Portal InstitucionalUFPEL

A Inteligência Artificial (IA) é uma das áreas mais dinâmicas da ciência contemporânea, com impacto crescente sobre a forma como a sociedade enfrenta desafios complexos em saúde, biotecnologia, educação, meio ambiente e gestão da informação. O avanço do campo tem sido impulsionado por inovações em aprendizado de máquina, grandes modelos de linguagem, simulações baseadas em agentes, computação embarcada e análise de dados em larga escala. Diante desse cenário, este projeto se justifica pela necessidade de aprofundar investigações científicas em IA, com ênfase em aplicações que combinem rigor metodológico, inovação tecnológica e relevância social. A proposta parte de hipóteses e problemas oriundos de contextos reais, e busca desenvolver soluções computacionais, explorar abordagens teóricas inovadoras e gerar conhecimento que possa retroalimentar o próprio campo da IA e suas aplicações interdisciplinares. A diversidade temática contemplada — envolvendo saúde de precisão, genômica, linguística computacional, educação personalizada, sustentabilidade e mais — reflete a vocação do projeto para integrar diferentes áreas do saber, estimulando a cooperação entre pesquisadores, o uso de dados complexos e o desenvolvimento de modelos computacionais com potencial de impacto científico e prático.

A metodologia adotada neste projeto será orientada por problemas e estruturada a partir de abordagens interdisciplinares de pesquisa em Inteligência Artificial (IA). As atividades serão organizadas em eixos temáticos correspondentes às frentes de investigação propostas, como saúde de precisão, genômica computacional, biotecnologia, educação, meio ambiente e linguística computacional, entre outras.

Cada eixo temático será conduzido por subgrupos de pesquisadores com competências complementares, envolvendo as seguintes etapas metodológicas:
1. Levantamento e definição de problemas relevantes a partir de contextos reais, dados disponíveis e lacunas de conhecimento nas áreas de aplicação;
2. Construção ou curadoria de conjuntos de dados (estruturados e não estruturados), observando critérios de ética, privacidade, diversidade e qualidade;
3. Exploração e modelagem com técnicas de IA, como:
• aprendizado supervisionado e não supervisionado;
• modelos probabilísticos e estatísticos;
• grandes modelos de linguagem e redes neurais profundas;
• sistemas multiagentes e algoritmos evolutivos;
• quantização, destilação e otimização de modelos para ambientes embarcados;
4. Validação dos modelos e experimentos computacionais, com uso de métricas adequadas a cada domínio, protocolos de reprodutibilidade e testes em múltiplos cenários;
5. Análise crítica dos resultados, considerando desempenho técnico, interpretabilidade, impacto social e limitações metodológicas;
6. Disseminação e documentação científica, incluindo relatórios técnicos, publicações acadêmicas, apresentações em eventos e, quando pertinente, disponibilização de código ou dados.

As atividades serão realizadas de forma colaborativa entre os pesquisadores envolvidos, com encontros periódicos, oficinas técnicas e intercâmbio entre os eixos, incentivando o compartilhamento de boas práticas e a formação de uma cultura científica integrada.

Os seguintes indicadores serão utilizados para acompanhar o andamento e avaliar os resultados do projeto:
• Produção científica: número de artigos publicados ou submetidos em periódicos qualificados e anais de eventos científicos relevantes nas áreas de IA e suas aplicações;
• Formação de recursos humanos: número de estudantes envolvidos em atividades de pesquisa (iniciação científica, mestrado, doutorado, pós-doutorado);
• Desenvolvimento tecnológico: número de modelos computacionais, protótipos, ferramentas ou bases de dados produzidas;
• Colaboração interdisciplinar: número de parcerias internas e externas entre pesquisadores de diferentes áreas do conhecimento;
• Disseminação e impacto: número de participações em eventos, workshops e ações de divulgação científica associadas ao projeto;
• Dados abertos e reprodutibilidade: quantidade de conjuntos de dados e códigos disponibilizados em repositórios públicos, quando aplicável.