Defesa de Dissertação de Mestrado do aluno Daniel Cesar Bosco de Miranda.

Título da Dissertação: Vision Transformers e Masked Autoencoders para segmentação de fácies sísmicas

Resumo: Desde a introdução dos Vision Transformers (ViT) no campo da visão computacional, esta arquitetura de Deep Learning (DL) e suas variantes têm obtido resultados de ponta em uma variedade de tarefas, superando as bem estabelecidas Convolutional Neural Networks (CNN). No entanto, sua aplicação à interpretação de dados sísmicos ainda está no começo. A ViT leva em conta a interação de longo alcance entre todas as partes de uma imagem de entrada e não tem a limitação de campos receptivos como as CNNs, que podem ser importantes para distinguir sutilezas na interpretação de dados sísmicos. Para avaliar isso, exploramos a segmentação semântica de dados sísmicos no Bloco F3, usando o benchmark realizado com CNNs por Alaudah et al. (2019) como referência. Em vez da tradicional arquitetura com encoder e decoder convolucionais, usamos um encoder ViT com um decoder convolucional simples, a arquitetura Segmentation Transformer (Zheng et al. 2021).A maneira padrão de usar uma arquitetura DL é pegar os pesos da rede do pré-treinada na tarefa de classificação do ImageNet e ajustar os pesos aos nossos dados e tarefas. Mas o recente progresso do Aprendizado auto-supervisionado permitiu o treinamento de Redes Neurais Profundas sem a necessidade de dados rotulados, o que é uma excelente oportunidade para explorar o potencial dos dados sísmicos. Para também avaliar o impacto dessa inovação na interpretação sísmica, neste trabalho pré-treinamos um ViT com três conjuntos de dados sísmicos usando uma técnica denominada Masked Autoencoders (He et al. 2022). Avaliamos o valor desse pré-treinamento comparando os ganhos na segmentação semântica do Bloco F3.

Orientador: Prof. Dr. Marcelo Gattass

Banca: 

Prof. Dr. Alberto Barbosa Raposo

Prof. Dr. Aristófanes Corrêa Silva

Prof. Dr. Marcos de Carvalho Machado

Prof. Dr. Jan Jose Hurtado Jauregui

Assista a defesa pelo link https://puc-rio.zoom.us/j/94359396477?pwd=eFZkMi8wWTBCU3BpKzZMTStucUxnUT09

No início deste ano, o Departamento de Informática da PUC-Rio contratou três novos professores pesquisadores. Conheça um pouco mais sobre suas formações, áreas de atuação, interesses e pesquisas.

Paulo Ivson: Doutor e Mestre em Informática, com foco em Computação Gráfica, tendo se graduado em Engenharia de Computação pela PUC-Rio. Em 2023, assumiu o cargo de professor do quadro principal do Departamento de Informática da PUC-Rio, tendo atuado por mais de 18 anos como pesquisador da universidade em projetos de P&D&I com a indústria. Paulo Ivson possui produções científicas em conferências e periódicos nacionais e internacionais nas áreas de Visualização, Renderização em Tempo Real, Computer-Aided Design (CAD), Building Information Modeling (BIM) e Sistemas de Produção Lean. 

Sua pesquisa atual busca combinar técnicas inovadoras de Computação Gráfica e Inteligência Artificial para aplicações de engenharia. Além de ser professor do Departamento de Informática da PUC-Rio, Paulo Ivson atua também no Instituto Tecgraf da universidade, onde participa de projetos de P&D&I produzindo softwares técnico-científicos para as indústrias de Óleo e Gás, Construção Civil, Manufatura e Logística. Os projetos envolvem colaborações com demais professores e órgãos da PUC-Rio como, por exemplo, os departamentos de Informática, Engenharia Elétrica, Engenharia Industrial e Engenharia Civil, além de startups do Instituto Gênesis. Nesta atuação, Paulo Ivson promove a pesquisa e desenvolvimento de tecnologias inovadoras baseadas em conceitos da Indústria 4.0 e Building Information Modeling (BIM), como Gêmeos Digitais, com o objetivo de tornar mais eficientes e ecossustentáveis as etapas de projeto, construção e gestão do ciclo de vida de ativos. As pesquisas envolvem desafios nas áreas de Visualização e Renderização 3D, Geometria Computacional, Processamento de Imagem e Visão Computacional, Ciência de Dados e Inteligência Artificial.

Greis Silva: Doutora e mestre em Informática com ênfase em Interação Humano-Computador (IHC) pela PUC-Rio. Obteve várias distinções acadêmicas e de pesquisa durante sua graduação (ciência da computação) e pós-graduação. Realizou pós-doutorado no Laboratório Nacional de Computação Científica (LNCC) e no Departamento de Informática da PUC-Rio. Pesquisadora e Consultora acadêmico-tecnológica no Instituto Tecgraf/PUC-Rio, liderando a equipe de Ciência de Dados no grupo “Realidade Estendida e Visão Computacional” em projetos junto à Petrobras. Tem participado na orientação de alunos de graduação, mestrado e doutorado em pesquisas nas áreas de IHC, Realidade Virtual e Machine Learning. Sua pesquisa tem resultado em várias publicações em revistas científicas e conferências nacionais e internacionais, obtendo premiações na categoria “Best Paper”. Seus interesses de pesquisa incluem a interseção entre IHC e Machine Learning (ML), tais como sistemas inteligentes aplicados a áreas da saúde, indústria e educação; técnicas de ML nos processos de IHC, como modelagem de usuário utilizando ML; design de IHC para sistemas inteligentes; jogos sérios, tecnologias assistivas, interação multimodal e computação afetiva. Sua intenção é contribuir no ensino, pesquisa e extensão, promovendo e realizando projetos interdisciplinares com parcerias nacionais e internacionais para continuar desenvolvendo pesquisa aplicada, de qualidade e com alto impacto social. Pesquisa também sustentada pela sua atuação no Instituto Tecgraf/PUC-Rio, participando de projetos de P, D & I junto a empresas parceiras.

Alberto Sardinha: O professor Alberto Sardinha fez o seu doutorado em Informática na PUC-Rio na área da Inteligência Artificial e Aprendizado de Máquina. Fez um pós-doutorado na Carnegie Mellon University e fez parte da equipe que desenvolveu um sistema multi-agente para comércio eletrônico que ficou em primeiro lugar na Trading Agent Competition, competição que reunia os principais pesquisadores da área da Inteligência Artificial (e.g., pesquisadores de CMU, Brown, Cornell, Michigan e Harvard). Recebeu uma bolsa Marie Curie da União Européia para desenvolver pesquisa na área de Sistemas Multi-Agente e Aprendizado de Máquina na Lancaster University. Orientou vários mestres e doutores que estão nas principais empresas de tecnologia (e.g., Google, IBM, Microsoft). Tem ampla experiência em projetos de P&D. Possui publicações em conferências e periódicos internacionais, tais como a ACL, AAMAS, IROS, EJOR, CL e JAAMAS.

Alberto Sardinha é professor e pesquisador em Inteligência Artificial e Aprendizado de Máquina, como foco em Sistemas Multi-Agente. Atualmente, tem feito pesquisa na área de Deep Reinforcement Learning, Multiagent Reinforcement Learning, Active Learning, NLP e Real Options. Já participou de vários projetos de P&D com parceiros acadêmicos internacionais e da indústria. Como coordenador, conseguiu projetos altamente competitivos de agências de fomento no exterior, tais como a Fundação para a Ciência e a Tecnologia de Portugal e a Air Force Office of Scientific Research dos EUA.

 Desejamos boas-vindas aos novos professores!

Defesa de Dissertação de Mestrado do aluno Taylor Oliveira Fidelis.

Título da dissertação: Uma abordagem de ciências de dados e atuária para fundamentação de estratégias de diluição de riscos envolvendo ventos extremos no sul do Brasil

Resumo: Com o aumento da frequência de tempestades de ventos no Sul do Brasil, em especial após o evento conhecido como ”ciclone bomba” em junho de 2020, o setor segurador e ressegurador teme grandes perdas econômicas. A correlação espacial entre os danos pode inviabilizar a diversificação dos riscos por meio do teorema do limite central, colocando em risco as estratégias de precificação e diluição de riscos utilizadas atualmente. Neste contexto, este trabalho teve como objetivo classificar as áreas de risco no Sul do Brasil e compreender a correlação espacial do risco de tempestades de ventos, a fim de fornecer informações relevantes para a formulação de futuras estratégias de diluição de risco. Os principais resultados incluem a classificação das áreas de maior e menor risco e a coleta de informações para o desenvolvimento de estratégias de precificação e diluição de risco para perdas econômicas causadas por tempestades de vento na região sul do Brasil.

Orientador: Prof. Dr. Hélio Côrtes Vieira Lopes

Banca: 

Prof. Dr. Bruno Fânzeres dos Santos

Prof. Dr. Cassio Freitas Pereira de Almeida

Prof. Dr. Marcos Kalinowski

Assista a defesa pelo link https://puc-rio.zoom.us/j/98653501159?pwd=V2lIaXEwb2REMzZYbjJaSmpVQVhoZz09

Dia 28 de abril, às 15h, acontecerá o seminário “Internet das coisas móveis (IoMT) para monitoramento ambiental e outras oportunidades de pesquisa em IoT”, proferido pelos professores Markus Endler e Anderson Oliveira.

Resumo do Seminário: Ao contrário da Internet das Coisas tradicional, que lida com a interconexão apenas entre objetos estacionários, na IoMT o foco é em coisas ou dispositivos com a capacidade de serem movidos ou até se mover autonomamente e ainda assim terem conectividade.

Os objetos móveis (M-OBJs) podem ter tamanhos, finalidades e complexidades muito diferentes – e podem ser desde veículos terrestres de qualquer tipo (carros, ônibus etc.), robôs domésticos, robôs aéreos (UAVs), wearables, ou etiquetas de sensores muito pequenos e leves (que podem ser colados em pacotes). E como esses objetos cada vez mais possuem sensores e/ou atuadores, e dispões de uma interface wireless de curto alcance e baixo consumo de energia (WPAN), o principal objetivo de IoMT é garantir a inter conectividade entre esses objetos,

E enquanto a rede 5G não está disponível em todos os locais, a forma mais efetiva e eficaz de se acessar sensores e atuadores desses M-OBJs é através de conectividade oportunística e intermitente, em que dados dos sensores/ ou comandos de atuação são lidos ou escritos através de elementos também móveis da infraestrutura, que chamamos de Mobile Hubs.

Usando a experiência ganha com o desenvolvimento do ContextNet, um middleware para IoT que inclui serviços e executa em smartphones Android, temos desenvolvido várias soluções que vão de monitoramento adaptativo do estado de saúde de pacientes até protocolos de comunicação e coordenação entre quadricópteros em uma missão de coleta de dados de umidade do solo em consolas. Ainda nesse ano, iremos aplicar essas técnicas no projeto ECO Sustain, um projeto temático FAPESP que agrega 40+ pesquisadores brasileiros com a missão de desenvolver tecnologia da computação e de ciência de dados para estudar, monitorar e proteger o meio ambiente.

Outras áreas de pesquisa nas quais nossos grupos de trabalho atuam são: segurança de IoT, redes de sensores sem fio, coleta de energia, computação intermitente e automated guided vehicles (AGVs). Essas pesquisas englobam o desenvolvimento do projeto de hardware e software dos dispositivos IoT. Na área de segurança, estamos desenvolvendo o Framework do EdgeSec para o ContextNet e propondo uma arquitetura de segurança para o monitoramento de pacientes e uma aplicação de criptografia homomórfica para dispositivos IoT. Na área de coleta de energia (Energy Harvesting), investigamos diferentes formas de coleta de energia do ambiente para carregar as baterias dos dispositivos e técnicas de computação intermitente para seguirmos com o processamento de dados após a ocorrência de um evento de falta de energia. E, também, pesquisamos uma abordagem de sistemas de controle de navegação e missão descentralizada para AGVs.

Conheça os Professores:

Markus Endler: Professor Associado do Departamento de Informática e coordenador do Laboratory for Advanced Collaboration (LAC) da PUC-Rio. Atua na área de Sistemas Distribuídos e, mais especificamente, trabalha com middleware para Computação Móvel e Pervasiva. Grande parte de suas pesquisas tem enfoque prático e resulta em softwares que auxiliam no desenvolvimento de aplicativos para essas áreas. Tem colaborado com vários grupos nacionais e estrangeiros, e feito projetos para empresas tais como a Microsoft Research, o CPqD, a Boeing, e a Petrobrás.

Anderson Oliveira: Consultor técnico Sênior e atua como professor do quadro complementar do Departamento de Informática (DI) da PUC-Rio com os títulos de Engenheiro de Computação (1995), Mestre em Ciências em Informática (1999) e Doutor em Ciências em Informática (2009). Como pesquisador, coordena as atividades do Lab GIST e atua em parceria com o Prof. Markus Endler, no Laboratory for Advanced Collaboration (LAC), na área de Segurança em Internet of Things (IoT). Como docente, atua nos cursos de Graduação em Informática, Pós-graduação Latu-Sensu em Sistemas de Informação e Pós-graduação Latu Sensu em Redes de Computadores, nos quais leciona as disciplinas de Segurança da Informação, Administração e Gerência de Redes, Segurança de Redes, Arquitetura TCP/IP, Sistemas Operacionais, e Sistemas Operacionais de Rede e Distribuídos, além de orientar monografias.

Para acompanhar o Seminário, acesse  https://www.youtube.com/live/KNdSKwu6stE 

Defesa de Dissertação de Mestrado do aluno Maurício de Castro Lana.

Título da dissertação: First steps toward an archetypal-oriented approach to plot perception

Resumo: Este trabalho apresenta os primeiros passos em direção a uma abordagem arquetípica para análise e percepção de enredos. A ideia principal é usar o conceito de arquétipos como uma lente para observar essas histórias e avaliar tropos. Arquétipos são tipos de personagens recorrentes e relações seguidas em narrativas. Usamos a definição de arquétipos de Vogler que atribui funções dramáticas e psicológicas a cada arquétipo para apontar seus papéis e objetivos na história. Primeiramente, fazemos uma análise completa do que são os arquétipos e como cada um é definido. O segundo passo é a criação de um instrumento argumentativo que denominamos Lente, para analisar narrativas sob a ótica dos arquétipos e, com base nos resultados, criar um modelo. O terceiro passo é aplicar esse novo modelo a trabalhos existentes de narratologia computacional e geração de enredo. Essa estratégia permite a análise crítica do uso de arquétipos para auxiliar na definição e percepção de uma trama. Decidimos usar a geração de enredo baseada em blending, porque esse tipo de geração de narrativa lida com uma situação complexa de geração de enredo. Neste trabalho, propomos incorporar vetores de peso arquetípicos nos operadores de planejamento automatizado que representam a história. Esses vetores são então ponderados usando a função dramática de cada arquétipo para ter um vetor arquetípico final representando o personagem. A criação da Lente busca padronizar a percepção e análise de narrativas. É fundamental que a metodologia de análise seja instrumentada, para usarmos seus resultados como reguladores dos pesos arquetípicos. Empregar a Lente do arquétipo em obras pode nos fornecer uma nova visão sobre a geração do enredo e a construção da narrativa. O resultado final de nossa pesquisa, aplicado no contexto de narrative blending, gera uma categorização dos arquétipos que cada personagem interpreta ao longo da narrativa. Esse resultado é apresentado de forma geral e episódica, para cada variante gerada. Essa categorização serve de base para analisarmos a qualidade da narrativa observando a relação de intenção e resultado.

Orientador: Prof. Dr. Bruno Feijó

Banca: 

Prof. Dr. Guilherme de Almeida Xavier

Prof. Dr. Augusto César Espíndola Baffa

Prof. Dr. Alberto Barbosa Raposo

Assista a defesa pelo link: https://puc-rio.zoom.us/j/98846304102?pwd=Q0k1Vms3ZFNJcjMvYS9UdnYrRWtNZz09

Autor: Daniel Cesar Bosco de Miranda

Orientador: Marcelo Gattass

Data e Hora: 28/04/2023 às 14:00

Autor: Taylor Oliveira Fidelis

Orientador: Hélio Côrtes Vieira Lopes

Data e Hora: 27/04/2023 às 14:00

Vamos falar de inteligência artificial generativa?

Muito tem se falado sobre as realidades sintéticas criadas pelas novas tecnologias baseadas em inteligência artificial. Na próxima palestra do projeto Conexão Rio Campinas, parceria do Lab. de IA Recod.ai, Instituto de Computação – Unicamp e Departamento de Informática PUC-Rio, será falado como nossa sociedade está vivendo essas realidades sintéticas criadas por tecnologias como Chat GPT, Mid journey, DallE 2, Stable Diffusion e tantas outras.

Na conversa, abordaremos indicadores que podem ser explorados para que possamos identificar e entender as criações e falsificações dos novos tempos, os desafios de pesquisa e as implicações em nossa sociedade.

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 Inteligência Artificial, na Ciência da Computação, em aprendizado de máquina, Ciência de Dados entre outros temas relevantes para profissionais, pesquisadores e a sociedade como um todo.

A palestra é aberta e você pode se inscrever em: https://lnkd.in/d-FzVz2H

Defesa de Tese de Doutorado da aluna  Ana Carla Gomes Bibiano.

Título da tese: On the Completeness of Composite Code Refactorings for Beneficial Smell Removal. 

Resumo: Code smells são problemas na qualidade estrutural interna. Refatoração é uma técnica comumente usada para remover code smells. Uma única refatoração é uma transformação simples que raramente é suficiente para ajudar os desenvolvedores a obter a remoção total de um code smell. Assim, os desenvolvedores freqüentemente aplicam refatorações compostas com o objetivo de remover completamente um code smell. Uma refatoração composta é formada por duas ou mais transformações de refatoração. Estudos relatam que desenvolvedores muitas vezes falham ao remover completamente code smells quando aplicam refatorações compostas. Uma refatoração composta é completa quando remove totalmente um code smell alvo da refatoração, caso contrário, é considerada incompleta. Uma vez que refatorações compostas são formadas por várias transformações de refatoração; eles podem degradar inadvertidamente outras partes do sistema de software. Por exemplo, mesmo uma refatoração composta completa pode introduzir outros code smells enquanto remove o code smell alvo da refatoração. No entanto, a literatura sobre refatorações compostas (in)completas e seus efeitos na qualidade estrutural é bastante escassa. A falta de conhecimento empírico dificulta a criação de sistemas de recomendação de refatorações para auxiliar adequadamente os desenvolvedores na realização de refatorações compostas completas eficazes, ou seja, transformações de código sem efeitos colaterais. Esta pesquisa de doutorado investiga como conceituar a (in)completude composta e quais são as refatorações compostas completas que podem remover totalmente code smells em um escopo de código específico. Investigamos 618 refatorações compostas em 20 sistemas de software. Descobrimos que 58% das refatorações compostas incompletas não degradaram a qualidade estrutural interna, e 64% das refatorações compostas completas são formadas por tipos de refatoração que não eram recomendados anteriormente na literatura. Criamos então um catálogo com quatro recomendações baseadas em refatorações compostas completas aplicados na prática. Avaliamos este catálogo a partir das percepções dos desenvolvedores. Estendemos a implementação de um sistema de recomendação de refatoração para sugerir refatorações compostas para a remoção de vários code smells, alertando os desenvolvedores sobre o efeito colateral de refatorações compostas na prática.

Orientador: Prof. Dr. Alessandro Fabricio Garcia 

Co-Orientador: Prof. Dr. Wesley Klewerton Guêz Assunção

Banca:

Prof. Dr. Jose Alberto Rodrigues Pereira Sardinha

Prof. Dr. Leonardo Gresta Paulino Murta

Prof. Dr. Marcos Kalinowski

Prof. Dr. Rohit Gheyi

Prof(a) Dr(a) Juliana Alves Pereira

Prof. Dr. Márcio de Medeiros Ribeiro

Assista a defesa pelo link: https://puc-rio.zoom.us/j/97780654458?pwd=KzNobExvMjV4L1ZNM2d4M3ZpcWp3QT09

Autor: Ana Carla Gomes Bibiano

Orientador: Alessandro Fabricio Garcia

Data e Hora: 24/04/2023 às 16:00