Temas para o Edital do Convênio TCE/UFPI

Atualização: 15/01/2020

Listagem de Orientadores e Temas para os candidatos do Edital referente ao convênio TCE/UFPI.

O aluno deve informar no momento da submissão da Candidatura o orientador escolhido.

[1]       I. Mistrík, J. Grundy, A. Van Der Hoek, and J. Whitehead, Collaborative software engineering. 2010.

[2]       J. D. Herbsleb, “Global software engineering: The future of socio-technical coordination,” in Future of Software Engineering (FoSE), 2007.

[3]       A. E. Hassan, “The road ahead for Mining Software Repositories,” in Frontiers of Software Maintenance (FOSM), 2008.

[4]       G. Avelino, L. Passos, F. Petrillo, and M. T. Valente, “Who Can Maintain this Code? Assessing the Effectiveness of Repository-Mining Techniques for Identifying Software Maintainers,” IEEE Software, 2018.

[5]       C. Hannebauer, M. Patalas, S. Stünkel, and V. Gruhn, “Automatically recommending code reviewers based on their expertise: an empirical comparison,” in International Conference on Automated Software Engineering (ASE), 2016.

[6]       G. Avelino, L. Passos, A. Hora, and M. T. Valente, “A novel approach for estimating Truck Factors,” in 24th International Conference on Program Comprehension (ICPC), 2016.

[7]       G. Avelino, L. Passos, A. Hora, and M. T. Valente, “Measuring and analyzing code authorship in 1 + 118 open source projects,” Sci. Comput. Program., Mar. 2019.

[8]       P. Oliveira, M. T. Valente, and F. P. Lima, “Extracting relative thresholds for source code metrics,” in Conference on Software Maintenance, Reengineering, and Reverse Engineering (CSMR), 2014.

[9]       W. Poncin, A. Serebrenik, and M. van den Brand, “Process Mining Software Repositories,” 15th Eur. Conf. Softw. Maint. Reengineering, 2011.

[10]     N. Munaiah, S. Kroh, C. Cabrey, and M. Nagappan, “Curating GitHub for engineered software projects,” Empir. Softw. Eng., vol. 22, no. 6, 2017.

[11]      E. Kalliamvakou, G. Gousios, K. Blincoe, L. Singer, D. M. German, and D. Damian, “An in- depth study of the promises and perils of mining GitHub,” Empir. Softw. Eng., 2015.

Orientador: Ivan Saraiva Silva

ivan@ufpi.edu.br

Tema: Recursos de hardware e software no contexto de cidades inteligentes

Resumo: Os avanços observados em tecnologia da informação, em particular o contínuo aumento no poder de processamento, observado inclusive em sistemas embarcados, tem possibilitado a rápida consolidação de áreas tidas até bem pouco tempo como emergentes (ou para o futuro). Como exemplos destas áreas que podem ter forte impacto na qualidade de vida dos cidadãos estão as pesquisas associadas a: Tecnologias Assistivas; Internet das coisas, Sistemas Vestíveis Inteligentes; Cidades Inteligentes.

Os temas associados a Cidades inteligentes, em particular, podem, se bem conduzidos, trazer impactos significativos para grandes centros metropolitanos onde, com o passar dos anos, se observa significativa degradação da percepção da qualidade de vida. Inúmeros estudos recentes, inclusive em língua portuguesa, têm demostrado a importância destes temas e têm tentado mapear os relevantes objetos de pesquisa [1], os grupos nacionais [2] e a produção nacional [3]. Recursos naturais e meio ambiente, segurança, mobilidade, educação e saúde estão entre as sensíveis questões que podem ser abordadas ao se lidar com este tema de pesquisa. Segundo Weiss [1] o mundo está cada vez mais urbano, fato que que impõe às cidades grandes desafios em todas as áreas, em particular no que se refere ao desenvolvimento social. Na mesma pesquisa Weiss constatou que as questões relacionadas à mobilidade urbana estão entre as principais áreas de aplicação. Qualidade de ruas e de tráfego, segurança e primeiros socorros, informações aos usuários e gestão de sistemas são temas específicos que eventualmente podem ser explorados.

No tema de mestrado proposto, espera-se que o(s) discente(s) selecionado(s) iniciem a pesquisa com um amplo, profundo e sistemático levantamento da produção científica nacional sobre mobilidade urbana no contexto de cidades inteligentes. A partir deste levantamento, deve-se definir os mais relevantes e abordáveis recursos de hardware e software necessário ao desenvolvimento do tema.

Quatro vagas de mestrado estão sendo oferecidas pelo orientador. Os interessados neste tema deverão ler a referências [1 a 3] e elaborar um projeto de pesquisa conforme o modelo adotado pelo Programa de Pós-Graduação em Ciência da Computação. Os artigos referenciados podem ser encontrados em https://www.dropbox.com/sh/hs691aowwflbfg6/AABcNKaIUwAMlHklshO68ZCta?dl=0. O projeto de pesquisa deve discorrer sobre a compreensão que o candidato teve sobre o tema e os artigos, não sendo necessário, neste momento, apresentar nenhuma proposta específica. O professor orientador pode ser contatado por intermédio do endereço eletrônico (ivan@ufpi.edu.br).

Referências:

[1]     Weiss, M., Cidades Inteligentes: Uma Visão sobre a Agenda de Pesquisas em Tecnologia da Informação. Revista Brasileira de Gestão e Inovação (Brazilian Journal of Management & Innovation)

, v. 6, n. 3, (Maio – Agosto 2019).

[2]     Lazzaretti, K., Sehnem, S. & Bencke, F. F., Machado, H. P. V. (2019). Cidades inteligentes: insights e contribuições das pesquisas brasileiras. urbe. Revista Brasileira de Gestão Urbana, v. 11, e20190118. DOI https://doi.org/10.1590/2175- 3369.011.e20190118

[3]     Mapeamento da Produção Científica Relacionada a Cidades Inteligentes. Revista GEINTEC, v. 10, n.4, p.5686-5697, out/nov/dez – 2020.

Orientador: Kelson Romulo Teixeira Aires

kelson@ufpi.edu.br

Tema: Detecção e Diagnóstico de Covid-19 utilizando CNN Aprendizado Profundo

Resumo: Em 2020, a COVID-19 causou o colapso de diversos sistemas de saúde no planeta, além de provocar problemas econômicos enormes a diversos países. Diversas pesquisas estão sendo conduzidas com o objetivo de desenvolver técnicas para a rápida detecção da doença. Muitas delas são direcionadas através da análise de imagens de tomografias e raio-x, quando diversas bases públicas de imagens estão sendo disponibilizadas. O aprendizado profundo possibilitou a diversos sistemas de saúde ultrapassarem algumas fronteiras. Além disso, as redes neurais profundas têm contribuído na detecção automática de diversas doenças. Isso reforça o entendimento de que tais técnicas precisam ser investigadas para aplicações relacionadas a essa nova doença.

Orientador: Pedro de Alcântara dos Santos Neto

pasn@ufpi.edu.br

Tema 1 : Mineração de Repositórios de Software

Resumo:

A mineração de repositórios de software (Mining Software Repositories - MSR) Analisa dados disponíveis em repositórios de software, como sistemas de controle de versão, listas de e-mails, sistemas de registro de bugs, sistema de controle de demandas, para descobrir informações não triviais que possam ser utilizadas para se apoiar o desenvolvimento de software. A partir desse tipo de pesquisa é possível entender melhor o processo de desenvolvimento e a evolução do software, permitindo realizar predições e encontrar respostas para questões complexas.

Referências

[1]   K. S. Herzig and A. Zeller, “Mining your own evidence,” in Making Software, pp. 517–529, Sebastopol, Calif., USA: O’Reilly, 2011.

[2]  Luciana Silva, Marco Tulio Valente, Marcelo Maia. Co-change Clusters: Extraction and Application on Assessing Software Modularity. In Transactions on Aspect-Oriented Software Development, pages 1-37, 2015.

[3]   Cristiano Maffort, Marco Tulio Valente, Nicolas Anquetil, Andre Hora, and Mariza Bigonha. Heuristics for Discovering Architectural Violations. In 20th Working Conference on Reverse Engineering (WCRE), pages 222-231, 2013.

Tema 2: Inteligência Artificial Aplicada.

Resumo:

Esta linha de pesquisa refere-se ao desenvolvimento de aplicações prática de inteligência artificial para áreas específicas, tais como detecção de fraudes, identificação de anomalias, dentre outros. O principal objetivo é compreender como uma determinada área de negócio funciona, quais dados estão ligados.a essa área, para então utilizar diferentes técnicas e algoritmos de IA para o problema em questão. São utilizadas várias áreas do conhecimento nessa área, como por exemplo, Processamento de Linguagem Natural, Descoberta de Conhecimento, Redes Neurais, Computação Evolucionária, Aprendizado de Máquina, Engenharia de Conhecimento, Inteligência Coletiva e Mineração de Dados.

Referências

[1]   Dalianis, H. Clinical Text Mining - Secondary Use of Electronic Patient Records. Springer, ISBN 978-3-319-78503-5, 2018.

[2]   MAGALHAES JUNIOR, G. V. ; VIEIRA, J. P. A. ; SANTOS, R. L. S. ; BARBOSA, J. L. N. ; Neto, Pedro Santos ; MOURA, R. S. . A Study of the Influence of Textual Features in Learning Medical Prior Authorization. In: IEEE CBMS International Symposium on Computer-Based Medical Systems, 2019, Córdoba, Spain. Proceedings of the 32th IEEE CBMS International Symposium on Computer-Based Medical Systems, 2019.

[3]   SOARES, J. H. C. ; RABELO, R. A. L. ; Neto, Pedro Santos ; Passos, E. B. ; BARBOSA, J. L. N. ; LOPES, L. A. . How to Avoid Customer Churn in Health Insurance/Plans? A Machine Learn Approach. In: IEEE CBMS International Symposium on Computer-Based Medical Systems, 2019, Córdoba, Spain. Proceedings of the 32th IEEE CBMS International Symposium on Computer-Based Medical Systems, 2019.

[4]   FARIAS, K. M. ; Neto, Pedro Santos ; SANTANA, A. M. ; BEZERRA NETO, R. P. . Using Historical Information of Patients for Prior Authorization Learning. In: Brazilian Conference on Intelligent Systems (BRACIS), 2019, Salvador, BA. Proceedings of the Brazilian Conference on Intelligent Systems (BRACIS), 2019.

Orientador: Raimundo Santos Moura

rsm@ufpi.edu.br

Tema 1: Análise de dados e tomada de decisão em problemas de reconhecimento de padrões

RESUMO: Técnicas de aprendizagem de máquina são utilizadas frequentemente em aplicações comerciais e projetos e pesquisa, incluindo áreas de tratamento e diagnóstico médico, controle de evasão escolar na educação básica, fundamental e superior, recomendação de produtos e serviços em redes sociais, entre outras [1]. Existem diversos métodos na literatura que são utilizados para análises de dados, compreensão de fenômenos e tomada de decisão em problemas de reconhecimento de padrões. Normalmente, esses problemas são resolvidos com o uso de algoritmos de Machine Learning (ML), em especial algoritmos para modelagem e classificação de dados. Projetos neste tema de pesquisa podem explorar o uso dos algoritmos de ML para o problema de reconhecimento de padrões e tomada de decisões. As referências [1, 2 e 3] podem ser utilizadas para a elaboração da uma proposta de pesquisa.

Tema 2: Análise de sentimentos e mineração de opiniões em descrições textuais

RESUMO: A evolução das pesquisas sobre coleta e análise de opiniões fomentou a criação da área de Análise de Sentimentos, definida como qualquer estudo feito computacionalmente envolvendo opiniões, sentimentos, avaliações, atitudes, afeições, visões, emoções e subjetividade, expressos de forma textual. Elas podem ser estruturadas genericamente em três etapas, segundo B. LIU [4]: i) identificar as opiniões expressas sobre determinado assunto ou alvo em um conjunto de documentos; ii) classificar a orientação semântica ou a polaridade dessa opinião: se tende a positiva ou negativa; e iii) apresentar os resultados de forma agregada e sumarizada. A maioria das pesquisas da área de Análise de Sentimentos são baseadas no nível de palavra, através da exploração de padrões linguísticos em tuplas . No entanto, métodos baseados no nível de conceito tem sido surgido e precisam ser melhor investigados. Projetos neste tema de pesquisa podem explorar a tarefa de identificação de opiniões, que consiste em extrair termos ou conceitos que ocorrem em um texto não estruturado e que fazem referência a entidades ou características do mundo real. O pré-projeto pode ser focado também na etapa de classificação da orientação semântica da opinião. As referências [4, 5, 6 e 7] podem ser exploradas como fundamentação teórica para o desenvolvimento de uma proposta de pesquisa.

TEMA 3: Desenvolvimento de Agentes inteligentes de conversação para interação com o usuário

RESUMO: Atualmente, um sistema que se comunique com seres humanos através da língua natural, seja ela falada ou escrita, é chamado Agente Conversacional (AC) ou Chatbot. Assistentes pessoais como “Google Assistant” da Google, “Cortana” da Microsoft, “Alexa” da Amazon e “Siri” da Apple são bons exemplos da popularização dos ACs. Estes sistemas são acessíveis, com um número crescente de adeptos e têm ganhado volume, poder de processamento e novas funcionalidades. Adicionalmente, eles também podem ser utilizados em conjunto com dispositivos inteligentes de IoT (Internet of Things) para criar soluções de automação predial e/ou residencial por meio de processamento de voz e texto [8]. CHAKRABARTI & LUGER, em [9], descrevem que as principais abordagens usadas para a criação de chatbots são: i) estocásticas, que usam frameworks estatísticos como a teoria bayesiana, cadeias escondidas de Markov e modelagem n-grams para construir sentenças individuais; ii) sintáticas, que usam técnicas de Processamento de Linguagem Natural (PLN) e linguística computacional para analisar e gerar construções gramaticais de conversações; e iii) semânticas, que usam modelos de significado a partir de uma estrutura de conhecimento para dirigir a análise e construção da sentença. Além dos assistentes pessoais, os chatbots são utilizados em diversos domínios de conhecimento, incluindo atendimento virtual em empresas, diagnóstico preventivo de doenças (ex. depressão), serviço de investimentos financeiros, entre outros. Projetos neste tema de pesquisa podem explorar o uso das abordagens de criação de chatbots em qualquer um dos domínios de conhecimento. As referências [8, 9, 10 e 11] podem ser exploradas como fundamentação teórica para o desenvolvimento de uma proposta de pesquisa. NOTA: Para os três temas indicados, as propostas que considerarem o uso de Redes Neurais Convolucionais [11], Lifelong Machine Learning [12] e Modelos de Língua [13] serão bonificadas com pontos extras na avaliação final.

REFERÊNCIAS:

[1] Muller, Andreas & Guido, Sarah. Introduction to Machine Learning with Python. O’Reilly Media, Inc., 2016.

[2] Mitchell, T. Machine Learning. McGraw-Hill, 1997.

[3] Mohammed Z., Wagner Meira, Jr., Data Mining and Machine Learning: Fundamental Concepts and Algorithms, 2nd Edition, Cambridge University Press, March 2020.

[4] LIU, B. Sentiment Analysis - Mining Opinions, Sentiments, and Emotions. [S.l.]: Cambridge University Press, 2015.

[5] FAST, A., DELEN, D., HILL, T., ELDER, J., MINER, G. & NISBET, B., Practical Text Mining and Statistical Analysis for Non-structured Text Data Applications. 1st ed. Academic Press, 2012.

[6] INDURKHYA, N & DAMERAU, F., Handbook of Natural Language Processing. 2nd Edition, CRC Press, 2010.

[7] PANG, B. & LEE, L. Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval, Now Publishers Inc., v. 2, n. 1-2, 1–135, 2008.

 [8] DOTIHAL, R., SOPORI, A., MUKU, A., DEOCHAKE, N. VARPE D. Smart Homes Using Alexa and Power Line Communication in IoT. In: SPRINGER. International Conference on Computer Networks and Communication Technologies. [S.l.], 2019.

 [9] CHAKRABARTI, C., LUGER, F. Artificial Conversations for Customer Service Chatter Bots: Architecture, Algorithms, and Evaluation Metrics. Expert Systems with Applications, 42: 6878-6897. 2015.

[10] YU, Shi; CHEN, Yuxin; ZAIDI, Hussain. A Financial Service Chatbot based on Deep Bidirectional Transformers. arXiv preprint arXiv:2003.04987v1, 2020.

[11] DENG, L., LIU, Y. Deep Learning in Natural Language Processing. Springer, 2018. [12] CHEN, Z., LIU, B. Lifelong Machine Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. 10(3), 1–145, 2016. [13] DEVLIN, J., CHANG, M., LEE, K., TOUTANOVA, K. Bert: Pre-Training of Deep Bidirectional Transformers for Language Understanding. arXiv preprint arXiv:1810.04805v2, 2018.

Orientador: Ricardo de Andrade Lira Rabelo

ricardoalr@ufpi.edu.br

Gerenciamento pelo Lado da Demanda.

Resumo: Esta temática de projeto propõe o estudo, o desenvolvimento e a implementação de um gerenciamento pelo lado da demanda como um serviço (do inglês, DSMaaS, Demand Side Management as a Service). O gerenciamento pelo lado da demanda vai englobar um conjunto de ferramentas e ações com o objetivo principal de garantir o equilíbrio entre o fornecimento e o consumo de energia elétrica, resultando em uma operação mais econômica e confiável do sistema elétrico de potência. Portanto, o gerenciamento pelo lado da demanda deve lidar com os programas de resposta à demanda, o consumo de energia elétrica, o conforto do consumidor, o aproveitamento das fontes renováveis, a existência de sistemas de armazenamento de energia, a diversidade de equipamentos elétricos, a qualidade de energia elétrica e o monitoramento das cargas. Simultaneamente, o gerenciamento pelo lado da demanda deve contemplar soluções automáticas, de modo a encorajar a participação dos consumidores ao reduzir a necessidade de intervenção manual. O DSMaaS proposto nesse projeto deve controlar a operação de cada eletrodoméstico, a geração a partir das fontes renováveis e o sistema de armazenamento de energia de modo a minimizar o custo associado ao consumo da eletricidade, considerando as informações de preço da rede, conforto dos moradores e prioridade de carregamento do sistema de armazenamento. Além disso, o DSMaaS também vai monitorar a qualidade de energia elétrica e o consumo individual dos eletrodomésticos conectados à rede a partir dos sinais de tensão e corrente fornecidos por meio do medidor inteligente. Para tanto o DSMaaS deverá implementar alguns protocolos de comunicação, como WiFi e ZigBee para prover a comunicação com os vários dispositivos instalados na residência e o medidor inteligente. O medidor inteligente proposto deve disponibilizar uma interface de comunicação interativa entre os serviços providos pela concessionária de energia e o ambiente residencial. Adicionalmente, as soluções propostas devem contemplar a análise de mudanças no panorama tecnológico, tais como a computação de borda, a qual viabiliza o processamento de dados que não estão na nuvem,

mas nas bordas extremas da rede, permitindo a análise de dados próximos à sua fonte. Com a computação de borda, os serviços providos através do gerenciamento pelo lado da demanda podem lidar com processamento em tempo real e com um grande fluxo de dados, reduzindo os requisitos para a computação em nuvem.

Referências

[1] FLETCHER, J.; MALALASEKERA, W. Development of a user-friendly, low-cost home energy monitoring and recording system.Energy, Elsevier, v. 111, p. 32–46, 2016.

[2] NGUYEN, T. A.; CROW, M. Stochastic optimization of renewable-based microgrid operation incorporating battery operating cost.IEEE Transactions on Power Systems, v. 31, n. 3, p. 2289–2296, 2016.

[3] PALENSKY, P.; DIETRICH, D. Demand side management: Demand response, intelligent energy systems, and smart loads. IEEE transactions on industrial informatics, IEEE, v. 7, n. 3, p. 381–388, 2011.

[4] PIPATTANASOMPORN, M.; KUZLU, M.; RAHMAN, S. An algorithm for intelligent home energy management and demand response analysis. IEEE Transactions on Smart Grid, IEEE, v. 3, n. 4, p. 2166–2173, 2012.

[5] SAFDARIAN, A.; FOTUHI-FIRUZABAD, M.; LEHTONEN, M. A distributed algorithm for managing residential demand response in smart grids. IEEE Transactions on Industrial Informatics, IEEE, v. 10, n. 4, p. 2385–2393, 2014.