DCC/UFMG

Grandes Modelos de Linguagem (GMLs), baseados em técnicas de Inteligência Artificial, têm transformado o Processamento de Linguagem Natural (PLN), sendo referência em tarefas como classificação de texto, análise de sentimentos, sumarização e perguntas-e-respostas. No entanto, sua construção e adaptação exigem alto custo computacional, demandando infraestrutura especializada e grande consumo energético, o que acarreta impactos ambientais negativos, como a emissão de CO2. O modelo atual adotado pelos grandes players– baseado na “Lei do Mais” (mais dados, mais hardware, mais energia) – é insustentável e pouco viável para países com recursos limitados, como o Brasil, dificultando a competitividade internacional. Nessa palestra discutiremos alguns esforços sendo desenvolvidos pelo nosso grupo, incluído alguns baseados em Engenharia de Dados e IA generativa, para tratamento dessas questões, com o objetivo de aumentar a efetividade e a eficiência de modelos, ao mesmo tempo que reduz-se os custos computacionais e o consumo energético, contribuindo para um desenvolvimento mais sustentável e acessível.

Muito se fala sobre computação quântica: que ela vai revolucionar a tecnologia, quebrar toda a criptografia, curar doenças e talvez até fazer café. Mas o que exatamente é um computador quântico? Como ele funciona? E o que ele realmente pode — ou não pode — fazer? Nesta palestra, vamos apresentar os fundamentos da computação quântica de forma acessível, porém com rigor conceitual. Discutiremos as ideias centrais por trás do modelo quântico de computação — como superposição, entrelaçamento e interferência — e como elas se diferenciam da computação clássica que conhecemos. Também vamos abordar alguns mitos comuns: por exemplo, por que computadores quânticos não são simplesmente “computadores mais rápidos”, ou que façam computação paralela que explora todas as possibilidades ao mesmo tempo.A ideia é oferecer uma introdução clara e honesta, desmistificando a computação quântica sem tirar dela o fascínio que a torna uma das áreas mais empolgantes (e desafiadoras) da ciência da computação contemporânea.

Vivemos o momento mais transformador da história da computação e da humanidade, onde ondas tecnológicas estão convergindo: IA generativa, computação quântica, edge computing com 5G/6G, interfaces cérebro-computador, dentre outras.Esta convergência impressionante está criando oportunidades de pesquisa e inovação em novos campos, enquanto exige que aprimoremos de forma acelerada. Isso representa tanto oportunidades quanto desafios de adaptação: é essencial desenvolver “mindset de lifelong learning”, dominar fundamentos sólidos (algoritmos, matemática, estatística) e cultivar competências transversais como comunicação e ética tecnológica. O futuro não é algo que acontecerá em uma época distante. Ele já está sendo construído agora, e vocês podem escolher ser protagonistas dessa transformação histórica, surfando o tsunami tecnológico ao invés de serem arrastados por ele.

Dados privados têm cada vez mais sido usados em aplicações baseadas em aprendizado de máquina. Tais modelos podem estar sujeitos a ataques específicos que buscam violar a privacidade de indivíduos cujos dados participaram do conjunto de treinamento do modelo. Nesta palestra vamos abordar questões de privacidade de dados pessoais no contexto de sistemas baseados em aprendizado de máquina. Vamos descrever potenciais ameaças e ataques em modelos de aprendizado de máquina oferecidos como serviço (Machine Learning as a Service – MLaaS), bem como técnicas de proteção da privacidade na construção desses sistemas.

O principal objetivo desta palestra é apresentar os fundamentos essenciais do Aprendizado Federado (Federated Learning – FL), abordando as ferramentas e etapas necessárias para o desenvolvimento de aplicações e serviços voltados à Internet das Coisas (Internet of Things – IoT). Discutiremos o estado da arte em FL, destacando os desafios atuais e as perspectivas futuras para o avanço dessa área. O Aprendizado Federado é um campo de pesquisa emergente, repleto de oportunidades ainda inexploradas. Assim, encerraremos a palestra compartilhando alguns resultados das pesquisas conduzidas pelo nosso grupo, além de apontar áreas promissoras e em desenvolvimento nesse domínio.

LLVM é um conjunto de bibliotecas e ferramentas que facilitam o desenvolvimento de linguagens de programação. Várias linguagens populares hoje são construídas e compiladas via LLVM: C, C++, Rust e Julia, por exemplo. LLVM define uma representação intermediária de código (uma linguagem de montagem). Ao traduzir uma linguagem de alto nível para este código intermediário, tem-se acesso a uma vasta gama de análises estáticas e otimizações que já estão disponíveis em LLVM. Nessa palestra veremos como usar LLVM como uma ferramenta para compilar e visualizar programas, escreveremos código na representação intermediária, e desenvolveremos uma análise de código que pode ser acoplada àquela infraestrutura.

Há três fatores responsáveis pela revolução trazia pela inteligência artificial: (1) o constante aumento na capacidade computacional; (2) a acumulação de grandes volumes de dados gerando insights e possibilitando a criação de produtos orientados por dados; (3) o desenvolvimento da teoria de aprendizado estatístico e seus algoritmos. Este alinhamento de planetas permitiu um grande sucesso em tarefas desafiadoras, como o desenvolvimento de assistentes virtuais e chatbots, carros autônomos, tradução automática entre idiomas e a detecção precoce de anomalias não especificadas nos sinais vitais. Nesta apresentação, vou fornecer uma visão geral desses desenvolvimentos a partir de uma perspectiva histórica, concentrando-me na contribuição trazida pela Probabilidade e Estatística. Ilustrarei esta apresentação com exemplos de minha própria pesquisa.

Identificar e estudar a formação de pesquisadores ao longo dos anos é uma tarefa desafiadora, uma vez que os atuais repositórios de teses e dissertações são catalogados de forma descentralizada em diferentes bibliotecas digitais. Neste projeto, foi realizado um esforço visando a construção de um grande repositório para registro da genealogia acadêmica brasileira. Para isso, foram coletados dados da plataforma Lattes do CNPq, a partir dos quais foi desenvolvida uma ferramenta de busca voltada a usuários finais que permite gerar as árvores genealógicas acadêmicas dos pesquisadores brasileiros a partir dos dados coletados, fornecendo também dados adicionais sobre as principais propriedades dessas árvores que possibilitam identificar aspectos relevantes relacionados à trajetória acadêmica dos pesquisadores brasileiros.

A palestra terá por objetivo mostrar os desafios vivenciados por surdos no contexto específico de comunicação durante uma consulta médica e discutir a solução de tecnologia sendo desenvolvida no Projeto Captar-Libras para este contexto.