Definir a resolução correta de imagem para digitalização de documentos é 
essencial para garantir a preservação precisa de todas as informações 
necessárias e, ao mesmo tempo, otimizar a eficiência de aquisição, o tempo 
de processamento, a demanda de armazenamento e a largura de banda de 
transmissão. É fundamental que a resolução de digitalização garanta que o 
documento digitalizado, quando impresso em alta resolução nas dimensões 
originais, mantenha integralmente as informações do documento original, de 
forma a propiciar a preservação e manutenção da informação. Apesar de sua 
importância para a Engenharia e Preservação de Documentos, os atuais 
padrões e recomendações de digitalização baseiam-se predominantemente em 
evidências experimentais e conhecimento empírico. Considerando esses 
parâmetros, a questão crucial “Qual é a resolução de digitalização mais 
adequada para documentos?” foi recentemente levantada pelo Professor George 
Nagy, um dos pesquisadores pioneiros na Engenharia de Documentos, 
destacando uma preocupação de longa data que não foi devidamente 
esclarecida pela comunidade de pesquisa. Este trabalho propõe uma resposta 
fundamentada nos princípios do teorema de Nyquist-Shannon da Teoria da 
Informação, esta abordagem tem por objetivo fornecer uma fundamentação 
teórica para a definição adequada da resolução na digitalização de 
documentos, de forma a assegurar a preservação das informações.

Inicializar uma isometria em um circuito quântico é uma tarefa fundamental, 
porém desafiadora, especialmente no contexto de preparação eficiente de 
estados e otimização de recursos. Neste trabalho, apresentamos uma análise 
comparativa da Decomposição de Householder aplicada à decomposição de 
isometrias, utilizando três métodos distintos de preparação de 
estado—Pivot, Merge e Low Rank. O estudo investiga como cada método impacta 
o desempenho da decomposição de isometrias, com foco em métricas-chave, 
como o número de portas CNOT e a profundidade do circuito. Para fornecer 
uma avaliação abrangente, analisamos variações no tamanho da matriz e nos 
níveis de esparsidade, capturando os efeitos da complexidade estrutural nos 
requisitos de recursos.
Nossos resultados mostram que o método de preparação de estado Merge 
geralmente supera as outras duas abordagens, especialmente em termos de 
escalabilidade e eficiência em portas lógicas. Com base nesses resultados, 
comparamos o método com melhor desempenho, Merge, com a implementação de 
decomposição de isometrias disponível no Qiskit, uma das bibliotecas de 
computação quântica mais amplamente utilizadas. A análise demonstra que, 
para isometrias envolvendo até 6 qubits, a implementação do Qiskit 
apresenta desempenho superior. No entanto, além desse limite, o método 
proposto revela-se mais eficiente, particularmente para isometrias 
altamente esparsas ou caracterizadas por um número reduzido de colunas.
Este trabalho destaca o potencial para otimizar decomposições de isometrias 
em cenários onde a esparsidade e restrições estruturais são fatores 
críticos. Esses resultados contribuem para o avanço das técnicas de 
preparação de estados e oferecem insights sobre como melhorar a eficiência 
de circuitos quânticos em aplicações de processamento de informação 
quântica.

Redes Neurais Dinâmicas são modelos de aprendizado profundo capazes de 
ajustar sua complexidade computacional durante a inferência, adaptando o 
uso de recursos de acordo com a dificuldade da entrada. Dentre essas 
abordagens, a técnica early exit se destaca por permitir que o modelo 
interrompa a inferência antecipadamente em amostras mais simples, reduzindo 
o tempo de processamento e o consumo de recursos sem comprometer 
significativamente a precisão. No entanto, sua aplicação em tarefas de 
detecção de objetos ainda é pouco explorada, especialmente devido à 
complexidade inerente ao reconhecimento simultâneo de múltiplos objetos e 
diferentes níveis de confiança em uma mesma imagem.
Este trabalho propõe uma abordagem inovadora ao adaptar a arquitetura 
Single Shot MultiBox Detector (SSD) com ramificações de saída antecipada, 
permitindo que amostras simples sejam processadas de forma mais eficiente, 
enquanto entradas mais complexas recebem uma análise mais aprofundada. Para 
isso, introduz-se um modelo auxiliar de predição do nível de dificuldade, 
fundamentado em uma metodologia de classificação de complexidade de 
amostras, aplicada a uma base de dados de detecção de objetos. Os 
experimentos foram conduzidos utilizando a base de dados KITTI, amplamente 
reconhecida no contexto de percepção para veículos autônomos por conter 
imagens de tráfego urbano, incluindo veículos, pedestres e ciclistas em 
diversas condições de oclusão e iluminação.
Embora a Precisão Média (mAP) obtida pela abordagem proposta tenha 
permanecido comparável ao modelo tradicional, os resultados experimentais 
evidenciaram uma redução significativa no tempo de inferência e uma 
utilização mais eficiente de recursos computacionais, incluindo uso de 
memória, ciclos de processamento e consumo energético. Essa otimização 
computacional é particularmente relevante em aplicações onde a capacidade 
de tomar decisões em tempo real é essencial para a segurança e eficiência 
do sistema, como veículos autônomos.

O IEEE 802.15.4 é um dos padrões mais utilizados pelas Redes de Sensores 
Sem Fio (RSSFs), sendo uma das principais normas para as redes LR-WPAN. 
Porém, as RSSFs enfrentam alguns desafios como a subutilização dos canais 
de frequência, e o desperdício de energia de seus dispositivos devido à 
colisão de pacotes e à escuta ociosa do canal. Além disso, muitos de seus 
protocolos perdem a oportunidade de utilizarem técnicas como Múltiplas 
Entradas e Múltiplas Saídas (MIMO) e Transmissão e Recepção de Múltiplos 
Pacotes (MPTR), que poderiam proporcionar grandes vantagens tais como a 
redução do atraso fim a fim e o aumento da capacidade de transmissão de 
dados. Portanto, faz-se necessário apresentar novos protocolos que 
solucionem estes desafios, e que sejam compatíveis com os critérios 
estabelecidos pela norma IEEE 802.15.4. Alguns protocolos MAC para RSSFs 
garantem a troca de pacotes de dados sem colisões com a utilização de 
técnicas como o TDMA, ao custo de uma maior latência da rede. Este trabalho 
apresenta um novo Protocolo MAC Multicanal Energeticamente Eficiente para 
Comunicação Muitos-para-Muitos (M2M-TEE) para RSSFs baseadas no padrão IEEE 
802.15.4, e que permite a transmissão e recepção simultânea de múltiplos 
pacotes de dados sem colisão, possibilitando a diminuição do atraso fim a 
fim em detrimento de um aumento discreto na sobrecarga (overhead) para 
intervalos entre chegadas de mensagens maiores. O M2M-TEE funciona em 
ciclos de trabalho com períodos de ativação e dormência das estações. A 
eficiência do M2M-TEE foi avaliada e comparada com outros protocolos 
correlatos, sendo eles o Protocolo MAC Energeticamente Eficiente e Livre de 
Colisões (DyTEE), o Sensor-MAC (S-MAC) e o Slotted ALOHA. As simulações 
foram realizadas por meio de eventos temporais discretos com base nos 
indicadores de consumo de energia, vazão (throughput), sobrecarga e 
latência. Também foi apresentado um modelo de consumo de energia para o 
protocolo proposto. Os resultados mostraram que, para um intervalo médio 
entre chegadas de mensagens igual ou próximo a zero, o M2M-TEE alcançou uma 
vazão 4,5 vezes maior, e uma latência média por mensagem 8 vezes menor se 
comparado com o protocolo DyTEE. Contudo, para um intervalo médio entre 
chegadas de mensagens maior que 2200𝑚s, a sobrecarga da rede é superior em 
relação aos demais protocolos. Como o M2M-TEE opera com fluxos simultâneos 
em múltiplos canais, o agendamento das transmissões torna-se mais extenso.

Em sistemas de armazenamento de dados em larga escala, os Sistemas de Gerenciamento
de Banco de Dados NoSQL são amplamente adotados por sua capacidade de fornecer melhor desempenho e disponibilidade. Uma característica importante é o suporte à consistência eventual, que permite uma inconsistência temporária de dados em algumas réplicas do banco de dados. Diferentes níveis de consistência podem ser adotados, permitindo ao projetista ajustar sua influência no desempenho e na disponibilidade do sistema. Embora algumas pesquisas proponham técnicas para estimar o impacto da consistência eventual no desempenho e na disponibilidade, o consumo de energia geralmente não é considerado. Este trabalho propõe um modelo baseado em redes de Petri estocásticas para estimar o consumo de energia de sistemas NoSQL que adotam a técnica de quorum. A abordagem avalia distintos níveis de consistência, fatores de replicação e operações de leitura e escrita. Os resultados experimentais demonstram que 𝑐𝑜𝑛𝑠 e 𝑅𝐹 podem afetar o consumo de energia em até 10%. Para um fator de replicação de 5 (RF=5), a diminuição do nível de consistência de 3 para 1 reduz o tempo de inatividade em 87,50% (de 0,72 para 0,09 horas) e reduz o consumo de energia em 2,72%. Reduzir o nível de consistência de 3 para 1 resulta em uma diminuição de aproximadamente 9% no consumo de energia, sem comprometer significativamente a disponibilidade do sistema. Esses resultados demonstram que o modelo proposto permite avaliar o consumo de energia, o tempo de inatividade e a latência, ajudando o projetista a escolher a configuração mais adequada para o sistema.

Esta dissertação analisa e propõe estratégias avançadas para a mitigação de 
ruídos em sistemas de comunicação por linha de energia (PLC, Power Line 
Communication) no contexto de redes elétricas inteligentes (smart grids) e 
da Internet da Energia (IoE, Internet of Energy). A pesquisa empregou 
técnicas de filtragem, como Filtro de Kalman e Média Móvel, comparando-as 
em cenários com ruídos impulsivos e estruturais severos. Os resultados 
obtidos demonstraram que ocorreu redução nos efeitos que os ruídos causam 
na comunicação, com melhorias médias de até 60% na relação sinal-ruído 
(SNR, Signal-to-Noise Ratio) e redução de picos de interferência em 70% nos 
ambientes mais críticos. O Filtro de Kalman mostrou-se superior ao lidar 
com variações abruptas e ruídos não-gaussianos, enquanto o Filtro de Média 
Móvel destacou-se em ambientes estáveis com ruídos de alta frequência. A 
análise foi validada utilizando dados reais, como o Fühler-im-Netz (FiN): A 
Smart Grid and Powerline Communication Dataset, abrangendo medições em 
redes de baixa tensão, e os resultados destacaram a importância de métodos 
adaptativos para a integridade do sinal. A correlação observada entre a SNR 
e os mapas de tonalidade evidenciou a eficácia das técnicas aplicadas, com 
melhoria de até 40% na utilização de frequências disponíveis. A pesquisa 
enfatiza que as abordagens híbridas e inteligentes são fundamentais para 
enfrentar desafios de comunicação em redes PLC, permitindo maior 
confiabilidade e eficiência na operação de smart grids e na integração de 
fontes de energia renovável.

Este trabalho visa aprimorar a gestão do consumo de energia da unidade de 
captação e transporte de água EEAB Duas Unas, da Compesa. Diante do 
crescimento médio global de 3,4% na demanda por energia elétrica e do 
impacto do setor de saneamento, onde a Compesa respondeu por 4,3% do 
consumo de Pernambuco em 2022, desenvolveu-se um sistema integrado de 
medição, monitoramento e previsão energética. Implementou-se um medidor IoT 
para coletar tensão e corrente, processar e disponibilizar dados em tempo 
real via interface Web. Além disso, um modelo preditivo baseado em deep 
learning, utilizando transfer learning, concatenação de datasets, LSTM uni 
e multivariável e ensemble learning, foi desenvolvido para previsão 
multistep do consumo nos próximos três meses. Os hiperparâmetros do modelo 
são otimizados através do algoritmo PSO. O modelo recebe dados históricos 
coletados pelo medidor IoT para realizar as previsões. Os resultados 
demonstram alta precisão: o MAPE do medidor IoT na coleta e cálculo do 
valor RMS da tensão e corrente foi de 0.5% e 1.1%, enquanto a acurácia para 
ambas as métricas foi de 100% para o erro de até 5%. O modelo preditivo 
reduziu o MAPE em 40% e aumentou a acurácia em 600% para um erro de 5%, 
quando comparado ao modelo de referência. Os erros acumulados foram de 
3,72%, 0,32% e 0,32% no primeiro, segundo e terceiro mês, respectivamente, 
comparados aos dados reais. O sistema foi validado por um modelo de 
emulação HIL, comprovando sua capacidade de medição, processamento, 
predição e adaptação ao consumo real da EEAB Duas Unas.

Energia solar é uma das fontes de energia renováveis e abundantes do 
planeta. Seu uso ocorre desde o século XIX, sendo considerado uma excelente 
alternativa tanto em larga escala, nomeada comumente de centralizada, 
quanto de forma individualizada para domicílios, empresas e outros 
estabelecimentos, conhecida como distribuída. A maioria dos lugares do 
mundo possui um potencial gigantesco, variando entre 3,5 até 7 $kWh/m^2. 
Porém, embora seja abundante, limpa e disponível virtualmente em todo o 
planeta, a energia solar sofre de um grande problema: sazonalidade. A 
produção energética em sistemas fotovoltaicos depende principalmente da 
irradiância solar incidente no plano do módulo, composta por irradiância 
direta (proveniente do disco solar), irradiância difusa (resultado do 
espalhamento atmosférico) e albedo (radiação refletida pelo solo ou 
superfícies próximas), cuja soma determina a irradiância total no módulo. 
Além disso, a temperatura das células influencia diretamente a eficiência 
do sistema, sendo estimada a partir de variáveis como temperatura ambiente 
e velocidade do vento. Características físicas do módulo, como corrente, 
tensão, sombreamento, sujidade e ângulo de inclinação, também impactam o 
desempenho energético, tornando a energia solar variável e consequentemente 
pouco confiável. Como resposta a essa problemática, esta pesquisa propõe 
uma rede de sistemas embarcados para prever a produção de energia em um 
período curto de 8 horas. A solução possui uma tríplice estrutura: um 
embarcado conectado ao painel fotovoltaico para sensorear índices físicos e 
enviar dados; uma central que recebe essas informações, coleta dados 
meteorológicos adicionais e ativa um modelo de aprendizagem de máquina 
baseado em Deep Learning, com arquitetura LSTM (Long Short-Term Memory). 
Essa tríplice permite gerar informações a curto prazo para diversas 
decisões: utilizar energia solar, ligar geradores, economizar energia, 
entre outras. A grande contribuição deste estudo reside na capacidade de 
fazer tudo isso remotamente, sem intervenção da internet, num sistema 
barato e com modelo de IA diretamente embarcado na central, oferecendo um 
alicerce para novos modelos de previsão e sensoriamento de painéis solares.

A entrada de novos profissionais no mercado de trabalho de Computação está 
cada vez mais competitiva, exigindo inúmeras competências técnicas, 
não-técnicas e experiência prática. Na Academia, por um lado, a formação 
ainda possui um viés majoritariamente técnico e teórico, limitando o 
estudante quanto às demandas exigidas pelo mercado, além de não cativar o 
seu interesse. Por outro lado, os docentes precisam se adaptar 
constantemente aos avanços tecnológicos, enquanto mantêm o engajamento 
discente e os preparam para o mercado de trabalho, ao mesmo tempo em que 
lidam com as limitações estruturais, sobrecarga de turmas com números 
excessivos de alunos e a cobrança contínua por resultados. Diante disso, as 
metodologias ativas de ensino surgem para superar lacunas na formação, com 
abordagens de ensino compatíveis à necessidade do mercado de trabalho. Este 
estudo, portanto, visa avaliar a efetividade de uma dessas metodologias, 
baseada no modelo PBL (Problem-Based Learning), por meio de uma análise 
longitudinal ex post facto em dezessete turmas de uma disciplina do curso 
de Sistemas de Informação de uma universidade pública brasileira. A partir 
de dados coletados por meio do uso do modelo de avaliação PBL-SEE, os 
resultados evidenciam a efetividade sob os três níveis: Aluno (com cinco 
dimensões), Metodologia e Ensino. A análise considerou o desenvolvimento de 
competências não-técnicas dos discentes, o domínio técnico dos conteúdos, a 
satisfação do cliente, a condução e a gestão dos projetos e a qualidade das 
soluções propostas, no nível do Aluno, além da maturidade metodológica e a 
avaliação do ensino nos outros dois níveis. Os estudantes apresentaram 
evolução entre o primeiro e último ciclo de aprendizagem nas cinco 
dimensões do seu nível, com destaque para um crescimento de 16,4% na 
dimensão de Processo. Quanto às competências não-técnicas, Colaboração, 
Comprometimento e Avaliação foram as mais evidenciadas, enquanto a 
Inovação, Planejamento e Autoiniciativa foram as mais desafiadoras. A 
Metodologia aplicada demonstrou uma alta maturidade classificada como 
“Satisfatória”, com valor médio de 8,92 (em escala de 0 a 10) na aderência 
aos princípios do PBL entre as turmas avaliadas. O Ensino também foi 
classificado como “Bom”, com média de 4,55 (em escala de 1 a 5) nos 15 
aspectos avaliados. Por fim, a partir da percepção dos discentes, uma 
análise qualitativa em 142 pontos fortes e 79 pontos de melhoria traz 
considerações para o aprimoramento das práticas docentes e para o aumento 
da maturidade metodológica nas futuras aplicações.

Ao ler um texto, um ser humano capta elementos estruturais que indicam sua 
funcionalidade: é um texto informativo? de humor? literário? Foi assim 
desde a consolidação da linguagem escrita e não há indícios de mudança 
neste caminho. Com a popularização da internet, ainda novos gêneros 
textuais, com outras funcionalidades, somaram-se à gama de funções 
possíveis para o texto escrito. Especificamente, desde 2016 notícias 
escritas com o objetivo de distorcer ou fabricar fatos vêm sendo publicadas 
e distribuídas de maneira sistemática dentro de estratégias de marketing 
político. Por isso, entende-se que as chamadas fake news são um gênero 
textual habitante do meio digital com origens analógicas, na forma notícia 
do jornalismo tradicional. Longe de ser um fenômeno inédito, ele se 
apresenta de forma renovada em um novo ambiente. Do jornal impresso para 
plataformas online, agora as notícias falsas são distribuídas em massa e 
precisam ser combatidas automaticamente com ferramentas computacionais. 
Nesse cenário, a tarefa de detecção de notícias falsas é complexa e vem 
sendo abordada crescentemente e por diversas estratégias. Este trabalho 
explora a mineração de texto como metodologia para entender as 
potencialidades de uma dessas estratégias, a detecção estilística. Volta-se 
o olhar para as consagradamente descartadas stopwords e pontuações, de modo 
que, ao caminhar junto aos dados com o auxílio das etapas da CRISP-DM, 
analisaremos a presença de conectivos e, por que não, das interrogações e 
exclamações tão típicas das fake news. Os experimentos usam modelos de 
aprendizagem clássica e ensemble, e incorporam os datasets Fake.br (em 
português) e ISOT (em inglês) representados por extratores de 
característica basedos em frequência (TF-IDF) e contextuais (XLM, 
XLM-RoBERTa, BERT). O TF-IDF é usado para computar diferentes tipos 
de "tokenização", inclusas a BPE, SentencePiece e WordPiece, dos 
respectivos LLMs escolhidos. Os resultados obtidos indicam que explorar 
esta forma não-usual de pré-processamento e considerar diferentes tipos 
de "tokenização"e extração de características pode contribuir para a tarefa 
de detecção de fake news, pois, por ora, são textos que se adequam a ou se 
espelham na forma notícia jornalística.

A transparência é um dos pilares fundamentais do framework ágil Scrum, 
sendo essencial
  para a visualização e compreensão do projeto. A literatura aponta que, na 
área de ciência da computação, há necessidade de mais pesquisas e soluções 
práticas relacionadas à transparência. O framework Scrum possui como base a 
transparência e é aplicado a diversos projetos de desenvolvimento de 
software, onde alguns desses projetos enfrentam dificuldades na 
implementação do Scrum, resultando em problemas como falhas na comunicação 
e no planejamento, diretamente relacionados à falta de transparência. 
Considerando esse contexto, este trabalho investigou profissionais 
experientes em projetos de desenvolvimento de software que utilizam o 
framework Scrum, para compreender quais práticas, dificuldades e 
necessidades relacionadas à transparência estão presentes nesses projetos. 
O principal objetivo da pesquisa foi elaborar um catálogo de boas práticas 
para promover a transparência nesse cenário. Para atingir esse objetivo, a 
pesquisa foi estruturada em duas fases: Elaboração e Avaliação. Na fase de 
elaboração, foram realizadas dez entrevistas com profissionais experientes 
na utilização do framework Scrum. Na fase de avaliação, o catálogo foi 
aprimorado por meio de um member checking, seguido por uma etapa de 
refinamento e a aplicação de um Survey. Esse processo resultou no 
refinamento do catálogo, composto por 44 práticas e seus possíveis 
benefícios para o projeto.

Com a crescente adoção de modelos de linguagem de larga escala (LLMs) em 
tarefas especializadas, surge a necessidade de compreender como orientar 
esses sistemas para produzir resultados juridicamente válidos e adaptados a 
contextos específicos. Este estudo se insere nesse cenário, investigando 
como técnicas de engenharia de prompt podem otimizar a geração automatizada 
de políticas de privacidade alinhadas à LGPD no contexto de empresas SaaS. 
A pesquisa adota a metodologia de Design Science Research (DSR), 
estruturada em quatro etapas principais. Inicialmente, realizou-se uma 
revisão da literatura sobre inteligência artificial generativa, LGPD e 
GDPR, políticas de privacidade, empresas SaaS e engenharia de prompt, 
visando identificar lacunas e estabelecer fundamentos conceituais sólidos. 
Em seguida, políticas de privacidade geradas por ferramentas automatizadas 
(APPGs) foram analisadas com o apoio de profissionais jurídicos 
especializados, estruturando critérios comparativos de qualidade e 
conformidade. A terceira etapa envolveu a aplicação de um prompt em 
linguagem natural, com ciclos iterativos de design e avaliação do artefato 
em uma empresa SaaS. Por fim, realizou-se uma análise crítica dos desafios 
técnicos e éticos com especialistas em privacidade e proteção de dados. Os 
resultados confirmaram o potencial da abordagem, destacando lacunas na 
aplicação da IA generativa e da engenharia de prompt em contextos 
regulatórios, enquanto a política final, gerada através da aplicação do 
artefato, superou as APPGs em clareza, completude e conformidade. A 
pesquisa avança o campo da engenharia de prompt com uma metodologia DSR 
adaptável, contribuindo para o diálogo interdisciplinar entre tecnologia e 
direito.

A “Corrida Global pela IA” incentivou uma estratégia conhecida como “IA
para a sociedade”. Um dos principais resultados dessa estratégia foi o
Regulamento Geral de Proteção de Dados (GDPR), uma regulamentação europeia
aplicada em 28 de maio de 2018, que estabeleceu o “direito à explicação”.
Essa regulamentação contribuiu significativamente para o avanço da
Inteligência Artificial Explicável (XAI). Em meio a essas inovações
tecnológicas, o mercado de ativos digitais, conhecidos como criptomoedas,
se beneficiaram de pesquisas sobre sistemas de trade com Inteligência
Artificial (IA) e Aprendizado de Máquina (AM). No entanto, esses sistemas
frequentemente dependem de modelos caixa-preta, tornando a explicabilidade
um aspecto crucial. Nesse contexto, este trabalho aplica modelos de
Aprendizado de Máquina especificamente desenhados para Classificação de
Séries Temporais (CST) e propõe um novo método híbrido que fornece
explicações baseadas em séries temporais. Após a coleta de dados de Bitcoin
e outras criptomoedas de uma exchange, os dados são processados e treinados
utilizando modelos de AM tabular, modelos de AM para séries temporais e
modelos de Aprendizado Profundo (AP). O estudo avalia incerteza,
performance dos modelos e a explicabilidade por meio de um modelo híbrido
de explicabilidade, que combina COMTE (método contrafactual de explicação
para CST) e LEFTIST (método baseado em ondaletas que fornece a importância
de cada janela de tempo). Os resultados mostram que o modelo de CST MRSQM
obteve um desempenho robusto, enquanto os modelos AM tabular não
apresentaram diferenças significativas em relação aos modelos de CST. No
entanto, os modelos de AP tiveram um desempenho fraco, especialmente no
segundo experimento. A análise de incerteza revelou diferenças notáveis na
estimativa de incerteza dentre os modelos, e o modelo híbrido de
explicabilidade COMTE-LEFTIST conseguiu fornecer explicações híbridas com
sucesso. O modelo híbrido teve um desempenho particularmente bom no
primeiro experimento, que focou em séries temporais univariadas, já no
segundo experimento, envolvendo múltiplas séries temporais em formato
tabular, apresentou desafios adicionais. Em conclusão, este trabalho está
entre os primeiros a aplicar métodos de CST ao Bitcoin e a diferentes
criptomoedas, além de propor um método híbrido de explicação para CST,
incentivando pesquisas e desenvolvimentos adicionais na área.

Esta dissertação examina o papel dos indicadores de análise técnica (AT) como variáveis engenheiradas em pipelines de machine learning financeiro para desenvolvimento de estratégias

de trading, contrastando seu desempenho com modelos que se baseiam exclusivamente em dados brutos de mercado (candles e informações de order book). O trabalho está estruturado conforme o seguinte sumário: o Capítulo 1 apresenta objetivos, hipóteses e revisão bibliográfica; o Capítulo 2 aborda mercados, instrumentos cripto, métodos de AT, paradigmas de ML e desafios de séries temporais; o Capítulo 3 detalha fontes de dados, pré-processamento (retornos logarítmicos, transformação de Yeo–Johnson), construção de variáveis (brutas vs AT) e o fluxo experimental; o Capítulo 4 descreve o desenvolvimento e a seleção de modelos e identifica o melhor pipeline de classificação com AT; o Capítulo 5 converte as previsões do modelo em regras de trading, implementa backtests (divisão de dados, testes walk-forward, modelagem de custos e slippage, otimização de parâmetros) e avalia o desempenho da estratégia; e o Capítulo 6 discute os principais achados, limitações e direções futuras. O conjunto de dados deste estudo é composto pelas criptomoedas de maior capitalização de mercado, garantindo uma avaliação robusta em condições voláteis. Os experimentos demonstram que os indicadores de AT melhoram a acurácia de classificação fora da amostra e promovem um agrupamento mais coeso dos regimes de mercado. Além disso, verificou-se que os dados permitem gerar alfas em backtests sem custos que superam as linhas de base com variáveis brutas. Contudo, quando são incorporados custos de transação realistas e slippage, esses retornos excedentes desaparecem, evidenciando consistência com a Hipótese de Mercado Eficiente em sua forma fraca. Nossos resultados sugerem que, embora as variáveis de AT possam aprimorar o aprendizado do modelo, elas não se traduzem em lucros de trading persistentes após custos, oferecendo insights críticos para pesquisadores e profissionais que visam desenvolver estratégias de engenharia de variáveis em mercados cripto voláteis.

O presente trabalho busca entender como técnicas mais recentes de inteligência artificial generativa—como os Modelos de Linguagem de Grande Escala (LLMs) e
a Geração Aumentada por Recuperação (RAG) podem ser aplicadas no diagnóstico
de doenças em plantas. O estudo envolve a criação do LIMMO, um agente conver-
sacional multimodal pensado para ajudar agricultores familiares por meio de conver-
sas em linguagem natural e também pelo envio de imagens. Combinando modelos
avançados de linguagem, análise de imagem com redes neurais e recuperação de in-
formações especializadas, o sistema tenta lidar com alguns dos principais desafios do
campo, como a falta de acesso a dados confiáveis e a dificuldade de conseguir apoio
técnico em tempo real. Ao longo do trabalho, é feito um panorama sobre a evolução
da IA generativa, as formas de avaliar esses modelos, e as ferramentas que estão
surgindo para facilitar esse tipo de aplicação. A metodologia propõe uma abordagem
que mistura análise de imagem e voz com mecanismos de busca por conhecimento
especializado, buscando tornar as respostas mais precisas e úteis para quem usa. O
protótipo foi testado e avaliado por usuários, e os resultados mostram que esse tipo
de solução tem potencial para tornar o conhecimento técnico mais acessível e apoiar
melhor as decisões no campo, principalmente em contextos com poucos recursos. Os
testes indicam que é possível unir IA generativa com saber agronômico de forma efi-
caz, mesmo que ainda existam desafios, como a qualidade dos dados, a forma como
as pessoas interagem com o sistema e a possibilidade de escalar a solução. Para o
futuro, o trabalho aponta caminhos que envolvem adaptar melhor o sistema ao con-
texto dos usuários, considerar questões éticas no uso da tecnologia, e acompanhar a
rápida evolução da IA para continuar respondendo aos problemas reais da agricultura.

A crescente facilitação do acesso à justiça no Brasil tem resultado em um
aumento exponencial da demanda processual, impondo desafios significativos
para magistrados e servidores judiciários. Embora a mineração de processos
ofereça potencial para identificar gargalos operacionais e otimizar fluxos
de trabalho nos tribunais, sua adoção permanece limitada devido à
complexidade técnica das ferramentas existentes e à escassez de interfaces
intuitivas para profissionais jurídicos sem formação especializada em
análise de dados.
Esta pesquisa investigou a aplicação de Large Language Models (LLMs) como
interfaces cognitivas para democratizar o acesso à mineração de processos
no contexto judicial brasileiro. O estudo empregou dados estruturados da
plataforma Judiciário & Mineração de Processos (JuMP), desenvolvida em
parceria entre o CNJ e a UFPE, utilizando logs de eventos e artefatos
derivados de cinco unidades jurisdicionais para avaliar comparativamente
duas estratégias de interação: engenharia de prompts diretos e uma
arquitetura baseada em agentes inteligentes que integra LLMs com
ferramentas computacionais auxiliares.
A metodologia experimental envolveu a utilização sistemática dos modelos
proprietários GPT-4o e Gemini 2.0 Flash, submetidos à avaliação mediante um
conjunto de questões analíticas co-projetadas com especialistas do domínio
jurídico. Os critérios de avaliação abrangeram clareza do raciocínio,
aderência contextual, ausência de alucinações e precisão numérica. Os
resultados evidenciaram superioridade significativa da estratégia baseada
em agentes sobre a interação direta, demonstrando maior capacidade de
processamento de datasets volumosos, execução de raciocínio multi-etapas e
resolução de computações complexas, enquanto a abordagem direta revelou-se
adequada exclusivamente para consultas de menor complexidade computacional.
Não obstante a estratégia baseada em agentes tenha apresentado desempenho
consistentemente superior em tarefas de agregação e computações
condicionais, nenhuma das abordagens alcançou precisão absoluta em
consultas de elevada complexidade temporal e lógica. Conclui-se que os
LLMs, particularmente quando implementados em arquiteturas de agentes
inteligentes com acesso a ferramentas externas, constituem uma solução
tecnologicamente viável para democratizar a mineração de processos entre
profissionais judiciários, contribuindo substancialmente para a
transformação digital do sistema judicial brasileiro e fomentando a tomada
de decisões fundamentada em evidências empíricas.

A detecção automatizada de Equipamentos de Proteção Individual (EPIs) em ambientes
industriais representa um desafio significativo devido aos altos custos e tempo
demandado para anotação manual de dados. Este trabalho investigou a eficácia de
métodos de aprendizado semi supervisionado como alternativa ao aprendizado totalmente
supervisionado para detecção de EPIs, visando responder qual abordagem apresenta
melhor relação custo-benefício. A metodologia experimental foi conduzida em ambiente
industrial real, utilizando 50.088 imagens capturadas em uma indústria para detecção de
quatro classes: capacete, colete, pessoa e abafador tipo concha. Foram implementadas
estratégias de anotação parcial com 10% e 20% dos dados, aplicando técnicas de
pseudo-labeling através da arquitetura YOLOv8. Os resultados foram avaliados mediante
validação cruzada com k=10 repetições e análise estatística usando testes de Friedman e
Nemenyi. Os modelos semi supervisionados demonstraram performance comparável ao
totalmente supervisionado, com diferenças controladas nas métricas principais: mAP@0.5
de 0.971 (10%) e 0.979 (20%) contra 0.986 (100%), e mAP@0.5:0.95 de 0.767 (10%) e
0.771 (20%) contra 0.805 (100%). A abordagem semi supervisionada resultou em
economia substancial de tempo de anotação, reduzindo de 77 para 11 e 23 dias o
processo manual. Os resultados indicam que métodos semi supervisionados constituem
alternativa viável e economicamente vantajosa para desenvolvimento de sistemas de
detecção de EPIs, mantendo eficácia técnica com significativa redução de recursos
humanos especializados.

Ataques Zero-Day representam uma das maiores ameaças à segurança cibernética
atual, pois exploram vulnerabilidades desconhecidas no momento da execução, tornando-se
invisíveis a sistemas de detecção tradicionais baseados em assinaturas ou aprendizado
supervisionado. A escassez de dados rotulados, a elevada variabilidade do tráfego de rede e as restrições computacionais em ambientes como IoT (Internet of Things) e IIoT (Industrial
Internet of Things) agravam esse desafio. Diante desse cenário, esta dissertação propõe uma abordagem unificada e de baixo custo computacional para a detecção de ataques Zero-Day em ambientes realistas e heterogêneos.
A proposta é estruturada em duas fases complementares. Na primeira, apresenta-se o
HSAE (Hybrid Semi-Supervised Autoencoder), um modelo híbrido de aprendizado profundo
com saída auxiliar supervisionada. O HSAE é treinado exclusivamente com tráfego benigno,
permitindo identificar anomalias por meio da combinação entre erro de reconstrução e uma
pontuação auxiliar supervisionada gerada via pseudo-rótulos. Essa abordagem reduz a
dependência de dados rotulados e permite a detecção de padrões anômalos em contextos não supervisionados.
Na segunda fase, o trabalho propõe um ensemble que aprimora os resultados do
modelo isolado. Após o treinamento do HSAE, suas representações latentes são extraídas,
reduzidas por PCA (Principal Component Analysis) e utilizadas como entrada para um
classificador One-Class SVM, modelando a normalidade do tráfego com mais precisão. O
resultado é um score combinado, construído a partir do erro de reconstrução do HSAE e da
pontuação da OCSVM, que melhora a discriminação entre tráfego benigno e malicioso,
reduzindo significativamente a taxa de falsos positivos (FPR) sem comprometer a acurácia.
A metodologia é avaliada com os conjuntos de dados CICIDS2017 e ToN_IoT, ambos
amplamente utilizados na área de segurança cibernética, simulando cenários realistas e
ataques não vistos (Zero-Day). Os testes são realizados com divisão estratificada,
normalização z-score aplicada apenas ao conjunto de treino, e uso de métricas como
AUC-ROC, precisão, recall, F1-Score, FPR, tempo de detecção e consumo de memória.

Este trabalho investiga a eficácia de modelos de machine learning na previsão da direção do preço do Bitcoin em múltiplos horizontes de tempo. Treinamos modelos para classificar os movimentos de preços como sinais de compra, venda ou manutenção, utilizando características técnicas, fundamentais e de séries temporais. Nossa metodologia integra engenharia de características, dados da Binance e CoinMetrics, e uma avaliação comparativa de XGBoost, máquina de vetores de suporte (SVM), regressão logística e random forest.

Os resultados mostram que as séries temporais e os indicadores técnicos são especialmente eficazes em horizontes mais curtos. Entre os modelos, o XGBoost consistentemente alcançou desempenho superior tanto em acurácia de classificação quanto em lucratividade de negociação. Estratégias de negociação simuladas baseadas nas previsões do modelo superaram notavelmente uma referência de "comprar e manter" (buy-and-hold), atingindo retornos cumulativos de 347% e 607% para horizontes de 3 e 30 dias, respectivamente, mantendo Sharpe ratios competitivos.

A normalização (scaling) de conjuntos de dados é uma etapa essencial de 
pré-processamento em um pipeline de aprendizado de máquina. Ela visa 
ajustar as escalas de atributos de forma que todos variem dentro do mesmo 
intervalo. Essa transformação é amplamente reconhecida como necessária para 
melhorar o desempenho dos modelos de classificação, mas muito poucos 
estudos verificam empiricamente essa relação. Como primeira contribuição, 
esta tese compara os impactos de diferentes técnicas de scaling (STs) no 
desempenho de vários classificadores. Seus resultados mostram que a escolha 
da técnica de scaling importa para o desempenho da classificação, e a 
diferença de desempenho entre a melhor e a pior técnica é relevante e 
estatisticamente significativa na maioria dos casos. No entanto, há várias 
STs para escolher, e o processo de encontrar manualmente, por tentativa e 
erro, a técnica mais adequada para um determinado conjunto de dados pode 
ser inviável.
Como alternativa, propomos empregar meta-aprendizagem para selecionar 
automaticamente a melhor ST para um determinado conjunto de dados. 
Portanto, em nosso segundo estudo, propomos o Meta-scaler, um framework que 
aprende e treina um conjunto de meta-modelos para representar a relação 
entre meta-características extraídas dos conjuntos de dados e o desempenho 
de um conjunto de algoritmos de classificação nesses conjuntos de dados 
quando eles são normalizados com diferentes técnicas. Esses meta-modelos 
são capazes de recomendar uma única ST ótima para um determinado conjunto 
de dados de consulta, levando em consideração também o classificador de 
consulta. O Meta-scaler produziu melhor desempenho de classificação do que 
qualquer escolha de uma única ST para 10 dos 12 modelos base testados e 
também superou os métodos de meta-aprendizagem do estado da arte para 
seleção de ST.
Finalmente, em nosso terceiro estudo, propomos o Meta-scaler+, onde 
estendemos a funcionalidade do Meta-scaler, eliminando suas limitações ao 
introduzir um método inovador de caracterização de classificadores, o 
Classifiers' Space, que nos permite combinar dinamicamente meta-modelos 
para recomendações especializadas de ST  para qualquer classificador e 
conjunto de dados. Apesar da flexibilidade adicional, o desempenho do 
Meta-scaler+ é competitivo com o Meta-scaler e superior a outras soluções 
do estado da arte. Para as próximas etapas do desenvolvimento desta 
pesquisa, investiremos na melhoria da representação do conjunto de dados 
(meta-recursos), melhorando a inicialização do Classifiers' Space e 
tornando o Meta-scaler+ uma ferramenta prática e acessível, permitindo sua 
integração com bibliotecas populares de aprendizado de máquina.

Estudos indicam que, desde os seis anos, as crianças desenvolvem percepções 
estereotipadas sobre áreas de conhecimento consideradas "apropriadas" para 
cada gênero, o que pode levar as meninas a duvidar de sua capacidade 
intelectual. A exposição precoce a currículos STEM pode contribuir para a 
redução desses estereótipos e para o aumento do interesse feminino na área. 
No entanto, no Brasil, a maioria das iniciativas STEM voltadas para o 
público feminino concentra-se no ensino médio e superior. Com o objetivo de 
preencher essa lacuna, foi desenvolvido um material didático sensível ao 
gênero, fundamentado na teoria da autoeficácia de Albert Bandura e 
estruturado a partir do Storytelling “O nascimento e as primeiras 
descobertas de Ana”. A narrativa abordou questões de gênero, como 
representatividade feminina e desconstrução de estereótipos, além dos 
pilares do Pensamento Computacional, incluindo algoritmo, abstração, 
decomposição e reconhecimento de padrões, por meio de situações cotidianas. 
O material foi acompanhado de atividades plugadas e desplugadas e elaborado 
com base na metodologia Design Thinking. Sua avaliação envolveu entrevistas 
com especialistas da área e uma análise qualitativa realizada com 14 
crianças do 4º ano do Ensino Fundamental I. Para a análise dos dados, foi 
utilizada a abordagem dedutiva, com base no método Template Analysis, um 
tipo de análise temática que permite desenvolver um modelo de códigos 
fundamentado em dados prévios ou pesquisa anterior. A partir desse modelo 
inicial, analisamos os aspectos que podem afetar ou favorecer a 
autoeficácia das meninas, considerando as quatro fontes da autoeficácia: 
experiência pessoal, persuasão verbal, experiência vicária e fatores 
emocionais. Os resultados revelaram que as meninas demonstram interesse e 
potencial na computação, mas sua autoeficácia ainda não está completamente 
consolidada. Muitas afirmaram se sentir confiantes para realizar atividades 
futuras, porém essa confiança foi frequentemente condicionada ao apoio do 
grupo, à simplicidade da tarefa ou à possibilidade de realizá-la em seu 
próprio ritmo. A experiência vicária teve um impacto positivo, 
especialmente pela identificação com personagens femininas na narrativa, 
como Ana e sua mãe, que foram reconhecidas como modelos de referência. A 
persuasão verbal, por meio de incentivos e feedbacks positivos de 
professores e familiares, também se mostrou fundamental para reforçar a 
motivação das meninas. Entretanto, fatores emocionais, como o medo de errar 
e a insegurança diante de desafios mais complexos, influenciaram 
negativamente a crença na própria capacidade. Os achados desta pesquisa 
reforçam a necessidade de abordagens pedagógicas que considerem a 
diversidade de experiências das crianças e promovam um ambiente de 
aprendizado mais inclusivo e encorajador. Estratégias que combinam 
representatividade feminina, feedback positivo e atividades práticas 
adaptadas ao ritmo das alunas podem fortalecer a autoeficácia e despertar o 
interesse feminino pela computação desde o Ensino Fundamental I.

Com o aumento exponencial dos dados e o desenvolvimento de sistemas 
inteligentes baseados em Aprendizado de Máquina (AM), surgem novas 
oportunidades e desafios. A eficácia desses sistemas depende da compreensão 
dos princípios do AM, principalmente na utilização de algoritmos 
supervisionados, que aprendem a partir de dados rotulados para realizar 
tarefas de previsão. Nesse contexto, dados de proveniência oferecem uma 
oportunidade de rastrear e entender decisões feitas durante as execuções 
anteriores de pipelines de AM, promovendo a transparência e rastreabilidade 
desses processos. Embora a literatura explore o uso de dados de 
proveniência em AM, sua aplicação em atividades de seleção de atributos 
ainda é pouco explorada, apesar do potencial para automatizar ajustes e 
melhorar a avaliação dos modelos. O presente trabalho propõe uma abordagem 
focada em dados de proveniência de execuções de pipelines de AM, com o 
objetivo explorar o papel desses dados na reexecução e ajuste de atividades 
de seleção de atributos em pipelines de aprendizado de máquina. 
Especificamente, investigam-se duas questões de pesquisa: (1) como dados de 
proveniência podem promover a reexecução de atividades de pipelines  de AM 
em futuras execuções, e (2) como esses dados podem contribuir para melhorar 
a atividade de seleção de atributos, ajustando o modelo de AM com base em 
execuções passadas. A solução apresentada envolve a captura de dados de 
proveniência durante a execução de pipelines de AM e a estruturação 
semântica desses dados usando uma extensão da ontologia PROV(W3C). A 
estruturação visa otimizar a reutilização das informações para ajustar e 
melhorar a avaliação dos modelos de AM. A abordagem permite ajustar a 
seleção de atributos com base em execuções anteriores, promovendo o 
aprimoramento contínuo do modelo. Para avaliar a proposta, foi desenvolvido 
um protótipo que automatiza a captura, organização e utilização dos dados 
de proveniência. Através de experimentos considerando diferentes tarefas 
para o treinamento de modelos de AM, foi observado que a aplicação desses 
ajustes, com base em dados de proveniência, resultou em melhorias nas 
métricas de acurácia e F1-Score avaliadas sobre os modelos de AM gerados. 
Os resultados dos experimentos indicam que a utilização dos dados de 
proveniência contribui para otimizar o processo de treinamento, 
especialmente ao considerar a reexecução e ajuste das atividades. Entre as 
principais contribuições deste trabalho destacam-se a definição da 
ontologia PROVX, que permite a modelagem e o gerenciamento de dados de 
proveniência em pipelines de AM, e a proposição de uma estratégia que 
facilita o aprimoramento dos modelos com base nos dados de execuções 
anteriores.

Os dispositivos das smart homes são propensos a ataques que podem 
comprometer a segurança dos seus usuários. Ao mesmo tempo, a não 
padronização dos meios de atualização destes dispositivos faz da smart home 
um ambiente potencialmente vulnerável. Não menos importante, há o fato de 
que muitos fabricantes de IoT lançam seus produtos e os abandonam em 
seguida, não oferecendo suporte às atualizações que possam evitar ou 
mitigar o surgimento de novos ataques. Além disso, as atualizações 
geralmente dependem inteiramente de ações executadas pelos usuários. 
Existem várias propostas de soluções que promovem segurança em smart homes. 
No entanto, observa-se a ausência de trabalhos que envolvam o 
desenvolvimento de soluções de segurança adaptativas, ou seja, soluções que 
garantam a segurança das smart homes com pouca ou nenhuma intervenção dos 
usuários. Neste contexto, esta tese de doutorado apresenta UP-Home, uma 
solução adaptativa que gerencia a segurança da pilha de software de 
dispositivos em smart homes. Ao mesmo tempo, em atualizações de segurança 
críticas, UP-Home auxilia o humano sobre ações a serem tomadas, o chamado 
Human-In-the-Loop (HIL). Assim, técnicas de computação adaptativa são 
utilizadas para garantir a autoproteção dos dispositivos domésticos com 
possibilidade de assistência humana. A combinação da abordagem 
Human-In-the-Loop de computação adaptativa fortalece a segurança da smart 
home, oferecendo uma defesa adaptativa contra vulnerabilidades em constante 
evolução. Ao mesmo tempo, a solução proposta busca garantir que os 
dispositivos da smart home atendam a requisitos de segurança estabelecidos 
por padrões utilizados pela indústria. Os resultados dos experimentos em um 
ambiente real mostram a capacidade da UP-Home em mitigar vulnerabilidades 
em diferentes níveis de criticidade. Desta forma, a solução mostrou-se 
efetiva em melhorar a autoproteção de dispositivos, de seus usuários e, por 
consequência, de toda a smart home.

Vivemos na "Era dos Algoritmos”. Os algoritmos moldam o comportamento humano e as estruturas sociais, influenciando dinâmicas de poder, crescimento financeiro e interações sociais. Trata-se de uma Era que nos apresenta oportunidades e desafios a serem enfrentados. Nesta pesquisa de doutoramento, propomos uma investigação teórica que revisita o entendimento clássico dos algoritmos vis-a-vis os avanços dos sistemas baseados em modelos de inteligência artificial (IA). Fazemos distinção entre estes algoritmos de vanguarda, baseados em inteligência artificial (IA) e os sistemas algorítmicos clássicos, conhecidos e estudados pela ciência da computação há 100 anos aproximadamente. 

Nossa pesquisa sugere o surgimento de um novo “bicho” no reino dos algoritmos, ora denominado “algoritmos abertos” - nosso objeto de pesquisa. Esses algoritmos exigem enorme capacidade energética, interações contínuas de usuários, grandes volumes de dados e infraestrutura tecnológica avançada, exercendo um papel ativo e decisivo na sociedade. O comportamento e os resultados dos algoritmos abertos são difíceis de controlar e explicar apenas pela análise de seu código, como costuma ocorrer com os algoritmos clássicos, ora denominados “algoritmos fechados”. 

Assim, investigamos os algoritmos abertos. Propomos um estudo epistemológico e ontológico sobre os algoritmos abertos, buscando responder questões fundamentais na construção do que no futuro pode ser uma “ciência dos algoritmos.” O que são os algoritmos abertos? Do que são constituídos? O que os diferencia dos algoritmos clássicos fechados? Que conhecimento é necessário para reconhecê-los e compreendê-los?

A imprevisibilidade dos resultados (output) dos algoritmos abertos sugere que a controlabilidade, a escalabilidade e o conhecimento necessário para seu uso são questões centrais. Respondemos as nossas perguntas de pesquisa sob a ótica do Pragmatismo Filosófico. Ou seja, para compreender os algoritmos abertos, propomos analisar seu uso (em contexto prático real), sua unicidade (sistema de interação de pessoas, processos e artefatos) e seus componentes (energia, hardware, software, agentes, dados, interface e sociedade).

Apesar dos recentes avanços em visão computacional, o clássico problema de verificação de assinaturas manuscritas offline ainda permanece desafiador. A tarefa de verificação de assinaturas possui uma alta variabilidade intraclasse pois um usuário frequentemente apresenta alta variabilidade entre suas amostras. Além disso, a verificação de assinaturas é mais difícil na presença de falsificações habilidosas. Recentemente, com o objetivo de enfrentar esses desafios, pesquisadores têm investigado métodos de aprendizagem profunda para obter representações de características de assinaturas manuscritas. Ao mapear assinaturas para um espaço de características, deseja-se obter grupos densos de representações de assinaturas, a fim de lidar com a variabilidade intraclasse. Além disso, não apenas grupos densos são necessários, mas também uma melhor separação entre grupos de diferentes usuários no espaço de características. Por fim, também deseja-se afastar as representações de características de falsificações habilidosas em relação ao respectivo grupo denso de representações genuínas. Nesta tese, concentramos nossos esforços em alcançar essas propriedades no aprendizado de representações de assinaturas manuscritas, visando melhorias subsequentes no tempo de verificação. A pesquisa relatada nesta tese é desenvolvida em dois momentos. Inicialmente, propomos um framework baseado no aprendizado contrastivo de representações de assinaturas manuscritas. Com base na observação dos resultados experimentais da primeira parte desta pesquisa, estendemos este framework para lidar com dados de assinaturas sintéticas e reais durante o treinamento por meio da destilação de conhecimento, proporcionando maior robustez das representações aprendidas na verificação de diversos conjuntos de dados. Neste trabalho, levanta-se a hipótese de que as propriedades desejadas podem ser alcançadas por meio de uma estrutura multitarefa para aprender representações de características de assinaturas manuscritas com base em aprendizagem contrastiva profunda. A estrutura proposta é composta por duas tarefas de objetivos específicos. A primeira tarefa visa mapear exemplos de assinaturas do mesmo usuário mais próximo dentro do espaço de representação, enquanto separa as representações de características de assinaturas de diferentes usuários. A segunda tarefa visa ajustar as representações de falsificações habilidosas adotando funções de perda contrastivas com a capacidade de realizar mineração de exemplos negativos difíceis. Negativos difíceis são exemplos de diferentes classes com algum grau de similaridade que podem ser aplicados durante o treinamento. Demonstramos que nossos modelos multitarefa contrastivos têm melhor desempenho do que o uso da função de perda de entropia cruzada, o que indica experimentalmente um aprimoramento na verificação de assinaturas fornecida pela estrutura proposta. Como resultados bem-sucedidos em modelos de aprendizagem profunda exigem uma quantidade significativa de dados de treinamento, nesses experimentos recorremos ao conjunto de dados GPDSsynthetic com dados de assinaturas sintéticas para treinar modelos. No entanto, como resultado de observação experimental, verificamos que as características intrínsecas de assinaturas genuínas reais não estão perfeitamente incorporadas nas imagens de assinatura sintética. Dessa forma, encontramos uma diferença no desempenho de verificação entre modelos treinados usando os conjuntos de dados GPDS-960 e GPDSsynthetic; e efeitos indesejados introduzidos pelo desvio excessivo da distribuição dos modelos para qualquer uma destas fontes de dados. Dado este problema, na segunda parte desta tese recorremos ao modelo SigNet pré-treinado com dados da GPDS-960 para fornecer conhecimento sobre assinaturas reais. Complementamos o espaço de características de dados reais predefinidos na SigNet usando dados sintéticos, minimizando a divergência na distribuição entre os conjuntos de dados. Isso é obtido por meio de aprendizado contínuo incremental de classe com base na destilação de conhecimento e ajuste fino subsequente do espaço de representação com um objetivo contrastivo. Além disso, propomos um novo conjunto de dados de destilação, invertido a partir da distribuição real pré-codificada na SigNet. Nosso método proposto obtém verificação dependente de escritor aprimorada e uma verificação independente de escritor mais equilibrada, produzindo modelos mais robustos na verificação dos diversos conjuntos de dados de script ocidental e não ocidental GPDSsynthetic, GPDS-300, CEDAR, MCYT-75, BHSig-H e BHSig-B. Por fim, demonstramos que o método proposto pode ser utilizado para melhorar a verificação de assinaturas no treinamento de novas arquiteturas de visão computacional quando o acesso ao conjunto de dados GPDS-960 não estiver disponível.

As transformações organizacionais intensificaram a necessidade de equipes de projetos de software se adaptarem continuamente às mudanças. Nesse contexto, o engajamento no trabalho em equipe surge como um fator crítico para manter o interesse, a colaboração e o desempenho. No entanto, embora tenham sido desenvolvidos vários artefatos conceituais para explicar o engajamento, poucos são especificamente adaptados à dinâmica única, às modalidades de trabalho e à diversidade cultural das equipes de projetos de software. Existe uma lacuna prática paralela na compreensão de como o engajamento ocorre entre essas equipes. Abordar esse fenômeno é, portanto, essencial para ajudar tanto os líderes quanto os membros da equipe a promover ambientes de equipe mais engajados e resilientes em meio à complexidade e às mudanças rápidas. Esta pesquisa teve como objetivo explorar como o engajamento se manifesta nas equipes de projetos de software. Para isso, o estudo foi baseado na abordagem da Design Science Research (DSR), que apoia a investigação de problemas do mundo real e o desenvolvimento de artefatos produtores de conhecimento. O principal artefato desenvolvido foi um modelo teórico que explica como o engajamento se manifesta em equipes de projetos de software. O escopo da pesquisa consistiu em quatro fases: Ideação, Design, Desenvolvimento e Avaliação. Durante a fase de Ideação, foi realizada uma revisão exploratória da literatura para traçar as origens do engajamento e identificar suas expressões em diferentes contextos. A fase de Design incluiu dois estudos empíricos: um em um ambiente organizacional e outro em um contexto educacional. Essa fase também envolveu uma colaboração internacional que possibilitou observações de campo e entrevistas individuais com membros de três equipes ágeis multiculturais (no Canadá) e duas equipes ágeis monoculturais (no Nepal, remotamente), todas participando de um programa STEM. Na fase de Desenvolvimento, os dados foram analisados usando o Método de Comparação Constante (CCM) para identificar e refinar construções e variáveis observáveis do modelo teórico. A fase de Avaliação envolveu duas etapas: (i) dois grupos focais virtuais com 12 participantes, incluindo especialistas em engajamento e membros de equipes de software, e (ii) um questionário on-line compartilhado com equipes de projetos de software. A pesquisa, respondida por mais de 450 pessoas, incluiu 253 participantes de 76 equipes (monoculturais e multiculturais) com pelo menos três respondentes por equipe. A modelagem de equações estruturais foi usada para avaliar o modelo. Os resultados confirmam a relevância e a finalidade do modelo, fornecendo um artefato prático e teórico para ajudar as equipes de software a compreenderem como o engajamento ocorre em seu contexto. Trabalhos futuros incluem a operacionalização do modelo em espaços de trabalho reais e virtuais, o vínculo de práticas relatadas pelos participantes e exploração de aspectos temporais e das características do projeto e da equipe.

Técnicas de detecção de anomalias são amplamente utilizadas em diversos 
cenários para identificar instâncias com padrões distintos do comportamento 
geral observado em um conjunto de dados. O desenvolvimento de novas 
técnicas, como as baseadas em aprendizado profundo, e a maior 
disponibilidade de dados têm alavancado ainda mais o uso da detecção de 
anomalias em contextos diversos como na  detecção de falhas em equipamentos 
industriais. Comumente, uma técnica de detecção gera para cada instância um 
\textit{score} de anomalia, que é então usado para classificar as 
instâncias entre anômalas ou normais. Para realizar a classificação, um 
limiar de decisão (\textit{threshold}) é estabelecido de forma que se o 
\textit{score} de uma determinada instância for superior ao 
\textit{threshold}, esta instância é considerada anômala, caso contrário é 
classificada como normal. Neste trabalho, foi investigado o impacto de 
diferentes abordagens não-supervisionadas usadas para definição de 
\textit{thresholds}, avaliadas especificamente para a detecção de anomalias 
\textit{online} por um modelo de Sparse Autoencoder (SAE). Para os 
experimentos, foi utilizada uma base de dados pública referente a um 
problema de detecção de anomalias no metrô da cidade do Porto. Foi 
constatado que a abordagem de cálculo do \textit{threshold} impactou 
fortemente as métricas de avaliação da detecção. Por exemplo, a abordagem 
baseada em erro máximo do SAE garantiu a menor taxa de falsos positivos. 
Por sua vez, a abordagem baseada em intervalo interquartil obteve o maior 
número de verdadeiros positivos, e, consequentemente \textit{recall}, 
enquanto que a abordagem baseada em 99-percentil garantiu o maior F1-Score. 
Além desses experimentos, foi avaliado ainda o uso de três tipos de filtros 
passa-baixa em duas abordagens distintas para a suavização do 
\textit{score} de anomalia. De uma forma geral, a aplicação de filtros 
diretamente sobre o \textit{score} de anomalia garantiu uma maximização de 
verdadeiros positivos, enquanto a aplicação de filtros após uma 
classificação prévia das instâncias minimizou os falsos positivos. Além 
disso, foi verificado que a utilização do filtro foi essencial para 
detectar sequências de anomalias.

Apenas um conjunto de operações elementares, como operadores de um qubit e 
operadores CNOT, podem ser implementados diretamente em dispositivos 
quânticos. As demais operações precisam ser decompostas em termos dessas 
operações elementares. Esse é o caso de operadores quânticos U(2) 
multi-controlados, para os quais há diferentes estratégias para minimizar a 
profundidade dos circuitos e/ou o número de portas elementares das 
decomposições. Algumas estratégias podem exigir o uso de qubits auxiliares 
ou de aproximações. Os dispositivos quânticos atuais são limitados tanto 
pelo número de qubits quanto pelas operações ruidosas, o que restringe o 
número de operações que podem ser utilizados nesses dispositivos. Dessa 
forma, o uso de decomposições eficientes é crucial para a utilização 
prática da computação quântica. Este trabalho tem como objetivo propor 
novas decomposições para operadores U(2) multi-controlados, com o objetivo 
de minimizar o número de operações CNOTs no circuito sem utilizar qubits 
auxiliares. Para operadores SU(2) com a diagonal secundária real, o 
trabalho desenvolve uma decomposição com 16n-40 CNOTs, um número menor do 
que o do estado da arte. Tal decomposição pode ser modificada para decompor 
operadores SU(2) com diagonal principal real, com o mesmo número de CNOTs, 
ou operadores SU(2) arbitrários com no máximo 20n-42 CNOTs. O trabalho 
também introduz uma decomposição aproximada para operadores U(2) 
multi-controlados, com número de CNOTs proporcional a 32n, enquanto a 
melhor decomposição aproximada sem qubits auxiliares possui um número de 
CNOTs proporcional a 32np, em que p depende do erro introduzido no 
circuito. Os resultados desse trabalho podem ser utilizados em aplicações 
como a decomposições de operadores mais gerais, preparação de estados, 
memórias RAM quânticas e aprendizagem de máquina, resultando em circuitos 
quânticos mais eficientes e em menos ruído quando esses circuitos são 
executados em um dispositivo quântico.

Alguns indivíduos com necessidades complexas de comunicação dependem de 
dispositivos de Comunicação Aumentativa e Alternativa (CAA) para suas 
interações diárias. Contudo, usuários de CAA comumente enfrentam 
dificuldades ao se comunicar em tempo real, devido ao grande esforço físico 
e mental demandado para compor as mensagens. Mesmo que os usuários se 
prepararem com antecedência e incluam novas palavras ou frases em seus 
dispositivos de comunicação, as mensagens pré-programadas nem sempre suprem 
tudo o que é necessário para se expressar plenamente durante uma conversa. 
Tendo em vista essa problemática, pesquisadores têm explorado o uso de 
Inteligência Artificial (IA), particularmente os Grandes Modelos de 
Linguagem (GML), para aprimorar os sistemas CAA. Entretanto, é crucial 
analisar cuidadosamente os benefícios e desvantagens antes do 
desenvolvimento desenfreado de novas intervenções tecnológicas. O presente 
estudo analisa as contribuições existentes e realiza um levantamento das 
oportunidades e desafios na aplicação de GML para softwares CAA, em 
colaboração com os usuários. Além disso, o estudo aborda o uso de 
Blissymbolics, uma linguagem com gramática e vocabulário, mas sem 
fonologia, que desempenha um papel essencial em auxiliar indivíduos com 
condições congênitas a se alfabetizarem. Duas pesquisas secundárias foram 
conduzidas para revisar sistematicamente e criticamente a literatura 
relevante sobre ambos os usos de GML e Blissymbolics na CAA. Seguindo a 
abordagem de Design Colaborativo, a pesquisa primária envolveu usuários e 
ouvintes familiares de CAA, os quais compartilharam suas expectativas, 
preocupações e ideias sobre futuras integrações de GML em dispositivos CAA. 
Os dados coletados das pesquisas primária e secundárias foram utilizados na 
criação de diretrizes para o desenvolvimento de sistemas robustos de CAA 
que aplicam modelos de linguagem e IA. Em conjunto, as oportunidades, 
desafios e riscos envolvidos foram também discutidos. Ademais, este 
trabalho aplicou as diretrizes propostas e demonstrou sua adaptabilidade 
através da criação de um sistema CAA conceitual que utiliza GML.

Os dispositivos vestíveis oferecem uma maneira conveniente e prática de 
monitorar a saúde e o bem-estar dos usuários. Esses equipamentos podem 
monitorar sinais como frequência respiratória, nível de oxigênio no sangue, 
calorias queimadas, padrões de sono, temperatura e movimentação corporal. A 
combinação dessas informações com técnicas de Aprendizagem de Máquina (ML) 
permite, além de monitorar, classificar e realizar prescrições das 
atividades realizadas pelos usuários, fornecendo insights sobre a saúde, 
comportamento, hábitos e estilo de vida do usuário. Apesar de uma gama de 
aplicabilidades, o uso desta tecnologia enfrenta desafios desde a aquisição 
dos dados até a qualidade das prescrições realizadas, especialmente pra 
novos usuários. Outro ponto crucial no uso desta tecnologia são questões de 
privacidade e segurança dos dados dos usuários. Estes fatores contribuem 
para a escassez de dados úteis para o treinamento dos modelos baseados em 
Aprendizagem de Máquina. Esta dissertação aborda o desafio de gerar dados 
sintéticos para sensores de dispositivos móveis usando modelos generativos. 
O desafio no desenvolvimento destes modelos aumenta se considerarmos que os 
dados dos sensores correspondem a dados temporais em diferentes dimensões. 
São propostas novas estratégias para geração de dados sintéticos baseados 
em Generative Adversarial Network (GAN) e Large Language Models (LLM) para 
séries temporais de sinais de sensores de dispositivos vestíveis.   
Comparamos nossas abordagens com modelos estado-da-arte e conduzimos uma 
investigação experimental sobre o uso destes modelos para aumento de dados, 
incluindo um estudo abrangente sobre a qualidade dos dados sintéticos 
gerados e seu impacto no desempenho do classificador utilizado. Nossas 
descobertas sugerem que exemplos sintéticos podem melhorar o desempenho de 
modelos treinados, especialmente quando a quantidade de dados reais é 
limitada. A partir dos resultados obtidos, identificamos que a qualidade 
dos dados sintéticos é mais importante do que a quantidade na melhoria do 
desempenho do classificador treinado. Além das técnicas de geração de dados 
sintéticos, a dissertação oferece insights sobre como lidar com a escassez 
de dados reais em classificadores de atividades e como avaliar a qualidade 
destes dados.