Painel: Inteligência Artificial e Data Science - Transformando o Mercado e a Academia
Horário e local: 26/04 (17:30 - 18:30) — Auditório
Resumo: Este painel irá abordar como a Inteligência Artificial (IA) e a Data Science estão promovendo transformações significativas no mercado e na academia. Iniciaremos com uma introdução aos conceitos fundamentais e aplicações práticas destas disciplinas em diversos setores, enfatizando o potencial de inovação e os desafios associados. Progredindo para uma análise de casos de sucesso e obstáculos enfrentados em pesquisas acadêmicas e implementações industriais, o painel proporcionará um entendimento equilibrado do impacto atual da IA e da Data Science. Concluiremos com um foco nas tendências emergentes e no futuro destas tecnologias, explorando as inovações mais recentes e como elas estão moldando novos caminhos para o avanço tecnológico, preparando os participantes para as oportunidades e transformações que esses desenvolvimentos trarão.
Autores
Douglas Barbonaglia
Douglas Barbonaglia atua como CTO e Cientista de Dados, com 18 anos de experiência no desenvolvimento de software e hardware, e em projetos envolvendo Machine Learning, Deep Learning e Data Mining. Ele possui um Professional Certificate em Inteligência Artificial pela University of Toronto, obtido em 2020, e é graduado em Engenharia da Computação pela UNIVALI/SC, formado em 2008. Douglas tem trabalhado em diversos projetos de Pesquisa e Desenvolvimento (PDI) nas áreas da ANEEL e ANP, focando em inovações para o setor energético. Ele também possui publicações em conferências internacionais como ICECET, ISGT e UPEC, onde abordou temas como detecção e rastreamento de faturamentos atípicos para redução de perdas não técnicas em companhias de distribuição. No campo da inovação, ele é titular de patentes, incluindo um "Método para Monitoramento da Condição do Óleo Lubrificante de Equipamento Industrial" e registrou o software "PIFA - Plataforma para Identificação de Faturamentos Atípicos"
Giancarlo Marchesini
Giancarlo Marchesini é pesquisador e líder da área de Inteligência Artificial do Instituto SENAI de Inovação em Sistemas Embarcados, em Florianópolis, é responsável por liderar projetos técnicos e desenvolver soluções inovadoras para a Indústria 4.0, utilizando técnicas avançadas de inteligência artificial. Sua experiência abrange algoritmos supervisionados e não-supervisionados, séries temporais, estatística, análise exploratória de dados, redes neurais artificiais, ensemble learning, aprendizado por reforço e MLOps. Possui graduação em Engenharia Elétrica pelo Instituto Federal do Espírito Santo e mestrado na Universidade Federal de Santa Catarina.
Manuel Osório Binelo
Formado em Ciência da Computação pela Universidade de Cruz Alta, Mestre em Modelagem Matemática pela Unijuí e Doutor em Engenharia de Teleinformática pela Universidade Federal do Ceará. Atualmente é professor da Unijuí nos cursos de graduação em computação e engenharias, e no Programa de Pós-Graduação em Modelagem Matemática e Computacional.
Matheus Serpa
Tech Lead de Ciência de Dados na DigiFarmz Smart Agriculture e Doutor em Computação pela Universidade Federal do Rio Grande do Sul (UFRGS). Especializou-se no desenvolvimento de produtos de dados, abrangendo desde a construção de pipelines eficientes para extração, validação e carregamento de dados até o desenvolvimento e implementação de soluções avançadas de machine learning, com foco na otimização e eficiência em ambientes empresariais. Possui Mestrado em Computação pela UFRGS, com um período sanduíche na Université de Neuchâtel, na Suíça. Além disso, é bacharel em Ciência da Computação pela Universidade Federal do Pampa (UNIPAMPA), onde adquiriu uma sólida base em teoria da computação, desenvolvimento de software e sistemas de informação.
Paulo Ricardo Lisboa de Almeida
Paulo Ricardo Lisboa de Almeida é professor no Departamento de Informática da UFPR e atualmente atua em pesquisas sobre Machine Learning aplicada a Cidades Inteligentes e a Fluxos de dados com Concept Drifts. Suas pesquisas influenciaram a criação de algoritmos e benchmarks usados pela comunidade de machine learning, como o dataset PKLot e o Framework Dynse usado para tratar fluxos de dados com concept drifts.
Rodrigo da Rosa Righi
Membro sênior da IEEE e membro sênior da ACM, bolsista de produtividade do CNPq e professor do Programa de Pós-Graduação em Computação Aplicada (PPGCA) da Universidade do Vale do Rio dos Sinos (Unisinos). Possui pós-doutorado, realizado no KAIST (Korea Advanced Institute of Science and Technology) - Coreia do Sul, com ênfase nas áreas de Internet of Things e Cloud Computing. Rodrigo possui experiência na coordenação e como integrante em projetos de pesquisa de cunho nacional e internacional, envolvendo empresas como Siemens, HT Micron Semicondutores e DELL Computadores. Possui uma produção acadêmica crescente com mais de 6000 citações segundo o Google Scholar, com um h-Index de 35 e i10-index de 85.
Aprendizado de Máquina e Computação de Alto Desempenho
Horário e local: 25/04 (14:30 - 16:00) — Laboratório G23
Resumo: A Inteligência Artificial é um campo que vem evoluindo radicalmente nos últimos anos. Ela tem se mostrado uma ferramenta com alto poder de capilaridade, sendo incorporada nas mais diversas áreas econômicas e sociais. Sua aplicação em áreas como automação, robótica, classificação de dados, reconhecimento de imagens e em sistemas especialistas já é bastante sólida, mas tem chamado a atenção sua aplicação em áreas relacionadas à subjetividade humana, como a criação de ilustrações, de textos e música. A principal metodologia para a criação de agentes inteligentes é baseada no aprendizado máquina, que consiste em apresentar uma série de exemplos a um sistema computacional. Esses exemplos frequentemente compreendem grandes volumes de dados, e o processo de aprendizagem é um método iterativo de otimização que precisa ser repetido muitas vezes sobre esse conjunto de dados. Essas características fazem com que o desenvolvimento de modelos de inteligência artificial dependam de computação de alto desempenho. Modelos de inteligência artificial mais complexos, como aqueles baseados em redes neurais artificiais com muitas camadas ocultas, empregam técnicas de aprendizagem profunda (deep learning). A aprendizagem profunda é um problema de otimização de alta ordem, que exige uma capacidade de processamento ainda maior. Muitos modelos de inteligência artificial são baseados em redes neurais artificiais, que são modelos matemáticos/computacionais inspirados em neurônios biológicos. Assim como sua fonte de inspiração, sua arquitetura é massivamente paralela, o que torna possível a aplicação de diversas técnicas de computação paralela para acelerar o processo de aprendizagem. Neste minicurso serão abordados os fundamentos do aprendizado de máquina, suas implicações quanto à computação de alto desempenho, e as principais técnicas empregadas nesse contexto. Serão explorados modelos computacionais, frameworks mais utilizados, e diversos trabalhos científicos do estado da arte.
Autores
Manuel Osório Binelo
Formado em Ciência da Computação pela Universidade de Cruz Alta, Mestre em Modelagem Matemática pela Unijuí e Doutor em Engenharia de Teleinformática pela Universidade Federal do Ceará. Atualmente é professor da Unijuí nos cursos de graduação em computação e engenharias, e no Programa de Pós-Graduação em Modelagem Matemática e Computacional.
Edson Luiz Padoin
Professor da Universidade Regional do Noroeste do Estado do Rio Grande do Sul (UNIJUI). Possui doutorado em Computação pela Universidade Federal do Rio Grande do Sul, incluindo um período sanduíche na Université de Grenoble Alpes, na França, e mestrado em Engenharia da Produção, com ênfase em Tecnologia da Informação, pela Universidade Federal de Santa Maria. Tem interesse nos seguintes temas: Eficiência Energética, Balanceamento de Cargas, Computação de Alto Desempenho em Arquiteturas Heterogêneas de Baixo Consumo, Sistemas operacionais e Distribuídos.
Processamento e Análise de Big Data e Aplicação de Algoritmos de Machine Learning através da utilização da Plataforma HPCC Systems
Horário e local: 26/04 (14:30 - 16:00) — Laboratório G23
Resumo: Ao longo do minicurso, os participantes terão a oportunidade de conhecer os conceitos essenciais de processamento e análise de volumes massivos de dados (Big Data) e o processo de desenvolvimento de um serviço de consulta fazendo uso da plataforma opensource composta por um Cluster Computacional de Alto Desempenho (HPCC Systems) e, também, a utilização de algoritmos de Aprendizado de Máquina, bem como terão a possibilidade de aplicar os conhecimentos adquiridos em um ambiente de treinamento disponibilizado em sala de aula. O curso requer apenas um computador com acesso à Internet e uma conta no GitHub.
Autores
Alysson Oliveira
Alysson Oliveira é engenheiro de software na LexisNexis Risk Solutions. Sua principal atuação gira em torno do suporte e desenvolvimento de programas de treinamento para a plataforma HPCC Systems no Brasil, abrangendo o público acadêmico, pesquisadores e profissionais da área da computação e de dados. Também buscar estabelecer parcerias com universidades a fim de oferecer aos alunos de graduação a oportunidade de trabalhar em projetos científicos.
