1. dspace-aplicacoes

Search

 | 
Results 1-4 of 4 (Search time: 0.018 seconds).
  • previous
  • 1
  • next
Item hits:
PreviewTitleAuthor(s)???itemlist.dc.contributor.author1???Issue Date???itemlist.dc.description.resumo???
Avanços recentes em inteligências artificiais sintetizadoras de imagens: relato de experiência educacional com o uso de dall-e e dreamRusso, Filipe Albuquerque Ito; Sant’Anna, Nanahira de Rabelo e; Imai, Rodrigo Hidek-2022O presente trabalho analisa potencialidades em síntese criativa a partir do uso de inteligências artificiais (IAs) sintetizadoras de imagens, com base em experimentações das ferramentas Midjourney, Craiyon, Dream e DALL-E, realizadas durante debate interativo online com estudantes de Ensino Médio Técnico. Apresenta-se um relato da experiência educacional, a qual incluiu divulgação científica, letramento digital e computacional e educação midiática, a partir de discussões e reflexões sobre os conceitos de inteligência, IA e inteligência natural (IN). O artigo exibe um resumo do evento, das impressões e produções do público participante, assim como propõe o conceito de síntese criativa como a produção, por sistemas inteligentes, de respostas adaptativas frente às adversidades postas. A educação sobre e com IA se mostra necessária e urgente, uma vez que as disrupções provocadas por seus usos já impactam todos os setores estratégicos das nações. Os resultados da experiência relatada indicam interesse da juventude em compreender e se apropriar das tecnologias de IA.
2015_jarley_nobrega_tese.pdf.jpgUm método de aprendizagem sequencial com filtro de Kalman e Extreme Learning Machine para problemas de regressão e previsão de séries temporaisNóbrega, Jarley Palmeira-2015-08-24Em aplicações de aprendizagem de máquina, é comum encontrar situações onde o conjunto de entrada não está totalmente disponível no início da fase de treinamento. Uma solução conhecida para essa classe de problema é a realização do processo de aprendizagem através do fornecimento sequencial das instâncias de treinamento. Entre as abordagens mais recentes para esses métodos, encontram-se as baseadas em redes neurais do tipo Single Layer Feedforward Network (SLFN), com destaque para as extensões da Extreme Learning Machine (ELM) para aprendizagem sequencial. A versão sequencial da ELM, chamada de Online Sequential Extreme Learning Machine (OS-ELM), utiliza uma solução recursiva de mínimos quadrados para atualizar os pesos de saída da rede através de uma matriz de covariância. Entretanto, a implementação da OS-ELM e suas extensões sofrem com o problema de multicolinearidade entre os elementos da matriz de covariância. Essa tese introduz um novo método para aprendizagem sequencial com capacidade para tratar os efeitos da multicolinearidade. Chamado de Kalman Learning Machine (KLM), o método proposto utiliza o filtro de Kalman para a atualização sequencial dos pesos de saída de uma SLFN baseada na OS-ELM. Esse trabalho também propõe uma abordagem para a estimativa dos parâmetros do filtro, com o objetivo de diminuir a complexidade computacional do treinamento. Além disso, uma extensão do método chamada de Extended Kalman Learning Machine (EKLM) é apresentada, voltada para problemas onde a natureza do sistema em estudo seja não linear. O método proposto nessa tese foi comparado com alguns dos mais recentes e efetivos métodos para o tratamento de multicolinearidade em problemas de aprendizagem sequencial. Os experimentos executados mostraram que o método proposto apresenta um desempenho melhor que a maioria dos métodos do estado da arte, quando medidos o de erro de previsão e o tempo de treinamento. Um estudo de caso foi realizado, aplicando o método proposto a um problema de previsão de séries temporais para o mercado financeiro. Os resultados confirmaram que o KLM consegue simultaneamente reduzir o erro de previsão e o tempo de treinamento, quando comparado com os demais métodos investigados nessa tese.
2007_paulo_maciel_dissertacao.pdf.jpgDBSitter-AS: um Framework Orientado a Agentes para Construção de Componentes de Gerenciamento Autônomo para SGBDMaciel, Paulo Roberto Moreira-2007-08A Computação Autônoma é uma área de pesquisa que busca o desenvolvimento de software capaz de autoconfiguração, auto-otimização, autoproteção, auto-reparação, autoconhecimento e antecipação de necessidades, utilizando-se de padrões abertos. No caso particular de Sistemas de Gerenciamento de Bancos de Dados (SGBD), podemos resumir esses princípios como características para autogerenciamento. Uma das formas de implementar características de autogerenciamento é através do desenvolvimento de Sistemas Multiagentes (SMA) que realizem a monitoração, prevenção ou solução de falhas e aperfeiçoamento de um sistema alvo. Não há ainda muitas especificações formais de como implementar autonomia para SGBD, em especial se desenvolvida via SMA. No contexto acima, o objetivo deste trabalho é a especificação de um framework arquitetural que guie o desenvolvimento de componentes de SMA que possam prover SGBD de capacidade de autogerenciamento, auxiliando os Administradores de Bancos de Dados nas suas atividades diárias. O Framework DBSitter-AS foi concebido utilizando a metodologia Tropos para desenvolvimento de SMA e especifica como construir uma sociedade de agentes capaz de realizar ações coordenadas de monitoria, prevenção e resolução de falhas em SGBD de mercado. A sociedade de agentes concebida est· configurada em uma camada externa ao SGBD, possui uma estrutura de persistência própria e permite registro de regras e políticas organizacionais a serem obedecidas. O DBSitter-AS È uma especificação flexível no que tange a permitir o cadastro de sintomas de falhas e ações de resolução configuráveis para tipos diferentes de SGBD. Para mostrar como a especificação pode ser adaptada para casos reais, mostramos um exemplo de implementação para um caso típico de falha.
2009_ircilio_chissolucombe_tese (1).pdf.jpgUso de técnicas de inteligência artificial na estimativa de deslocamentos e danos induzidos por escavações subterrâneasChissolucombe, Ircílio-2009-04Estimar os deslocamentos induzidos pela escavação de um túnel e os possíveis danos que os mesmos possam causar nas estruturas adjacentes ao túnel é um dos desafios que a equipe de engenheiros projetistas enfrentam na fase de projeto de um túnel. Os principais métodos utilizados para estimar os descolamentos são os empíricos, analíticos e as simulações numéricas. Cada um dos métodos acima citados tem suas vantagens e desvantagens, por exemplo, os métodos empíricos tem como principal vantagem a fácil utilização e como principal desvantagem a não consideração dos parâmetros de resistência e deformabilidade do maciço. Os métodos analíticos têm como principal vantagem a incorporação do efeito 3D (deslocamentos que ocorrem antes da escavação do túnel) e dos parâmetros de resistência e deformabilidade do maciço e a principal desvantagem desse método é que o efeito 3D e os parâmetros de resistência e deformabilidade do maciço estão dentro de um único parâmetro denominado de gap. Já nas simulações numéricas tem-se como principal vantagem a possibilidade de simular as várias etapas construtivas da obra e como desvantagem tem-se a utilização de um modelo constitutivo realístico e estar em posse de um programa de ensaios que possam fornecer os parâmetros necessários a utilização do modelo. Neste trabalho faz-se uso de duas técnicas de Inteligência Artificial (IA), uma denominada de Redes Neurais Artificiais (RNAs) que foi utilizada para estimar os deslocamentos induzidos pela escavação de um túnel e a outra denominada de Lógica Fuzzy que foi utilizada para estimar os danos nas estruturas adjacentes a escavação do túnel. Estas técnicas foram utilizadas em uma situação real ocorrida durante a escavação do Metrô-DF. Os resultados obtidos mostraram que a técnica de RNAs é extremamente eficiente quando tem-se um conjunto de dados para treinamento que abrangem todo o universo do problema. Os danos estimados utilizando a técnica de Lógica Fuzzy para o caso de estruturas adjacentes a escavação do Metrô-DF foram condizentes com o ocorrido em campo.