenário, diferentes paradigmas de aprendizado poderão ser empregados. Entretanto, dadas as características típicas do problema onde o agente cognitivo deve refletir as experiências de cada usuário, o treinamento de modelos baseado em Aprendizado por Reforço (AR) deve ser mais evidenciado. Entre os desafios da área temos: o projeto de funções de reforço que sejam capazes de avaliar implícita ou explicitamente a qualidade da tomada de decisão do agente e a forma de treinamento desses agentes, visto que modelos baseados em AR requerem inúmeras iterações para convergir. Por isso, a transferência de aprendizado, o offline RL e a construção de cenários simulados podem ser de grande importância.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Helder May Nunes da Silva Oliveira - Integrante / Leandro Villas - Coordenador.
     Membro: Helder May Nunes da Silva Oliveira.
  2. 2023-Atual. Redes de Comunicação e Internet das Coisas Inteligentes - INSTITUTOS NACIONAIS DE CIÊNCIA E TECNOLOGIA - INCT
     Descrição: A simbiose entre a computação e a comunicação faz com que as atuais arquiteturas de redes de comunicação incluam elementos computacionais, tornando-as sistemas que processam e transmitem dados. Outra característica marcante das redes de comunicação é a incorporação da inteligência na borda, na rede de acesso e no núcleo da rede, o que vai muito além da execução de algoritmos de aprendizado de máquina com dados gerados pelos usuários e sensores. Se o emprego de IA em redes de comunicação se encontra em estágio incipiente, ela será um elemento fundamental nas futuras redes 6G.Para se alcançar os objetivos propostos, o projeto científico do INCT define linhas temáticas para enfrentar os desafios científicos, tecnológicos e de inovação. As linhas do INCT são: internet das coisas, IA, computação de borda, redes 5G/6G, redes ópticas de acesso, virtualização de redes, redes veiculares, segurança, cidades inteligentes, saúde digital, indústria e preservação ambiental. O grande número de dispositivos conectados à Internet das Coisas exige a manipulação de um alto volume de dados gerados por milhares de sensores, requerendo soluções que atendam requisitos de escalabilidade, distribuição geográfica, mobilidade, heterogeneidade, segurança e privacidade. A heterogeneidade de dispositivos, conexões intermitentes e a diversidade de estrutura de dados gerados por sensores são algumas das restrições tecnológicas para a implantação de uma IoT pervasiva. Outros fatores de capital importância a serem observados são a computação orientada à localidade dos dados e o alto volume de dados a serem transmitidos na rede. A alocação adaptativa e a orquestração de recursos são desafios a serem superados em redes IoT de larga escala com milhares de sensores. Atualmente, a execução de algoritmos de aprendizado de máquina é tipicamente em lote, ?offline? e centralizada. O gerenciamento de redes e seus serviços requer execução em massa de dados distribuídos e em tempo real. Em diversas situações, a validade temporal dos dados gerados é limitada, demandando a redução da latência na comunicação e processamento. Ademais, a transmissão de dados em ambiente distribuído está sujeita à qualidade dos canais de comunicação, ao congestionamento da rede e à energia disponível nos dispositivos móveis. Uma forte restrição adicional decorre da adoção da nova Lei Geral de Proteção de Dados -LGPD. A restrição de privacidade de dados é endereçada pela técnica de aprendizado federado. No entanto, inúmeros são os desafios em aprendizagem federado, tais como a caracterização da elegibilidade de clientes a participarem do aprendizado e o assincronismo nas transmissões de dados. A computação na borda consiste em trazer serviços oferecidos pelas nuvens computacionais para a borda da rede, mitigando os longos atrasos para acessar servidores em nuvens computacionais. Dispositivos na borda são tipicamente heterogêneos e possuem recursos limitados. Além disso, ainda não existem modelos abrangentes e tecnologias maduras para a orquestração inteligente e o ajuste dinâmico de recursos físicos ou virtualizados, de modo a satisfazer os requisitos de QoS em condições de rede e carga de trabalho variáveis. A generalização do processamento borda-nuvem inclui dispositivos localizados na rede de acesso e no núcleo, em um contínuo de recursos entre borda e nuvem. A alocação de recursos nesse contínuo requer soluções complexas e adaptativas, possíveis somente pelo uso de IA. Ademais, a execução de algoritmos de IA na borda da rede, a chamada inteligência na borda, traz diversos desafios quanto à redução da necessidade de comunicação de dados e a redução do consumo de energia. A recente tecnologia de redes celulares 5G possibilitará uma infinidade de aplicações com requisitos estritos de latência e alta demanda de banda passante. A adoção de virtualização de redes e computação de borda.. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Helder May Nunes da Silva Oliveira - Integrante / Nelson Luis Saldanha da Fonseca - Coordenador.
     Membro: Helder May Nunes da Silva Oliveira.
  3. 2022-2023. Sistema IoT-Cloud de Medição Centralizada de Energia Voltado a Rede CEA
     Descrição: de fraudes de consumo elétrico baseado no perfil da média de consumidores na rede. A solução apresentada neste projeto reflete o estado da arte em coleta, análise e detecção de consumo elétrico em uma rede real, em diferentes lugares do Brasil e perfis de consumo. Esta metodologia utiliza o que há de melhor e mais moderno na detecção destas fraudes utilizando algoritmos e técnicas de Machine Learning, Redes Neurais Convolucionais (CNNs), e Deep Learning, onde é possível detectar diferentes tipos de perdas energéticas não técnicas (geralmente fruto de furto) e tratar um grande volume de dados coletados a fim de prover informações para inspeção da rede de distribuição.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Helder May Nunes da Silva Oliveira - Integrante / NETO, AUGUSTO - Integrante / Eduardo Coelho Cerqueira - Integrante / Denis Lima do Rosário - Coordenador.
     Membro: Helder May Nunes da Silva Oliveira.
  4. 2022-Atual. Aplicações de machine learning para redes ópticas avançadas
     Descrição: Os novos serviços digitais que foram popularizados nos últimos anos, como streaming de vídeo,computação em nuvem, e videochamadas em grupo, geraram um aumento expressivo na demanda detransmissão de dados. As redes de transporte, que canalizam fluxos em altas taxas de transmissão entre regiões diferentes de uma cidade ou entre cidades, são especialmente impactadas. Para suprir essa demanda são necessários a ampliação da infraestrutura baseada em fibras ópticas, única tecnologia capaz de atender taxas de transmissão acima de 1Tbps em longas distâncias, bem como o melhor aproveitamento das infraestruturas existentes. São grandes os desafios relacionados à complexidade de problemas envolvendo as diversas estratégias e tecnologias para atingir estas elevadas taxas de transmissão. Consideram-se utilizar outras bandas de transmissão no domínio óptico, evitando o desperdício de banda nos sistemas implantados, e a implantação de multiplexação espacial (space division multiplexing - SDM). Existem diversas possibilidades de ampliaçãode capacidade das redes respeitando o nível de resiliência requerido e a qualidade de transmissão para assegurar altas taxas, seja utilizando bandas de transmissão alternativas, seja pela implantação de fibras ópticas avançadas com canais espaciais paralelos. Neste cenário, os modelos de aprendizado de máquina despontam alternativa viável para lidar com a crescente complexidade das redes e sistemas de comunicação óptica. De fato, eles aparecem como ferramentas importantes para as mais diversas tarefas, como modelamento de dispositivos,estimação de parâmetros, alocação de recursos e mitigação de degradações. Este projeto tem como propósito eunir pesquisadores de São Paulo e Pernambuco, que já atuam independentemente na área, em um ambiente sinérgico de colaboração. Espera-se, assim, incorporar novas técnicas de aprendizado de máquina às redes ópticas de comunicação, com atenção especial às redes elásticas SDM e multibanda, resultando em sistemas mais eficientes, sustentáveis e com maior capacidade de transmissão.. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Helder May Nunes da Silva Oliveira - Integrante / Nelson Luis Saldanha da Fonseca - Integrante / Darli Augusto de Arruda Mello - Coordenador / Daniel Augusto Ribeiro Chaves - Integrante / Gustavo Sousa Pavani - Integrante / Helio Waldman - Integrante / Joaquim Ferreira Martins Filho - Integrante / Leonardo Didier Coelho - Integrante / Raul Camelo de Andrade Almeida Junior - Integrante / Carmelo Bastos-Filho - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
     Membro: Helder May Nunes da Silva Oliveira.
     Descrição: Os novos serviços digitais que foram popularizados nos últimos anos, como streaming de vídeo, computação em nuvem, e videochamadas em grupo, geraram um aumento expressivo na demanda de transmissão de dados. As redes de transporte, que canalizam fluxos em altas taxas de transmissão entre regiões diferentes de uma cidade ou entre cidades, são especialmente impactadas. Para suprir essa demanda são necessários a ampliação da infraestrutura baseada em fibras ópticas, única tecnologia capaz de atender taxas de transmissão acima de 1Tbps em longas distâncias, bem como o melhor aproveitamento das infraestruturas existentes. São grandes os desafios relacionados à complexidade de problemas envolvendo as diversas estratégias e tecnologias para atingir estas elevadas taxas de transmissão. Consideram-se utilizar outras bandas de transmissão no domínio óptico, evitando o desperdício de banda nos sistemas implantados, e a implantação de multiplexação espacial (Space Division Multiplexing - SDM). Existem diversas possibilidades de ampliação de capacidade das redes respeitando o nível de resiliência requerido e a qualidade de transmissão para assegurar altas taxas, seja utilizando bandas de transmissão alternativas, seja pela implantação de fibras ópticas avançadas com canais espaciais paralelos. Neste cenário, os modelos de aprendizado de máquina despontam alternativa viável para lidar com a crescente complexidade das redes e sistemas de comunicação óptica. De fato, eles aparecem como ferramentas importantes para as mais diversas tarefas, como modelamento de dispositivos, estimação de parâmetros, alocação de recursos e mitigação de degradações. Este projeto tem como propósito reunir pesquisadores de São Paulo e Pernambuco, que já atuam independentemente na área, em um ambiente sinérgico de colaboração. Espera-se, assim, incorporar novas técnicas de aprendizado de máquina às redes ópticas de comunicação, com atenção especial às redes elásticas SDM e multibanda, resultando em sistemas mais eficientes, sustentáveis e com maior capacidade de transmissão.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Gustavo Sousa Pavani - Integrante / Helio Waldman - Integrante / Nelson Luis Saldanha da Fonseca - Integrante / Darli Augusto de Arruda Mello - Coordenador / Daniel Augusto Ribeiro Chaves - Integrante / Helder May Nunes da Silva Oliveira - Integrante / Joaquim Ferreira Martins Filho - Integrante / Leonardo Didier Coelho - Integrante / Raul Camelo de Andrade Almeida Júnior - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro / Fundação de Amparo à Ciência e Tecnologia do Estado de Pernambuco - Auxílio financeiro.
     Membro: Gustavo Sousa Pavani.
  
  

Prêmios e títulos