Um grande projeto de Transformação Digital para FURNAS está sendo coordenado no Departamento de Informática da PUC-Rio pelo Prof. Edward Hermann em parceria com a empresa de engenharia e tecnologia Radix.
O projeto tem o objetivo de melhorar a disponibilidade do sistema de transmissão da estatal e, com isso, proporcionar uma redução nos gastos com manutenção, além de garantir mais segurança e estabilidade ao sistema. A plataforma vai permitir analisar com antecedência possíveis falhas nos equipamentos e classificá-las para evitar danos futuros. Ana Cláudia Rodrigues, Gerente de Transformação Digital de FURNAS, explica que se trata de um “sistema de monitoramento inteligente dos ativos de transmissão, que permitirá melhor planejamento das manutenções e consequente redução de custos”. Segundo ela, o projeto utiliza tecnologias de inteligência artificial para desenvolvimento de uma plataforma que poderá beneficiar outras empresas do setor elétrico.
Todos os modelos de Inteligência Artificial (Machine Learning) do projeto são desenvolvidos no Laboratório de Tecnologia e Métodos Formais – TecMF, do DI da PUC-Rio, sob a coordenação do Prof. Hermann que conta com o trabalho de mais 12 alunos e ex-alunos do DI da PUC-Rio.
Segundo o Prof. Hermann, o trabalho já está bem alinhado, e a etapa de produção será realizada no pós-projeto dentro de Furnas e no final do terceiro ano, em 2023. Nesse período, a Radix, responsável pela especificação, desenvolvimento e implantação da plataforma computacional em Nuvem, vai continuar fazendo a transferência digital para Furnas.
Com o projeto ambientado em Nuvem, FURNAS ganha em escalabilidade, podendo utilizar a solução em todas as suas subestações. Subsidiária da Eletrobras, FURNAS atua na geração, transmissão e comercialização de energia elétrica, e está presente em 15 estados e no Distrito Federal. Integram seu sistema 21 usinas hidrelétricas, duas termelétricas e um complexo eólico, próprios ou em parceria com a iniciativa privada, além de cerca de 35 mil km de linhas de transmissão e 72 subestações.
O Departamento de Informática da PUC-Rio, trabalha com excelência reconhecida por pesquisadores, instituições nacionais e internacionais há mais de 50 anos e vem desenvolvendo inúmeros projetos e soluções em tecnologia, aplicando teoria à prática através de seus professores e pesquisadores, que capacitam profissionais de grande reconhecimento no mercado.
Defesa de doutorado do aluno William Nalepa Oizumi
Título da tese:
Identification and Refactoring of Design Problems in Software Systems Resumo: A incidência de problemas de projeto (PP) em projetos de software está associada ao declínio da qualidade de design. Como resultado, sistemas impactados por PP podem se tornar difíceis de manter e evoluir. Para evitar essas consequências negativas, os desenvolvedores geralmente começam identificando os PP por meio de vários sintomas, tais como medidas internas de qualidade e code smells.
Depois disso, os desenvolvedores removem os PP por meio de refatorações. No entanto, decidir onde e como refatorar é uma tarefa desafiadora. Assim, várias técnicas de recomendação de refatoração para a remoção de PP têm sido propostas. Apesar disso, ainda há pouco consenso sobre quais requisitos devem ser atendidos por esse tipo de técnica. Portanto, nesta pesquisa, estamos propondo quatro requisitos empiricamente identificados que qualquer técnica de remoção de PP deve seguir. Primeiro, antes de refatorar, os desenvolvedores precisam entender as relações entre sintomas, PP e suas consequências negativas. Além disso, cada PP geralmente está relacionado a vários tipos de sintomas, que devem ser considerados para gerar efetivamente recomendações de refatoração.
Em segundo lugar, os desenvolvedores geralmente evitam refatorar elementos de código que estão fora de seu contexto atual de interesse.Portanto, uma técnica de recomendação deve ajudar o desenvolvedor a se concentrar em um contexto específico. Terceiro, os desenvolvedores nem sempre conduzem as refatorações mais eficazes na prática, resultando na remoção incompleta de PP. Sendo assim, eles podem precisar de recomendações de refatoração para remover completamente os PP. Finalmente, a maioria dos projetos tem um projeto pretendido para orientar a organização interna do sistemas e a distribuição de responsabilidades entre os elementos do código. Tal projeto pretendido deve ser considerado ao escolher as refatorações mais adequadas. De fato, existem várias técnicas relacionadas à maioria dos requisitos acima mencionados. No entanto, não existe uma técnica que atenda satisfatoriamente a todos eles.
Assim, nesta tese propomos a técnica OrganicRef. OrganicRef destinasse a ajudar os desenvolvedores a identificar e entender PPs que ocorrem em seu contexto de interesse. Ele é capaz de trabalhar com contextos definidos pelo desenvolvedor ou detectados automaticamente (por exemplo, arquivos modificados). Os PP são detectados por meio de informações extraídas do projeto do sistema e do código-fonte. Do projeto, extraímos a distribuição de responsabilidades entre os elementos de código – ou seja, preocupações de projeto – e o projeto pretendido. Em seguida, contamos com o código-fonte para coletar medidas de qualidade e code smells. O OrganicRef também visa fornecer recomendações de refatoração eficazes. Para atingir esse objetivo, projetamos uma nova estratégia de recomendação de refatoração com base nas preocupações do projeto. Em seguida, combinamos nossa nova estratégia com duas estratégias de técnicas do estado da arte. Com base nessa combinação, usamos a otimização baseada em busca para gerar e desenvolver várias recomendações possíveis. Por fim, definimos validações para as refatorações geradas para evitar a violação do projeto pretendido do software. Para avaliar o OrganicRef, projetamos e conduzimos um estudo empírico envolvendo profissionais de software experientes.
Orientador:
Prof. Dr. Alessandro Fabricio Garcia
Banca:
Prof(a) Dr(a) Thelma Elita Colanzi
Prof Dr. Bruno Barbieri de Pontes Cafeo
Prof Dr. Marcos Kalinowski
Prof. Dr(a) Juliana Alves Pereira
Prof. Dr Baldoino Fonseca dos Santos Neto
Prof. Dr Alberto Barbosa Raposo
Acompanhe-nos pelo link:
https://puc-rio.zoom.us/j/93448556516?pwd=WTFlNGxSWG51NDVLUFM5VHJLSnBQUT09
Apresentamos hoje o Laboratório TecMF
O TecMF é um Núcleo de Inovação Tecnológica que tem por objetivo a pesquisa, o desenvolvimento e a aplicação de tecnologia formal, isto é, que utiliza modelos matemáticos, lógicos e baseados em conhecimento, no apoio ao processo de desenvolvimento de software em todas as suas fases. Gostamos de aplicar Teoria da Prova, Teoria das Categorias, Sistemas Lógicos e Prova Assistida de Teoremas em Ciência da Computação em geral, particularmente em desenvolvimento e validação de sistemas, modelos de computação e complexidade computacional.
Atualmente o laboratório é coordenado pelo Prof. Edward Hermann Haeusler e conta com a colaboração de professores, pesquisadores e alunos do DI da PUC-Rio. Assim como outros laboratórios do DI da PUC-Rio, o TecMF proporciona aos alunos do Departamento a possibilidade de atuarem como colaboradores e ter contato com diversas teorias diretamente aplicadas à prática, buscando soluções para resolver problemas reais de diversas empresas através de projetos específicos desenvolvidos pelo laboratório.
Conheça mais sobre o TecMF:
http://www.tecmf.inf.puc-rio.br
#laboratórios #modelosmatematicos #sistemaslogicos #pesquisa #desenvolvimento #dipucrio
Conheça os Professores do Quadro Principal do DI.
Grande parte do reconhecimento acadêmico do Departamento de Informática (DI) da PUC-Rio é devido aos professores do seu quadro principal, que atuam com excelência à frente do ensino e pesquisa, coordenando e atuando em laboratórios temáticos e orientando as pesquisas de mestrado e doutorado dos alunos. Eles também são
responsáveis por coordenar os projetos de pesquisa do DI junto a órgãos de fomento e a empresas nacionais e internacionais, assim como pela criação e oferta de cursos de extensão e especialização lato sensu do DI.
Hoje, temos o prazer de apresentar o Professor Edward Hermann Haeusler, que é coordenador do Laboratório TecMF e tem como área de atuação a Ciência da Computação voltada a Computabilidade e Modelos de Computação. Neste setor, pesquisa a teoria da prova, proof theory, teoria das categorias, semântica formal e Lógica.
Mais informações podem ser encontradas na página profissional do professor:
http://www-di.inf.puc-rio.br/~hermann/
Estão abertas as inscrições para o programa de pós-graduação em Informática (Mestrado e Doutorado) oferecidos pelo Departamento de Informática da PUC-Rio. O edital de seleção tem período de inscrições entre os dias 26 de abril e 08 de julho de 2022 e abrange as seguintes áreas de concentração:
• Bancos de Dados (BD)
• Ciência de Dados (CD)
• Computação Gráfica (CG)
• Engenharia de Software (ES)
• Hipertexto e Multimídia (HM)
• Interação Humano-Computador (IHC)
• Linguagens de Programação (LP)
• Otimização e Raciocínio Automático (OTR)
• Redes de Computadores e Sistemas
Cada área de concentração tem diversas linhas de pesquisa, dentre as quais se pode citar: Jogos e Entretenimento Digital; Visualização 3D; Engenharia de Software Experimental; Computação Móvel; e Redes de Alta Velocidade. Outras linhas têm caráter mais interdisciplinar, como Bioinformática e Inteligência Artificial (pesquisadas em várias das áreas de concentração do DI).
O Programa de Pós-Graduação do Departamento de Informática da PUC-Rio (DI) tem sua excelência reconhecida por pesquisadores e instituições nacionais e internacionais, bem como por órgãos dos ministérios de Ciência e Tecnologia e da Educação que avaliam os pesquisadores e os programas de pós-graduação do Brasil. Na avaliação da CAPES o programa é avaliado com conceito máximo (7).
Veja o edital completo no link:
Edital PG INF 2022.2
Deep Networks Are Kernel Machines – Este será o tema da próxima palestra online que acontecerá no dia 26/04 às 18h, e será apresentada pelo professor emérito da University of Washington, Pedro Domingos. O sucesso do aprendizado profundo geralmente é atribuído à sua capacidade de descobrir automaticamente novas representações dos dados, em vez de depender de recursos manuais como outros métodos de aprendizado. Nesta palestra, no entanto, o Prof. Domingos mostrará que redes profundas aprendidas por algoritmos de descida de gradiente são, de fato, aproximadamente equivalentes a máquinas kernel, um método de aprendizado que simplesmente memoriza os dados e os usa diretamente para previsão por meio de uma função de similaridade (o kernel). Isso aumenta muito a interpretabilidade de pesos de rede profunda, elucidando que eles são efetivamente uma superposição dos exemplos de treinamento. A arquitetura de rede incorpora o conhecimento da função de destino ao kernel.
A palestra incluirá uma discussão sobre as principais ideias por trás desse resultado e algumas de suas consequências mais surpreendentes para aprendizagem profunda, máquinas kernel e aprendizado de máquina em geral.
O Prof. Pedro Domingos é autor do livro “The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World”, que já foi indicado por Bill Gates como uma das obras mais importantes para quem deseja conhecer mais sobre #IA.
O evento acontece através da Conexão Rio-Campinas, uma parceria entre o Departamento de Informática da PUC-Rio e o Instituto de Computação da Unicamp, que promove importantes debates e palestras sobre os últimos avanços na ciência da computação, na Inteligência Artificial, em aprendizado de máquina, Ciência de Dados entre outros temas relevantes para profissionais, pesquisadores e para a sociedade como um todo.
Faça sua inscrição:
https://forms.gle/CiQcdgTCRRWdN6Js8
Autor: Willian Nalepa Oizumi
Orientador: Alessandro Fabricio Garcia
Data e Hora: 28/04/2022 às 14:00
Autor: Polyana Sampaio Ramos Barboza
Orientador: Carlos José Pereira de Lucena
Data e Hora: 25/04/2022 às 10:30
Local: 13º andar do Edifício Padre Leonel Franca
#paperoftheday
Title:
On the price of explainability for some clustering problems Venue: International Conference on Machine Learning (ICML), 2021
Authors:
Eduardo Sany Laber, Lucas Murtinho
Abstract:
The price of explainability for a clustering task can be defined as the unavoidable loss, in terms of the objective function, if we force the final partition to be explainable. Here, we study this price for the following clustering problems: k-means, k-medians, k-centers and maximum-spacing. We provide upper and lower bounds for a natural model where explainability is achieved via decision trees. For the k-means and k-medians problems our upper bounds improve those obtained by [Dasgupta et. al, ICML 20] for low dimensions. Another contribution is a simple and efficient algorithm for building explainable clusterings for the k-means problem. We provide empirical evidence that its performance is better than the current state of the art for decision-tree based explainable clustering.
More in:
http://proceedings.mlr.press/v139/laber21a.html
Apresentamos hoje o Laboratório Galgos.
O Galgos é um Núcleo de Inovação Tecnológica vinculado ao Departamento de Informática da PUC-Rio cujo foco principal é o desenvolvimento e aplicação de métodos algorítmicos para o manuseio e análise de grandes volumes de dados e otimização de recursos de médio e grande porte. Os membros do laboratório são encorajados a desenvolver uma forte experiência em métodos quantitativos, trabalhando com técnicas clássicas de design de algoritmos, técnicas de programação matemática e técnicas de aprendizagem de máquinas.
Atualmente o laboratório é coordenado pelo Prof. Marcus Poggi e conta com a colaboração de professores, pesquisadores e alunos do DI da PUC-Rio. Assim como outros laboratórios do DI da PUC-Rio, o Galgos proporciona aos alunos do Departamento a possibilidade de atuarem como colaboradores e ter contato com diversas teorias diretamente aplicadas à prática, buscando soluções para resolver problemas reais de diversas empresas através de projetos específicos desenvolvidos pelo laboratório.
Conheça mais sobre o Galgos:
http://www.inf.puc-rio.br/blog/laboratorio/atd-lab/
