Linha de pesquisa: Ciência de Dados

Resumo: 

Nos últimos anos, o uso da Inteligência Artificial (IA) experimentou um crescimento exponencial em diversos domínios da vida cotidiana, incluindo transporte, saúde e segurança.
No entanto, a atual implementação de concepção e implementação de serviços inteligentes torna desafiador aumentar o uso personalizado, organizado e em larga escala da IA, especialmente para lidar com tarefas complexas para criação de recursos inteligentes. Neste contexto, esta tese propõe e avalia uma Arquitetura de IA como Serviço (IAaaS) que visa abordar a falta de métodos atuais para implantar e fornecer serviços inteligentes
para dispositivos heterogêneos e múltiplos usuários. O principal objetivo deste projeto é pesquisar, desenvolver e validar uma Arquitetura de Inteligência Artificial como
um Serviço (IAaaS) que ofereça soluções e recursos baseados em IA sob demanda para usuários e aplicativos. Para isso, é levantada uma hipótese sobre a viabilidade e adequação de fornecer recursos de IA de forma simples no campo da visão computacional, permitindo o gerenciamento da entrega e incorporação de serviços cognitivos para dispositivos e usuários. Nesta tese, a hipótese foi deduzida e diferentes aspectos da arquitetura IAaaS foram validados. Foram exploradas as capacidades da arquitetura IAaaS para computação de borda, incluindo dispositivos convencionais e de baixo custo. Os resultados demonstraram que modelos de IA leves, apesar de sua simplicidade, são adequados para implantação em dispositivos de baixo custo, enquanto modelos mais profundos podem ser usados para tarefas de predição nesses dispositivos. Os resultados indicam que a estrutura de controle de inteligência de borda proposta facilita efetivamente a comunicação e gerencia o ciclo de vida de modelos de IA em um ambiente distribuído. Além disso, foi explorado o gerenciamento da plataforma, o treinamento de modelo e as funcionalidades de gerenciamento de conjuntos de dados por meio de experimentos que consideraram o aprendizado federado. A abordagem proposta fornece um ambiente flexível e escalável que suporta vários paradigmas de IA e permite a implantação e o gerenciamento eficientes de modelos em dispositivos heterogêneos, ao mesmo tempo em que equilibra a eficiência computacional com o desempenho do modelo. Por fim, foi demonstrada a funcionalidade do otimizador de modelo da arquitetura IAaaS usando otimização de hiperparâmetros com estratégias baseadas em Algoritmo Genético, Busca Aleatória e Otimização Bayesiana.
As descobertas estão alinhadas com o objetivo da Arquitetura IAaaS, que é fornecer aos usuários e aplicativos soluções e recursos inteligentes facilmente acessíveis. Ao incluir a otimização de hiperparâmetros, os usuários podem aproveitar as vantagens das instalações eficientes do AIaaS e criar classificadores de alto desempenho sem exigir configurações manuais extensas ou conhecimento especializado. Além disso, a abordagem facilita soluções de IA personalizadas e escaláveis, promovendo a inovação e acelerando a implantação de aplicações inteligentes em diversos contextos, tornando-a adequada para cenários do mundo real.

Link para a defesa: 

https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fl%2F...