ConteúdCoordenado pelo Professor Edelberto Silva da UFJF, o projeto visa a predição de eventos críticos no serviço eduroam, alertando seu administrador em nível de federação, e também em nível institucional sobre anomalias relacionadas à autenticação de usuários. Com a utilização de técnicas de inteligência artificial e baseando-se na análise de grandes massas de dados de registros do serviço, tanto em modo offline quanto online, algoritmos de aprendizado de máquina são aplicados a fim de identificar problemas relacionados à autenticação de usuários de instituições específicas e possíveis comportamentos anormais correlacionados à autenticação federada.

O projeto utiliza o Azure Machine Learning Studio para pré-processar a base de dados de registro do serviço de tal forma que a deixe preparada para a inserção no modelo preditivo que também será́ criado nessa plataforma.

O Azure Machine Learning Studio é uma plataforma que tem como proposta facilitar a criação e manipulação de modelos preditivos de forma simples e efetiva, permitindo também ao usuário salvar modelos já́ treinados para uso posterior.

Ainda, o grupo utiliza o Power BI, uma poderosa ferramenta da Microsoft que tem várias funcionalidades que permitem uma análise de dados rápida e profunda de modo que possa ser tomada decisões eficientes.

A Internet das Coisas trouxe novos desafios em segurança e autenticação. O rápido aumento do número de dispositivos conectados impôs uma carga adicional aos administradores de rede para gerenciar as redes, sobretudo, em termos de segurança. Essa é a razão pela qual o gerenciamento de identidades deve ser considerado um desafio-chave na Internet das Coisas.

O projeto é coordenado pelo Professor Kleber Cardoso, da UFG, e propôs uma solução que fornece um serviço de autenticação externo aos dispositivos IoT, baseado no padrão de transmissão do sinal de radiofrequência do dispositivo e de padrões de transmissão das suas aplicações, fornecendo um serviço de autenticação de camada física e de aplicação (ou serviço).

Para o desenvolvimento do projeto, o grupo utiliza o Azure Machine Learning Service, que permite criar soluções completas de Aprendizado de Maquina e, facilmente, colocá-las em produção. O serviço fornece SDKs e ferramentas para preparar dados rapidamente, treinar e implantar modelos de ML personalizados.

O treinamento do algoritmo é a fase mais cara computacionalmente no processo de classificação e exige recursos computacionais extras (eg. GPUs). Por outro lado, na fase de predição, quando o algoritmo já́ está treinado, não é necessário muito recurso computacional. Devido a essa variação, provisionar um recurso computacional fixo não é interessante, sendo necessária uma alocação conforme o uso. Uma solução é usar um sistema de orquestração, que provisiona recursos conforme a necessidade. A Azure fornece um serviço denominado Azure Kubernetes Service (AKS), que tem o objetivo de gerenciar e tornar fácil o processo de implantação e gerenciamento de aplicativos em contêineres. O AKS faz parte do fluxo de Machine Learning da Azure e permite criar aplicações a partir dos modelos de Machine Learning treinados.

Já o processo de escolha do Banco de Dados para o SAMD4IoT se deu pelos requisitos de armazenamento de uma grande quantidade de dados, consultas rápidas aos dados e disponibilidade do banco.

Devido a essas características, o grupo tem utilizado o Azure Cosmos DB. O Azure Cosmos DB é um serviço de banco de dados da Microsoft e foi desenvolvido com intuito de ser elástico, de fácil escalabilidade e globalmente distribuído. Hoje, o serviço do Cosmos DB se integra com diversas linguagens, incluindo Java, Python, C# e NodeJs.

O monitoramento do desempenho de rede é tópico de extrema relevância para a comunidade científica e a indústria de modo geral. Mais recentemente, pesquisadores e empresas têm lançado esforços no uso de algoritmos de IA para a resolução de problemas relacionados aos tópicos citados. Porém, com o grande volume de dados e a necessidade ferramentas interatidas e eficientes.

O projeto, coordenado pelo Professor Antônio Augusto Rocha, da UFF, consiste no desenvolvimento de uma ferramenta-protótipo visual e interativa, capaz de analisar fluxos de pacotes de dados que trafegam através do backbone da RNP utilizando algoritmos de Inteligência Artificial dentre os disponibilizados pelo framework ML.NET da Microsoft.

O grupo utiliza o framework ML.NET para realizar a análise dos fluxos de dados e uma máquina virtual da plataforma Azure para hospedar a versão “pública” da ferramenta-protótipo Network Borescope.

Os ambientes inteligentes atuais são compostos por dispositivos da Internet das Coisas (IoT) e de usuários finais (notebooks, tablets, etc) comunicando-se entre si e com a Internet. Os dispositivos IoT estão sujeitos a comportamentos anômalos (funcionamento fora do padrão), devido a vulnerabilidades de segurança ou mau funcionamento. Monitorar o comportamento destes dispositivos torna-se crucial para garantir um desempenho eficiente da rede.

Este projeto, coordenado pelo Professor Rafael Gomes, da UECE, desenvolve um sistema para monitoramento de tráfego e detecção de anomalias em ambientes inteligentes suportado por Inteligência Artificial (IA), gerando um perfil da rede e detectando possíveis anomalias através de um comportamento de tráfego fora do padrão previsto.

Na fase de estudos, para escolher as melhores técnicas descritas na literatura, a fim de definir a técnica mais adequada ao contexto deste projeto, o grupo utilizou a plataforma Microsoft Azure Machine Learning Studio. Para os pesquisadores, a plataforma mostrou-se uma ferramenta completa, com vários exemplos prontos e tutoriais e de fácil modelagem para o contexto das suas aplicações.

Posteriormente, durante a fase de desenvolvimento, o grupo utilizou as máquinas virtuais disponíveis na plataforma Azure para realizar os treinamentos dos algoritmos de Aprendizagem de Máquina, visto que estes exigem um grande poder computacional (principalmente capacidade de processamento e quantidade de memória principal) devido ao grande volume de dados de entrada (os dados de redes coletados durante a fase de monitoramento).

O projeto Teleoftalmo-UFRGS efetua exames oftalmológicos em pacientes do Sistema Único de Saúde (SUS) via ferramenta própria de vídeo colaboração que permite a interação em tempo-real entre médicos especialistas e pacientes em centros remotos. Utilizando essa ferramenta, o médico especialista pode conversar com os pacientes e realizar exames oftalmológicos à distância. Entretanto, a crescente demanda de avaliações oftalmológicas traz consigo a necessidade de implementação de soluções que agilizem o tempo de análise e emissão de laudos de exames e, por consequência, otimize o uso dos recursos financeiros do SUS.

Este projeto, coordenado pelo Professor Ronaldo Husemann, da UFRGS, propõe o desenvolvimento de um aplicativo de Inteligência Artificial auxiliar que possa, a partir do processamento de imagens oftalmológicas, obter a classificação automática entre paciente “Normal” e com catarata, agilizando a tomada de decisão do médico remoto. O que se busca especificamente é o desenvolvimento de um aplicativo auxiliar que possa, a partir de fotos, obter a classificação automática, agilizando a tomada de decisão do médico remoto.

A primeira etapa tem por finalidade buscar e isolar regiões relevantes da imagem. A plataforma de desenvolvimento utilizada para esta etapa é uma máquina virtual de ciência de dados baseda em Windows disponível na plataforma Azure, o ambiente Visual Studio e uma biblioteca de processamento de imagens (OpenCV).

A etapa 2, ainda em desenvolvimento, tem a função de mensurar a opacidade no cristalino (lente do olho) através da análise da imagem da pupila, para a classificação da doença. Será utilizada uma rede de aprendizagem profunda (deep learning) baseado em redes neurais. Sua implementação será feita usando a plataforma Azure Machine Learning que provê suporte a frameworks notórios como Keras e Tensorflow. Desta forma se pretende gerar uma solução robusta e integrável com aplicações gráficas de Visual Studio.

A popularização de equipamentos de captura de vídeo e serviços para seu armazenamento e transmissão, possibilitou a produção de um massivo volume de dados de vídeo. O Youtube, por exemplo, registrou em 2014 upload de 72 horas de vídeo por minuto. Enquanto que em 2018, esse número subiu para 400 horas de vídeo por minuto. Esse cenário apresenta desafio de controle do tipo de conteúdo que é carregado para esses serviços de armazenamento videos. Por exemplo, serviços como o video@RNP, ICD e ITVRP constituem redes de compartilhamento vídeo que se focam em conteúdo educacional e possuem restrições a conteúdos impróprios.

A classificação desse tipo de conteúdo requer uma análise automática desse volume de forma eficiente e prática. Métodos baseados em Deep Learning (DL) se tornaram o estado-da-arte em vários segmentos relacionados a análise automática de mídia.

Coordenado pelo Pesquisador Álan Guedes, da PUC-Rio, este projeto tem como foco avaliar e desenvolver tais métodos de DL para detecção de conteúdo impróprio em cenas de vídeo. Para isto, o projeto utiliza arquiteturas de Deep Learning baseadas em Convolutional Neural Network (CNN). As CNNs serão usadas para extrair as features audio-visuais dos frames e áudio do vídeo com a finalidade de classificar o conteúdo com próprio ou impróprio.