O projeto tem como o objetivo o uso de aprendizado de máquina para detecção e diagnóstico de falhas em ativos industriais a partir de dados de vibração. O desenvolvimento contempla tanto modelos baseados em extração de features quanto modelos de aprendizado profundo. Em particular, têm sido investigadas novas metodologias de treinamento supervisionado, técnicas de adaptação de domínio e técnicas de aprendizado auto-supervisionado e semi-supervisionado. Além disso, também estão sendo exploradas técnicas de aprendizado não-supervisionado para identificação de diferentes modos de operação. Objetiva-se fornecer modelos e ferramentas que auxiliem analistas de vibração a otimizarem seu trabalho, devido ao alto fluxo de dados que existe na indústria.

Parceiros

Este projeto tem como objetivo o desenvolvimento e avaliação de modelos de aprendizado de máquina para segmentação e classificação de eletrocardiograma veterinário, os quais devem localizar todas as ondas presentes no sinal bem como detectar e classificar eventuais anomalias. Estes modelos atuam como auxiliares ao diagnóstico, agilizando o processo, assim como permitindo ao cardiologista a obtenção de informações temporais mais facilmente.

Parceiros

O aprendizado de máquina usando redes neurais profundas, também conhecido como aprendizado profundo (deep learning), tem demonstrado excelente desempenho em tarefas preditivas em diversas áreas de aplicação, tais como visão computacional, processamento de linguagem natural e processamento de áudio, e, mais recentemente, em tarefas de geração de imagens e textos, sobretudo com o advento dos grandes modelos de linguagem (LLMs), cujo impacto na sociedade tem sido disruptivo e amplo. Tais realizações são ancoradas principalmente no acesso a grandes volumes de dados e elevado poder computacional. Quando estas condições não são satisfeitas---ou quando um modelo é aplicado a dados com distribuição diferente daquela em que foi treinado---temos frequentemente um modelo com desempenho aquém do esperado, que comete erros considerados inaceitáveis. Para contornar este problema, tem havido crescente interesse em técnicas que permitam quantificar a incerteza de um modelo em uma determinada predição, permitindo que predições com alta probabilidade de estarem erradas sejam rejeitadas. Este projeto tem como objetivo investigar técnicas de estimação de incerteza para três tarefas de aprendizado: classificação de imagens, segmentação semântica e geração textual com LLMs. A metodologia de pesquisa contempla desde os fundamentos matemáticos até a avaliação em cenários realistas envolvendo mudança de distribuição e limitação de recursos, com atenção especial a aplicações na área da saúde, onde a qualidade das decisões tem importância crítica. As técnicas investigadas têm o potencial de contribuir para o desenvolvimento de soluções de inteligência artificial mais robustas, mais confiáveis, com melhor desempenho e menor custo de desenvolvimento.

Parceiros

O projeto visa criar modelos de previsão de irradiância solar a partir de imagens do céu, com o objetivo de diminuir o grau de incerteza associado à geração fotovoltaica e aumentar sua participação na matriz energética. Pode ser dividido em duas partes: 1) previsão do estado futuro, em que uma sequência de imagens de entrada é utilizada para se prever a imagem futura; 2) previsão da irradiância, em que se busca modelar a irradiância solar correspondente a uma imagem de entrada.

This project aims to enhance the accuracy and reliability of change detection in remote sensing imagery by developing advanced deep learning models. Initially, the first algorithm employing deep learning for change detection in wavelength-resolution synthetic aperture radar (WR-SAR) imagery has been created, achieving superior results over all existing methods. Building upon this, the approach was extended to utilize multitemporal stacks of WR-SAR images larger than two, which further reduced false alarms and improved detection performance. Additionally, a method using denoising diffusion models for multi-sensor optical image translation over large areas was developed, enabling precise domain adaptation and enhancing heterogeneous change detection tasks. Collectively, these efforts demonstrate significant advancements in remote sensing analysis, with the models outperforming state-of-the-art techniques and achieving promising results.

Parceiros

Este projeto teve como objetivo o desenvolvimento e avaliação de um modelo de aprendizado de máquina para reconhecimento de peças de roupas em imagens, capaz de localizar, segmentar e classificar cada peça de roupa presente na imagem. A motivação foi a necessidade de aprimorar uma ferramenta de busca capaz de encontrar imagens de roupas que satisfaçam determinados critérios especificados pelo usuário, tais como tipos e cores das roupas. Ao longo do projeto, foi possível expandir as possibilidades de indexadores, incorporando detalhes específicos das peças, além de elevar o desempenho da detecção. Em outra fase do projeto, foram desenvolvidas ferramentas para geração de imagens de moda condicionada a certas entradas fornecidas pelo usuário, tais como variações de estilo e aplicação de cores e estampas.

Parceiros

Lesões por pressão representam um sério problema para o sistema de saúde, impactando tanto os custos do tratamento quanto a qualidade de vida dos pacientes. Apesar disso, são predominantemente preveníveis ao serem identificadas em estágios iniciais. Na prática, a escala de Braden é uma ferramenta amplamente utilizada para classificação de pacientes em risco, aferida manualmente e portanto apresentando certo grau de subjetividade. Este projeto teve como objetivo o desenvolvimento e avaliação de um modelo de aprendizado de máquina que consiga prever a chance de que um paciente de UTI venha a desenvolver lesão por pressão durante a sua internação, utilizando para isso registros eletrônicos desse paciente, com a perspectiva de substituir ou complementar a escala de Braden. Em um primeiro estágio do projeto, também foi proposta uma simplificação da escala de Braden removendo duas subescalas mais subjetivas e, muitas vezes, mais difíceis de mensurar, tentando, desta maneira, reduzir o tempo da enfermagem e a chance de erros durante a aplicação da escala.

Parceiros

A atribuição de códigos CID (Classificação Estatística Internacional de Doenças e Problemas Relacionados com a Saúde) a registros clínicos eletrônicos é uma tarefa manual, cara e lenta, porém importante para fins de cobrança e organização de bancos de dados. Este projeto teve como objetivo o desenvolvimento de um modelo de aprendizado de máquina que, a partir de documentos de texto livre relacionados ao mesmo atendimento de um paciente de hospital (como sumário de alta, evoluções e anamnese física), consiga prever uma lista de CIDs atribuídas a este atendimento. Foram desenvolvidos modelos tanto para língua inglesa quanto para português brasileiro, superando o estado da arte até então.

Parceiros