TCC - Bacharelado em Ciência da Computação (Sede)
URI permanente para esta coleçãohttps://arandu.ufrpe.br/handle/123456789/415
Navegar
22 resultados
Resultados da Pesquisa
Item Revisão de métodos e ferramentas para teste no desenvolvimento de sistemas agênticos (aplicações de IA generativa)(2026-02-13) Leite, João Gabriel Cezário Vieira; Sampaio, Pablo Azevedo; http://lattes.cnpq.br/8865836949700771; http://lattes.cnpq.br/3773543225087055Item Análise de comparação entre modelos compreensão visual de documentos usando LoRA(2026) Albuquerque Neto, Edivaldo Leitão de; Macário Filho, Valmir; http://lattes.cnpq.br/4346898674852080; http://lattes.cnpq.br/5857699580126917O crescimento do volume de documentos digitais tem impulsionado o desenvolvimento de soluções baseadas em Inteligência Artificial para automatizar tarefas de extração e processamento de informações. Nesse contexto, este trabalho realiza uma análise comparativa dos modelos LayoutLMv3, DocFormer e Donut aplicados à tarefa de compreensão de documentos, investigando o impacto da técnica Low-Rank Adaptation (LoRA) no processo de ajuste fino dos modelos. A metodologia adotada consistiu na aplicação de diferentes configurações de LoRA, variando os módulos-alvo, o rank, o alpha, o dropout e a taxa de aprendizado, com o objetivo de reduzir o número de parâmetros treináveis sem comprometer o desempenho preditivo. Os experimentos foram conduzidos utilizando métricas de Precisão, Revocação e F1-Score para avaliar os resultados. Entre os modelos analisados, o LayoutLMv3 apresentou o melhor desempenho geral, alcançando Precisão de 92,02 %, Revocação de 90,01 % e F1-Score de 91,00% utilizando adaptação nos módulos Query e Value, com aproximadamente 1,19 milhão de parâmetros treináveis. O Donut também apresentou resultados competitivos, obtendo Precisão de 89,75%, Revocação de 92,13% e F1-Score de 90,92% com adaptação nos módulos queryj, value, key e output, empregando resolução de entrada de 960 × 720 pixels e aproximadamente 544 mil parâmetros treináveis. Os resultados demonstram que o uso de LoRA permite reduzir significativamente o número de parâmetros atualizados durante o treinamento, preservando elevados índices de desempenho. Além disso, observou-se que diferentes estratégias de adaptação influenciam diretamente o equilíbrio entre o custo computacional e a qualidade preditiva. Conclui-se que a combinação de modelos multimodais para a compreensão de documentos e de técnicas de ajuste fino eficientes representa uma alternativa viável para aplicações de Processamento Inteligente de Documentos, permitindo a obtenção de resultados competitivos com menor demanda computacional.Item Context aware recommender system via LLM in context learning(2026-07-07) Pinho, Fernanda Barbosa de; Nascimento, André Câmara Alves do; http://lattes.cnpq.br/0622594061462533; http://lattes.cnpq.br/1007611406229522Comunicação Aumentativa e Alternativa (CAA) oferece estratégias e ferramentas que apoiam indivíduos com deficiências de fala e motoras. Entre os sistemas de CAA de alta tecnologia, as interfaces baseadas em pictogramas são especialmente difundidas. No entanto, à medida que os vocabulários pessoais crescem, navegar por grandes grades de pictogramas torna-se exigente tanto do ponto de vista cognitivo quanto físico, um ônus que a recomendação de pictogramas sensível ao contexto pode atenuar. Abordagens anteriores baseiam-se em modelos probabilísticos ou classificadores supervisionados, deixando inexplorado o uso de Modelos de Linguagem de Grande Escala (LLMs) sob o paradigma sem ajuste fino (non-tuning) para a recomendação de pictogramas em CAA. Apresentamos um recomendador em dois estágios fundamentado no arcabouço GLLM4Rec. O Estágio 1 seleciona pictogramas candidatos utilizando frequência com decaimento temporal combinada à modelagem contextual. O Estágio 2 reordena esses candidatos por meio de um prompt estruturado que injeta o histórico do usuário, o agrupamento espacial e o contexto temporal como exemplos few-shot, sem atualizar nenhum parâmetro do modelo. Crucialmente, o LLM raciocina sobre identificadores numéricos brutos dos pictogramas, isolando a inferência baseada em padrões do conhecimento semântico. Em uma avaliação preliminar com registros de uma aplicação de CAA do mundo real, adotamos um protocolo de validação temporal deslizante (rolling) com dois usuários (55 folds, 1,770 interações de teste). A reordenação por LLM supera a linha de base probabilística do Estágio 1 nos mesmos dados e protocolo, alcançando Recall@5 = 0.556 ± 0.216 e MRR@10 = 0.348 ± 0.172 (vs. 0.496 e 0.297). Os ganhos concentram-se no topo do ranking (K ≤ 5), ao passo que a linha de base probabilística recupera mais itens em K = 10—revelando um trade-off entre precisão e cobertura particularmente relevante para o projeto de interfaces de CAA.Item Towards design justice and gender perspectives an inclusive audit of facial recognition systems(2025-08-08) SILVA, Aildson Nascimento Ferreira da; Santos, George Augusto Valença; http://lattes.cnpq.br/8525564952779211; http://lattes.cnpq.br/2054265131912669Este estudo apresenta uma análise qualitativa de ferramentas de reconhecimento facial comercialmente disponíveis que contam com Reconhecimento Automatizado de Gênero (RAG), especificamente Amazon Rekognition, Face++ e Vision AI do Google, para investigar seus vieses interseccionais inerentes e suas implicações éticas e sociais mais amplas. Embora a Inteligência Artificial ofereça eficiência, avaliar o viés da IA usando categorias demográficas isoladas ignora a discriminação interseccional, permitindo a persistência de desigualdades sistêmicas mais profundas, o que prejudica desproporcionalmente grupos marginalizados, como pessoas negras, transgêneras e não binárias. Para combater esses vieses, avaliamos as ferramentas em quatro dimensões críticas: responsabilidade legal e corporativa, considerações éticas, implicações sociais e Justiça, Equidade, Diversidade e Inclusão (JEDI). Nossas descobertas revelam um cenário misto. O Google demonstrou uma mudança proativa em direção à justiça algorítmica ao remover rótulos de gênero de seu Vision AI, reconhecendo a natureza problemática de se inferir o gênero a partir da aparência. Por outro lado, o Amazon Rekognition e o Face++ exibem uma falta preocupante de transparência em relação aos seus conjuntos de dados de treinamento e um desalinhamento com as melhores práticas para inclusão, particularmente no que diz respeito a visões de gênero não binárias e a real necessidade de identificação de gênero. Por fim, as descobertas reforçam que alcançar a justiça algorítmica exige ir além de uma simples inclusão para garantir a autonomia, a privacidade do usuário e uma mudança sistêmica. Depender apenas de resultados técnicos é insuficiente; a integração de frameworks como Design Justice e o IEEE Ethically Aligned Design ainda no processo de concepção é essencial. Além disso, as políticas públicas devem evoluir para evitar que a IA seja limitada por definições binárias. Estabelecer uma tecnologia ética e centrada no ser humano exige uma forte colaboração interdisciplinar para proteger populações vulneráveis e garantir que os algoritmos respeitem genuinamente a diversidade das comunidades que atendem.Item Avaliação comparativa e otimização de small language models para extração de informações aplicadas em comunicação assistiva(2026-07-07) Melo, Caio Fontes de; Nascimento, André Câmara Alves do; http://lattes.cnpq.br/0622594061462533Sistemas de Comunicação Aumentativa e Alternativa (CAA) podem apoiar a autonomia de pessoas com deficiência de fala ao oferecerem formas alternativas de expressar necessidades, preferências e intenções. No entanto, muitas aplicações de CAA ainda dependem de pranchas de comunicação definidas manualmente, o que pode limitar a flexibilidade e a adaptação contextual. Este trabalho investiga o uso de Small Language Models (SLMs) em duas tarefas de processamento de linguagem natural relacionadas à CAA: classificação de intenção de perguntas e extração de opções de escolha em perguntas contendo alternativas explícitas. Cinco SLMs foram ajustados por meio de Quantized Low-Rank Adaptation (QLoRA) e quantização em 4 bits, sendo avaliados em comparação com um baseline baseado no Bidirectional Encoder Representations from Transformers (BERT) na tarefa de classificação de intenção e com uma referência Gemini 3.1 Pro na tarefa de extração de opções. Os resultados mostram que SLMs ajustados podem alcançar desempenho competitivo em ambas as tarefas. Em particular, o baseline BERT manteve o melhor desempenho na classificação de intenção, seguido de perto pelo Llama-3. No entanto, o Phi-3 Mini obteve o melhor desempenho na extração de opções, superando a referência Gemini. Esses achados sugerem que modelos de linguagem compactos e especializados para tarefas específicas podem ser uma alternativa viável para aplicações de CAA inteligentes e eficientes.Item Uma abordagem prática de produção de jogos utilizando ferramentas de IA generativa em cima da plataforma Unity(2026-02-10) Saraiva, Antonio Marcos; Nascimento, Leandro Marques do; http://lattes.cnpq.br/9163931285515006O setor de jogos digitais evoluiu de forma exponencial desde 1959, transformando-se na maior indústria de entretenimento global. As Inteligências Artificiais (lAs) generativas representam um marco capaz de reduzir drasticamente o tempo e o custo de produção. Ao tornarem a criação de ativos visuais, sonoros e narrativos mais acessível, elas democratizam o desenvolvimento e validam sua eficácia, inclusive em eventos de criação rápida como as Game Jams. O nosso estudo demonstrou a viabilidade e eficácia da Inteligência Artificial (IA) generativa como ferramenta fundamental no ciclo de desenvolvimento de jogos digitais, mesmo em prazos extremamente curtos (Game Jams de 15 a 30 dias). O estudo analisou três projetos distintos — "Saci Pererê: o chamado da Iara" (Ação/Aventura 2.5D, folclore), "Ecos de Aethelgard" (Metroidvania 3D, fantasia medieval) e "Intermediate Dimension" (Ação 2D, corrida contra o tempo, terror). Em todos os casos, a IA, especificamente o Gemini e ferramentas associadas (Tripo3d.Al, Meshy.Al, Poly.cam, Veo3.Gemini, Sora.ChatGPT), foi extensivamente utilizada para cumprir os objetivos centrais. A produção de narrativa e a identificação de personagens foram prontamente atendidas pela IA, fornecendo sinopses coesas e perfis detalhados a partir de prompts específicos. A geração de itens gráficos (assets) foi o ponto de maior colaboração: a IA produziu imagens de conceito (T-Pose/A-pose) que, subsequentemente, foram transformadas em modelos 3D usando outras ferramentas de IA. Embora a criação de modelos 3D e itens interativos tenha sido bem-sucedida, o estudo destacou desafios técnicos. A geração direta de spritesheets 2D por IA para personagens complexos provou ser inviável devido à falta de consistência entre frames no curto prazo, levando ao uso de um pipeline híbrido: Imagem IA -> Modelo 3D -> Mixamo (Animação) -> FbxToPNG-sprite-sheet-creator (Spritesheets). Esse método, embora exigindo intervenção manual (como a edição do Saci Pererê para manter uma perna só ou otimização de modelos 3D no MeshLab para "Ecos de Aethelgard"), permitiu a criação rápida de animações e a conversão para formatos 2D e 2.5D. A produção de efeitos audiovisuais foi parcialmente atendida. A IA foi eficaz na geração de trilhas sonoras (producer.ai), mas a maioria dos efeitos sonoros de personagens e ambiência foi obtida de repositórios da web devido à restrição de tempo. A escrita de scripts demonstrou ser uma área de forte colaboração, com a IA fornecendo o esqueleto do código C# e auxiliando na depuração, permitindo a implementação de mecãnicas complexas, como salvar e carregar os atributos do jogador, repositório e recompensas entre cenas. Em síntese, a IA funcionou como uma aceleradora de produção de conteúdo (narrativa, visual e esqueleto de código), transformando o desenvolvimento de jogos em um processo mais rápido e eficiente, apesar das limitações na geração de imagens específicas (Saci e Curupira) e na necessidade de otimização de modelos.Item Small language models for augmentative and alternative communication(2026-02-03) Silva, Lenon Anthony de Souza da; Nascimento, André Câmara Alves do; http://lattes.cnpq.br/0622594061462533; http://lattes.cnpq.br/1791007035243091A Comunicação Aumentativa e Alternativa (CAA) é fundamental para milhões de pessoas com necessidades complexas de comunicação. Ferramentas tradicionais de CAA enfrentam um trade-off entre expressividade e eficiência, enquanto soluções baseadas em Large Language Models (LLMs) exigem conectividade e levantam preocupações de privacidade. Este trabalho investiga a especialização de Small Language Models (SLMs) para geração de cartões de comunicação em português brasileiro, em que cada cartão é composto por uma frase curta, uma frase longa e um símbolo visual (emoji Unicode). Foi desenvolvido um pipeline de construção de dataset combinando curadoria manual, aumento sintético via GPT-4o-mini e integração com a base ARASAAC, resultando em aproximadamente 17.800 exemplos anotados. Uma contribuição central é o framework de classificação baseado na distinção entre vocabulário Core (gramatical) e Fringe (tópico), fundamentado na literatura clínica de CAA. Sete modelos de três famílias de SLMs (Qwen, Llama, Gemma) foram avaliados no conjunto de teste com configuração padronizada de PEFT/LoRA e quantização 4-bit, utilizando BLEU, ROUGE e similaridade semântica sobre a string completa gerada em comparação com a referência do dataset. Os resultados indicam que o Qwen3-1.7B apresenta o melhor equilíbrio entre qualidade (BLEU: 0.1453, ROUGE-L F1: 0.3142, similaridade semântica: 0.77) e eficiência, viabilizando inferência local em GPUs de médio-alto desempenho com VRAM de 12GB. Foi também desenvolvida uma infraestrutura de avaliação com usuários reais, cujo piloto está planejado como próxima fase da pesquisa. Os resultados indicam a viabilidade de assistentes de CAA privados e offline baseados em SLMs especializados.Item Análise comparativa de técnicas de engenharia de prompt aplicadas a tarefas de recomendação via LLMs(2026-02-13) Silva, Cleyton José Rodrigues da; Lima, Lucas Albertins de; http://lattes.cnpq.br/0465071050875729Sistemas de recomendação são produzidos para sugerir itens a serem consumidos por usuários clientes de uma determinada plataforma digital, seja em e-commerce ou em aplicativos de streaming de conteúdo, tendo o intuito de se adequar cada vez mais às preferências dos usuários-alvos, buscando um teor de personalização que contribua para o sucesso da plataforma. As abordagens mais utilizadas atualmente se apresentam numa combinação de técnicas tradicionais de recomendação com o poder dos LLMs para alavancar a qualidade e precisão das recomendações. Os LLMs são modelos que possuem altas capacidades de compreensão de linguagem e de inferência de linguagem natural e, desde a apresentação do modelo GPT-3, foi evidenciado que o resultado de tarefas executadas por modelos deste tipo podem ter sua qualidade alavancada ao estruturar as prompts de interação sob pretextos que melhor extraiam sua capacidade in-context-learning. Técnicas de engenharia de prompt como as zero-shot, onde se descreve a tarefa em linguagem natural, foram desde então integradas no funcionamento de sistemas de recomendação, e este trabalho analisa uma abordagem onde se usa o LLM como recomendador, propondo uma análise comparativa dos impactos de aplicar quatro variantes de estratégias representativas a técnicas de engenharia de prompt distintas, em substituição a uma estratégia definida como baseline de comparação. Experimentos são feitos para diferentes combinações entre três LLMs em duas bases de dados distintas, apresentando resultados experimentais variados dentre as combinações modelo-estratégia, encontrando ganhos de até 17.76% em taxa de acerto de recomendação entre diferentes combinações, com métricas que em parte mostram superação em taxa de acerto contra o baseline, e que, por outro lado, mostram o baseline mantendo superioridade na qualidade da recomendação gerada.Item Engenharia de software assistida por IA: motivações, ameaças, incentivos e impacto(2026-02-06) Silva Filho, Ronaldo Rodrigues da; Souza, Ricardo André Cavalcante de; http://lattes.cnpq.br/7101881357139219; http://lattes.cnpq.br/3935801424898796A Engenharia de Software assistida por Inteligência Artificial (IA) transcende a geração e a otimização de código fonte, impactando também a dinâmica cognitiva e social dos profissionais envolvidos. Neste sentido, este estudo apresenta quatro dimensões (Motivação, Ameaças, Incentivos e Impacto), de natureza humana e organizacional, que podem direcionar um diagnóstico mais amplo da percepção e maturidade das equipes em adotar a IA nas atividades de engenharia de software. Como produto de trabalho, foi desenvolvido um instrumento de coleta de dados, estruturado por meio das dimensões supracitadas, com questões específicas elaboradas a partir de achados na literatura científica. O instrumento desenvolvido foi aplicado em um survey piloto no ecossistema local, o qual contou com a participação de 46 profissionais que atuam em atividades de engenharia de software. O feedback obtido aponta para a adoção da IA impulsionada pela facilidade de aprendizado e resolução de problemas. Contudo, também revelou algumas tensões críticas na experiência profissional, tais como, o receio da perda de habilidades analíticas (deskilling), a insegurança gerada pela ausência de governança de dados nas empresas, e um paradoxo na eficiência, onde o ganho de tempo proporcionado com o uso da IA é redirecionado para o aumento do volume de entregas previstas no backlog ao invés da busca pela inovação ou do bem-estar pessoal. O instrumento de coleta de dados proposto mostra-se como uma ferramenta útil que pode ser (re)usada por organizações interessadas em avaliar percepções sobre a maturidade do uso da IA na Engenharia de Software visando o direcionamento de estratégias que equilibrem produtividade técnica com segurança psicológica e desenvolvimento profissional.Item AIDungeonMaster: projeto e implementação de um mestre de jogo artificial baseado em LLM para jogos de RPG narrativos textuais(2026-03-12) Santos, Samuel Vidal dos; Figueiredo, Lucas Silva; http://lattes.cnpq.br/3195170463502606; http://lattes.cnpq.br/3416419290870305O uso de modelos de linguagem de grande porte (LLMs) em jogos de RPG narrativos tem se tornado cada vez mais comum, permitindo experiências interativas baseadas em linguagem natural. No entanto, essas abordagens frequentemente apresentam problemas relacionados à consistência do estado do mundo, coerência narrativa e previsibilidade das consequências das ações do jogador, especialmente em interações prolongadas. A ausência de mecanismos estruturados de validação, mediação e persistência do estado narrativo compromete a credibilidade, imersão e a continuidade dessas experiências. Este trabalho apresenta o AIDungeonMaster, um sistema projetado como uma alternativa arquitetural para jogos de RPG narrativos assistidos por LLMs, com foco na separação explícita entre interpretação de intenções, validação mecânica, execução de ações e geração narrativa. A proposta busca mitigar inconsistências comuns ao delegar à LLM apenas responsabilidades narrativas e interpretativas, enquanto regras, estados e consequências são controlados por camadas determinísticas do sistema. O AIDungeonMaster utiliza um fluxo baseado em intenções, agentes especializados e representação estruturada do estado do mundo, permitindo maior controle sobre ações permitidas, consequências diretas, além de facilitar a manutenção da coerência narrativa ao longo da campanha. Como resultado, o sistema demonstra uma abordagem mais robusta para integração de LLMs em RPGs narrativos, preservando a criatividade da geração de textos sem comprometer a integridade do mundo de jogo.
- «
- 1 (current)
- 2
- 3
- »