Linha de pesquisa: Sistemas de Computação

Resumo: Paradigmas emergentes, como "Slice-as-a-Service", exigem orquestradores para gerenciar recursos desde o início da operação da Slice, garantindo um controle eficiente sobre os acordos de nível de serviço. Além disso, o treinamento de aprendizado de máquina online em ambientes reais enfrenta desafios em complexidade, duração de treinamento, preocupações com segurança e rigidez do sistema. Esta dissertação tem como objetivo aprimorar e viabilizar o processo de treinamento de Aprendizado por Reforço para tarefas relacionadas à orquestração de recursos de serviços de nuvem, utilizando a Transferência de Aprendizado (TL). Um ambiente fonte foi construído, composto por um modelo de simulação do serviço, e o conhecimento adquirido em treinamento em simulação foi transferido para aprimorar o novo treinamento no ambiente do mundo real. Uma análise comparativa entre TL e métodos de treinamento tradicionais apresenta resultados positivos, incluindo uma redução substancial no tempo necessário para alcançar um desempenho razoável, melhorias de até 40% no desempenho inicial dos agentes e um aprimoramento de até 30% no desempenho geral durante as fases de treinamento e teste. Por fim, foi demonstrado que um agente treinado em simulação pode ser reutilizado diretamente no ambiente real sem treinamento adicional, produzindo resultados satisfatórios e consistentes.

Link para a defesa: https://teams.microsoft.com/l/meetup-join/19%3ameeting_OWY1OTE4YWYtNDAzZ...