Resumo: A arquitetura extensível do Kubernetes, consolidada como uma das principais plataformas para orquestração de contêineres, viabiliza a integração de múltiplos sistemas de armazenamento persistente. Essa integração é padronizada pela especificação CSI (Container Storage Interface), que define um conjunto de chamadas RPC para o desenvolvimento de plugins (drivers) por terceiros. Nesse contexto, o LVM (Logical Volume Manager) destaca-se como uma ferramenta madura e onipresente para o gerenciamento de discos em ambientes Linux. Apesar de sua simplicidade para o gerenciamento de volumes locais, a aplicação do LVM em clusters com armazenamento compartilhado tradicionalmente depende da configuração e instalação de softwares adicionais para formação de cluster e locking distribuído, o que introduz uma complexidade elevada ao processo de implantação. Este trabalho apresenta o desenvolvimento do csi-shared-lvm, um driver CSI que utiliza a biblioteca de leader election do Kubernetes para coordenar a manipulação dos metadados do LVM e prevenir a corrupção de dados nos volumes provisionados, dispensando a necessidade de ferramentas externas. O resultado é uma solução de armazenamento robusta, de código aberto, implantação simples e que otimiza significativamente os processos de gerenciamento e instalação de armazenamento persistente em ambientes de infraestrutura compartilhada.

Resumo: Este trabalho apresenta uma revisão sistemática da literatura dos últimos cinco anos sobre métodos de predição de evasão no ensino superior baseados em técnicas de inteligência artificial. Foram analisados doze estudos que empregaram metodologias variadas — desde algoritmos clássicos de machine learning até abordagens mais sofisticadas de deep learning — revelando diferentes graus de desempenho conforme o contexto institucional e os dados disponíveis. A maioria dos estudos utilizou estruturas de dados semelhantes, compostas principalmente por informações acadêmicas, socioeconômicas e demográficas. Nesse cenário, algoritmos baseados em árvores de decisão e técnicas de ensemble destacaram-se por oferecer um bom equilíbrio entre desempenho, interpretabilidade e complexidade computacional. Como trabalho futuro, propõe-se investigar o impacto das políticas institucionais de permanência estudantil sobre a probabilidade de evasão.

Abstract: Large-scale enterprise ontologies often suffer from critical fragmentation, where logical connections between data entities remain unmapped due to siloed development and unreliable metadata. This paper presents a scalable, value-based methodology for the automatic discovery of implicit relationships within industrial big data platforms. To overcome the limitations of metadata-driven approaches, the proposed solution implements a foreign key analysis that directly examines data values. We introduce a novel confidence scoring model, incorporating source saturation, target coverage, and a Primary Key Randomness Score, to quantify the strength and validity of potential links while mitigating false positives from low-entropy identifiers. The algorithm was validated against a control group of existing relationships, achieving a recall rate of 72%, and subsequently identified thousands of previously unmapped connections, significantly enhancing the graph's connectivity. The methodology was further operationalized into a self-service governance application, empowering data teams to continuously enrich the enterprise data model and strengthen the integrity of the organizational digital twin.

Resumo: A placa educacional BitDogLab visa democratizar o ensino de conceitos STEAM (Science, Technology, Engineering, Arts, and Mathematics) utilizando fluxogramas para mitigar barreiras sintáticas em programação. Este trabalho propõe o desenvolvimento e a validação de um assistente inteligente capaz de interpretar esses diagramas visuais e convertê-los automaticamente em código funcional (MicroPython), atuando como tutor virtual. O objetivo central consistiu na realização de um estudo comparativo (benchmarking) para identificar os Grandes Modelos de Linguagem (LLMs) e Multimodais (LMMs) mais aptos a operar nesta ferramenta, considerando restrições de hardware local (GPUs de consumo com 24 GiB de VRAM). Para a avaliação, foi desenvolvido integralmente um dataset proprietário ``padrão-ouro'' composto por 20 triplas alinhadas (fluxograma, pseudocódigo e código), cobrindo exaustivamente os periféricos da placa. A metodologia adotou métricas qualitativas de quatro níveis para analisar tanto a fidelidade da interpretação visual quanto a corretude funcional do código gerado. Os experimentos demonstraram que, para a etapa de visão, o modelo Qwen3-VL-Instruct (8B) apresentou desempenho superior na compreensão de topologia e OCR. Na etapa de codificação, o modelo NextCoder-14B destacou-se como a escolha ótima, oferecendo um equilíbrio crítico entre precisão sintática e eficiência de memória, em contraste com modelos maiores como o GPT-OSS-20B. Conclui-se que a orquestração híbrida entre Qwen3-VL e NextCoder viabiliza a execução simultânea dos agentes em ambiente local, proporcionando uma solução robusta para o ensino de lógica de programação.

Abstract: Informal urban centers represent a persistent challenge for urban planning in Brazil due to their heterogeneity, structural precariousness, and the scarcity of standardized, high-resolution data. In this study, we propose an interpretable machine learning approach to classify informal urban centers across six Brazilian hubs using an Explainable Boosting Machine (EBM). A spatially structured dataset was built by intersecting census-based socioeconomic indicators with the official mapping of informal urban centers, producing a binary classification framework. To evaluate the robustness of the model under spatial heterogeneity, we implemented two training strategies: a weighted model incorporating a city-propensity adjustment and a standard unweighted model, each tested on a held-out hub. Results for the Porto Alegre test hub show that the weighted model achieves an AUC of 0.826, outperforming the standard model at 0.818. Feature importance rankings indicate consistent relevance of demographic density, income indicators, and local infrastructure. The findings highlight the potential of interpretable models to support policy-oriented spatial classification tasks, providing both predictive accuracy and transparent insights that can guide targeted urban interventions.

Resumo: Sistemas de Recomendação tornaram-se onipresentes em plataformas digitais, moldando o consumo de informação e entretenimento. Tradicionalmente, a eficácia desses sistemas é medida por métricas de acurácia, como o erro quadrático médio. No entanto, a maximização da acurácia pode, inadvertidamente, amplificar vieses e perpetuar desigualdades presentes nos dados históricos. Este trabalho propõe uma avaliação conjunta de desempenho preditivo e justiça (fairness) em algoritmos de Filtragem Colaborativa. Utilizando a biblioteca Surprise para modelagem e a biblioteca Fairlearn para auditoria de viés, foram analisados modelos clássicos sobre quatro bases de dados de contextos distintos: MovieLens (100k e 1M), Amazon Music, Book Crossing e MyAnimeList. A análise investigou não apenas a justiça sob a ótica do usuário, considerando atributos como idade e gênero, mas também sob a ótica do item, avaliando categorias como gênero da obra e país de origem. Os resultados indicam que, embora os modelos mantenham níveis aceitáveis de paridade demográfica entre grupos de usuários, eles apresentam disparidades significativas na recomendação de itens, penalizando sistematicamente gêneros de nicho e produções fora do mainstream.

Resumo: Máquinas de estado fuzzy expandem as máquinas de estado tradicionais, incorporando incertezas em seus modelos. Isso facilita a modelagem de sistemas complexos e torna-as atrativas para várias áreas. No entanto, sua adoção é limitada por duas dificuldades. A primeira refere-se à forma de calcular o valor de pertinência das variáveis de entrada, que são usadas para formar sentenças em lógica fuzzy nas transições. A segunda está relacionada à escolha da função de transferência de pertinência entre estados, a qual leva em conta a pertinência do estado fonte e da transição. Ademais, o estudo da simulação das máquinas fuzzy é limitado, de modo que certos tópicos, como a validação do modelo, foram pouco desenvolvidos.

Nesse contexto, este trabalho busca aprofundar os estudos na área da simulação como um meio de mitigar essas dificuldades. Isso é feito por meio do desenvolvimento de um método de comparar opções de funções e validar o modelo com o uso de entradas controladas.

Resumo: As limitações inerentes ao processo manual de interpretação sísmica demandam especialistas altamente treinados e frequentemente produzem segmentações com viéses e inconsistências. Aprendizado profundo é utilizado para lidar com esses problemas, automatizando esse processo. No entanto, o treinamento desses modelos tipicamente precisa de uma quantidade grande de dados rotulados, que, no contexto de dados sísmicos, essa rotulagem tem um altíssimo custo. Assim, a falta de dados rotulados ainda é um obstáculo significativo para a utilização de métodos de aprendizado de máquina supervisionado para processamento de dados sísmicos.

Técnicas de self-supervised learning (SSL) têm surgido como uma ferramenta para lidar com a escassez de dados rotulados, porém a maioria das técnicas SSL foi projetada no contexto de imagem natural ou em domínios específicos como dados médicos. Por outro lado, os atributos sísmicos desempenham um papel essencial na caracterização de padrões geológicos como falhas, horizontes e fácies sísmicas, mas não se exploram ainda em técnica SSL.

Este trabalho discute como técnicas de SSL podem ser empregadas para mitigar a escassez de rótulos e como o uso de diferentes atributos sísmicos impacta o desempenho desses métodos em tarefas de segmentação semântica de dados sísmicos. À luz de resultados anteriores envolvendo segmentação baseada em atributos, detecção de falhas e métodos não supervisionados, conjecturamos que a integração sistemática entre atributos sísmicos e pré-treinos auto-supervisionados pode oferecer avanços relevantes em diversas aplicações de interpretação sísmica, ao produzir representações capazes de generalizar melhor para regiões não vistas pelo modelo e de lidar com classes minoritárias.

Resumo: Atualmente, a arquitetura de microserviços está amplamente presente em aplicações do mercado, consolidando-se como um dos principais padrões para sistemas distribuídos em nuvem, devido à modularidade, escalabilidade e independência de seus componentes. Em razão dessa popularidade crescente, diversas pesquisas acadêmicas dependem de aplicações baseadas em microserviços para servir de benchmarks em seus estudos. Segundo (D’ARAGONA et al., 2024), grande parte desses trabalhos fundamenta suas análises em aplicações desenvolvidas especificamente para fins experimentais, o que pode introduzir vieses relevantes nos resultados. Com o objetivo de mitigar esse problema, os autores propuseram a criação e a disponibilização de um dataset composto por aplicações open source desenvolvidas segundo a arquitetura de microserviços. Este estudo também tem como objetivo disponibilizar um dataset público de aplicações baseadas em microserviços. Diferentemente de (D’ARAGONA et al., 2024), contudo, este trabalho se restringe a aplicações reais, excluindo provas de conceito e repositórios de caráter experimental ou simplificado. O intuito é reduzir vieses e representar de forma mais fidedigna o ecossistema real de aplicações que adotam essa arquitetura. Para atingir esse objetivo, realizou-se um estudo de Mineração de Repositórios de Software (MSR), no qual foi desenvolvido um notebook em Python que consultou a API do GitHub. Inicialmente, foram identificados 1.969 repositórios; após uma seleção criteriosa, 126 foram selecionados para análise manual. Ao final desse processo, obtiveram-se 9 repositórios que atendiam aos critérios estabelecidos, compondo assim o dataset final de aplicações reais baseadas em microserviços.

Abstract: Efficient weather routing is essential for modern merchant shipping, as route planning must simultaneously account for safety, energy efficiency, and rapidly evolving metocean conditions. Traditional optimization approaches - such as isochrone methods, dynamic programming, and 2D Dijkstra formulations - typically assume fixed ship speed or coarse discretizations, often discarding potentially optimal sub-paths and requiring several minutes to produce a single route. This work presents a new graph-based, threedimensional weather-routing algorithm designed to compute near-optimal ship trajectories in a matter of seconds. The method reinterprets the 3D weighted-graph formulation proposed by Wang et al. (2019) and replaces the conventional time-marching isochrone expansion with a preconstructed N-tree graph generated from spherical isodistance layers centered at the departure point. Each spatial waypoint is expanded into a set of feasible arrival times, forming a full 3D node structure. Edges between stages are built under physical and navigational constraints, and each edge is assigned a cost using a multidimensional speed-loss table provided by Amphitrite, which incorporates waves, wind, currents, heading, and vessel characteristics. Because the graph contains no cycles, the optimal route for any target ETA can be obtained efficiently through a single breadth-first search.

Performance was evaluated using operational metocean data from CMEMS MERCATOR and ECMWF IFS, and bathymetric and coastline masks for land avoidance. A systematic parameter study shows that the algorithm can produce globally optimal or near-optimal routes with execution times as low as a 2 or 3 seconds for long transatlantic voyages. The method also supports variable vessel speeds rather than fixed-power or fixed-speed assumptions, enabling more realistic operational planning. This demonstrates that the proposed 3D N-tree graph combined with BFS search is a fast, flexible, and accurate alternative to traditional weather-routing techniques, and provides a foundation for future improvements such as parallel computing (MPI/OpenMP), multi-route parameter generalization, and integration with power-level decision models.

Resumo: O presente trabalho desenvolveu uma infraestrutura tecnológica para viabilizar a tradução automática de conteúdos web para a Língua Brasileira de Sinais (Libras), fundamentada na construção de um corpus paralelo multimodal de alta fidelidade com cerca de 2400 sentenças capturadas via sistemas de motion capture. A proposta técnica concretizou-se na implementação de APIs de integração em Python, compostas por um Crawler para mapeamento de domínios e um Parser capaz de segmentar textos e injetar automaticamente janelas de acessibilidade, solução esta validada na adaptação de páginas dinâmicas complexas como cardápios universitários.

Na vertente de interface com o usuário, o projeto entregou um widget modular que suporta tanto a reprodução de vídeos pré-renderizados quanto a animação de avatares 3D em tempo real via WebGL, visando otimizar o consumo de dados. A arquitetura desenvolvida contempla ainda um ambiente de renderização em tempo real validado publicamente, estabelecendo um ecossistema robusto de ferramentas de engenharia de dados e visualização gráfica para promover a autonomia digital da comunidade surda.

Abstract: This work developed a technological infrastructure to enable the automatic translation of web content into Brazilian Sign Language (Libras), based on the construction of a high-fidelity multimodal parallel corpus with approximately 2400 sentences captured via motion capture systems. The technical proposal materialized in the implementation of integration APIs in Python, composed of a Crawler for domain mapping and a Parser capable of segmenting texts and automatically injecting accessibility windows, a solution validated in the adaptation of complex dynamic pages such as university menus.

In terms of user interface, the project delivered a modular widget that supports both the playback of pre-rendered videos and the animation of 3D avatars in real time via WebGL, aiming to optimize data consumption. The developed architecture also includes a publicly validated real-time rendering environment, establishing a robust ecosystem of data engineering and graphic visualization tools to promote the digital autonomy of the deaf community.

Resumen Este trabajo desarrolló una infraestructura tecnológica para la traducción automática de contenido web a la Lengua de Señas Brasileña (Libras), basada en la construcción de un corpus paralelo multimodal de alta fidelidad con aproximadamente 2400 oraciones capturadas mediante sistemas de captura de movimiento. La propuesta técnica se materializó en la implementación de API de integración en Python, compuestas por un Crawler para el mapeo de dominios y un Parser capaz de segmentar textos e inyectar automáticamente ventanas de accesibilidad. Esta solución fue validada en la adaptación de páginas dinámicas complejas, como los menús universitarios.

En cuanto a la interfaz de usuario, el proyecto proporcionó un widget modular que permite la reproducción de vídeos pre-renderizados y la animación de avatares 3D en tiempo real mediante WebGL, con el objetivo de optimizar el consumo de datos. La arquitectura desarrollada también incluye un entorno de renderizado en tiempo real validado públicamente, lo que establece un ecosistema robusto de herramientas de ingeniería de datos y visualización gráfica para promover la autonomía digital de la comunidad sorda.

Resumo: O custo, a latência e a qualidade dos Large Language Models (LLMs) podem variar significativamente entre diferentes provedores, criando um desafio para sistemas que dependem intensivamente desses modelos. Diante desse cenário, este trabalho investiga a seleção eficiente de LLMs e busca desenvolver uma solução prática para esse problema. Para lidar com essa variação, propõe-se um agente, baseado em Aprendizado por Reforço, capaz de escolher dinamicamente o modelo mais adequado para cada requisição. O agente é treinado com métricas reais de execução e utiliza uma função de recompensa projetada para equilibrar qualidade, custo e latência, priorizando qualidade sem negligenciar custos operacionais. Os resultados demonstram que o agente consegue aprender políticas capazes de otimizar a seleção de modelos, reduzindo custos e latência ao mesmo tempo em que mantém níveis elevados de qualidade nas respostas. Entretanto, limitações do conjunto de dados restringiram a profundidade do aprendizado e favoreceram a convergência do agente para a seleção quase exclusiva de um único modelo.

Resumo: O Aprendizado Federado (Federated Learning - FL) consiste em uma abordagem de aprendizado de máquina descentralizada que garante a privacidade dos dados, permitindo o treinamento de modelos de Inteligência Artificial sem que os dados brutos precisem sair dos dispositivos dos usuários. No entanto, a implementação do FL em ambientes móveis enfrenta desafios críticos, majoritariamente devido ao alto consumo de energia e a heterogeneidade dos dispositivos participantes do treinamento. As diferenças significativas na capacidade computacional, memória e níveis de bateria entre os participantes podem levar a disparidades de desempenho, longos tempos de treinamento e até mesmo à desistência de cliente, comprometendo a qualidade final e a convergência do modelo. Para endereçar essas limitações, este trabalho apresenta a implementação do EAFL+, um sistema de otimização de energia projetado para gerenciar o consumo de bateria em dispositivos com recursos limitados. A abordagem avaliada é baseada na computação colaborativa, integrando recursos da nuvem, da borda e dos próprios dispositivos terminais. Utilizando o framework de simulação Flower, o sistema seleciona, de forma eficiente, um alvo para onde as tarefas computacionais mais pesadas do treinamento podem ser realocadas. Esta metodologia busca o equilíbrio ideal entre custo e qualidade. A avaliação do EAFL+, realizada em um ambiente de FL emulado com datasets reais, visa demonstrar sua eficácia em conservar a energia dos dispositivos, resultando em um aumento nas taxas de participação e contribuição dos clientes. Consequentemente, espera-se que a abordagem leve a uma melhoria na acurácia do modelo e a uma convergência mais rápida, sendo capaz de mitigar a desistência de clientes. Comparado aos métodos existentes, como o EAFL original e o Oort, o trabalho busca consolidar o EAFL+ como solução robusta para viabilizar o Aprendizado Federado em cenários reais e heterogêneos.

Resumo: Este trabalho apresenta uma avaliação ampliada do algoritmo HETAAFF, uma estratégia adaptativa de ajuste do fit fraction em aprendizado federado. Enquanto os estudos originais do HETAAFF concentraram-se em apenas alguns cenários e conjuntos de dados, este projeto expande substancialmente o escopo da análise, analisando o comportamento do algoritmo em diferentes tarefas, arquiteturas de rede e políticas de seleção de clientes. A avaliação inclui novos contextos, além da classificação de imagem, como reconhecimento de áudio e predição de texto, além de comparar o HETAAFF às estratégias FedAvg, Critical-FL e AFF em múltiplos níveis de heterogeneidade estatística, definidos via particionamento Dirichlet e variados perfis de clientes. Além disso, são analisadas métricas de custo, como volume de comunicação e energia consumida, com o objetivo de fornecer uma visão mais completa da relação entre desempenho e eficiência operacional nas diferentes configurações experimentais.

Resumo: Este é o relatório do projeto realizado em parceria com o Prof. Roberto Greco do Instituto de Geociências, para monitoramento de colmeias de abelhas nativas brasileiras, orientado pelo Prof. Luiz Fernando Bittencourt. Tem por objetivo implementar um sistema embarcado, para ser utilizado em escolas, que realiza a contagem de abelhas de forma automatizada, utilizando uma câmera e as ferramentas mais recentes de visão computacional. É criado um dataset de vídeos de abelhas Jataí, com anotações dos momentos de entrada e saída e da localização e trajetória das abelhas. É implementado uma metodologia completa de contagem, que tem por entrada um vídeo gravado, e após o processamento, retorna em quais momentos do vídeo ocorreram entradas e saídas de abelhas. Na metodologia, são usados vários conceitos de aprendizado de máquina e visão computacional: aprendizado autossupervisionado, detecção de objetos com YOLO, rastreamento de trajetórias, e implementada uma heurística de contagem. Também é estudado como criar um sistema embarcado com câmera e conectá-la a um computador utilizando a rede Internet, possibilitando o envio do vídeo para processamento. Por fim, cada etapa da metodologia é avaliada com métricas adequadas as tarefas (detecção, rastreamento e contagem), e é proposta a forma de continuidade do projeto.

Resumo: O documento descreve a migração de um sistema de multiplicação de matrizes, antes totalmente nativo em Dana, para uma arquitetura distribuída baseada em WebAssembly executando no navegador. A mudança foi motivada pelas limitações do ambiente web, que impede o uso de sockets TCP e operações bloqueantes. Isso exigiu a troca do RPC por uma API REST, a simplificação do mecanismo de adaptação dinâmica e a adoção de um coordenador nativo responsável pela fila de tarefas, distribuição do trabalho e coleta de resultados.

A nova arquitetura combina três elementos: a aplicação principal em Wasm, que envia matrizes e realiza polling pelos resultados; workers também em Wasm, cada um executado em uma aba do navegador; e o coordenador nativo, que mantém o estado global e garante sincronização com mutexes. Todo o fluxo é assíncrono para evitar travamentos no navegador. Diversos ajustes foram necessários durante o desenvolvimento, como substituir chamadas HTTP bloqueantes por versões assíncronas, padronizar a serialização em JSON e delegar o gerenciamento de sockets ao módulo ws.core para evitar respostas truncadas.

O resultado é um sistema funcional capaz de distribuir a multiplicação de matrizes entre vários workers Wasm, retornando o resultado à aplicação principal. Ainda há oportunidades claras de avanço, como análise de desempenho, melhoria da robustez do coordenador e expansão da arquitetura para múltiplas instâncias, mas a viabilidade da abordagem foi demonstrada.

Resumo: Este trabalho investiga o uso de diferentes modelos preditivos para tentar otimizar o desempenho do Emergent Web Server (EWS), um servidor web auto-adaptativo que utiliza aprendizado por reforço para ajustar dinamicamente suas configurações. O objetivo é realizar um benchmark entre abordagens de predição, avaliando o impacto de cada uma na estabilidade e eficiência do sistema. Para isso, o EWS foi integrado a um Gêmeo Digital, que simula o comportamento do sistema real por meio de uma arquitetura de coleta de dados e modelos baseados em em XGBoost, Extra Trees, Histogram Gradient Boosting (HGB), LightGBM (LGBM), Random Forest e Multi-Layer Perceptron (MLP). Dessa forma, conseguimos fazer uma predição de auto-distribuição de recursos de forma mais barata, através do Gêmeo Digital, e posteriormente testar se a distribuição se mantém relevante no EWS de fato.

Abstract: Insert here the abstract in English.

Resumen El resumen del relatório en español.

Resumo: O projeto apresenta uma nova abordagem para a implementação de um modelo não-linear de convolução, inspirado nas redes Kolmogorov-Arnold. Neste estudo, também feita a discussão de técnicas de regularização para essa camada de convolução e a análise das alterações que isso gera em seu desempenho para tarefas de classificação utilizando o dataset CIFAR10. A abordagem discutida, além de acelerar o treinamento e inferência desses modelos, destaca sua capacidade de aprendizagem local no espectro. De forma a analisar essa característica, foram feitos testes com diferentes níveis de distorção no espectro das imagens de treino e teste. Os resultados inclinam-se a afirmar a existência dessas capacidades, assim como a destacar a melhoria em desempenho proveniente das técnicas de regularização introduzidas.

Resumo: Este trabalho consiste na implementação de um algoritmo evolutivo para obtenção de um relógio mecânico simulado. O surgimento de complexidade nos seres vivos através de mecanismos como seleção natural, reprodução com mutação e deriva genética é muito bem descrito na literatura científica. Como forma de rebater um exemplo anedótico típico de discursos relacionados ao design inteligente, este trabalho utilizou dos mecanismos descritos para a evolução em um pequeno conjunto de peças mecânicas simuladas incluindo vigas, engrenagens, pregos e âncoras. Os resultados foram analisados para identificar a sua capacidade de medir o tempo, trajeto evolutivo e número de gerações para serem obtidos. A conclusão foi que foi possível criar relógios muito simplificados através desse método.

Abstract: This work consists of implementing an evolutionary algorithm to obtain a simulated mechanical clock. The emergence of complexity in living beings through mechanisms such as natural selection, reproduction with mutation, and genetic drift is very well described in the scientific literature.In order to counter a typical anecdotal example related to intelligent design arguments, this study utilized the described mechanisms for evolution on a small set of simulated mechanical parts, including beams, gears, pins, and anchors.The results were analyzed to identify the resulting clock's capacity to measure time, its evolutionary path, and the number of generations required for its obtention. The conclusion was that it was possible to create highly simplified clocks using this method.

Resumo: Atualmente, jogos digitais são parte importante da cultura, além de serem uma grande indústria em crescimento. Dentre eles, os jogos independentes têm ganhando relevância no mercado, consolidando seu espaço com o público. A acessibilidade digital é um aspecto fundamental para que pessoas com deficiência consigam apreciar esses elementos culturais. Entretanto, sendo os jogos independentes caracterizados por times reduzidos de desenvolvedores e limitações de recursos financeiros, questiona-se se encontram dificuldades de implementar recursos de acessibilidade. Assim, este estudo procura entender como os jogos independentes estão aplicando recursos de acessibilidade em suas dinâmicas. Analisou-se a presença e modo de implementação desses recursos em cinco jogos mais populares da plataforma Steam em 2025, verificando-se também o quanto estes recursos atendem a cada tipo de deficiência. A análise foi feita a partir das diretrizes do nível básico presentes no guia Game Accessibility Guidelines. Foram encontrados diversos recursos de acessibilidade presentes em cada jogo o que indica que jogos indie conseguem, apesar dos times e orçamentos reduzidos, atenderem às diretrizes básicas de acessibilidade. As categorias que possuem maior percentual de atendimento são Visão, Cognitivo e Audição, sugerindo que recursos dessas categorias são mais fáceis de serem implementados. Já a categoria Motor apresenta percentuais menores, sugerindo a existência de barreiras mais complexas na implementação de recursos de acessibilidade para pessoas com deficiência motoras. Além disso, na categoria Geral, que versa sobre informações e feedbacks sobre acessibilidade, apareceram os menores percentuais sugerindo falta de diálogo entre os desenvolvedores e a comunidade especificamente sobre recursos de acessibilidade.

Resumo: Este trabalho apresenta o desenvolvimento do Double King, um jogo digital 2D que combina fundamentos do xadrez com princípios de game design contemporâneo, incorporando mecânicas evolutivas, geração procedural e regras customizáveis. O projeto investiga, de forma prática e teórica, como sistemas formais tradicionais podem ser estendidos por meio de transgressões sancionadas, produzindo novas formas de agência, incerteza e emergência. A implementação foi realizada em Unity, integrando um motor de xadrez compatível com variantes (Fairy-Stockfish), arquitetura modular, algoritmos de seleção procedural de peças e mecânicas inéditas como inventário, loja, peças evoluídas e o modo Double King. A análise do protótipo utiliza o arcabouço Rules, Play, Culture para discutir como essas escolhas sustentam meaningful play e reforçam a identidade roguelike do sistema. O resultado é um artefato que sintetiza competências técnicas e conceituais da graduação, demonstrando como a combinação entre teoria e prática pode gerar sistemas interativos ricos, expansíveis e alinhados a princípios fundamentais do design de jogos.

Resumo: Este trabalho é o relatório do Projeto Final de Graduação em Engenharia de Computação. O projeto consistiu na escrita de quatro capítulos para o livro MaratonIC, que tem como objetivo ensinar técnicas de Programação Competitiva voltadas a competições como a Olimpíada Brasileira de Informática (OBI) e a Maratona de Programação. Os capítulos desenvolvidos abordam temas centrais na área. Um deles trata de Caminhos Mínimos, incluindo algoritmos como Dijkstra e BFS. Outro aborda Análise Combinatória e Probabilidade, com foco em técnicas fundamentais para resolver problemas envolvendo contagem e eventos probabilísticos. O capítulo sobre Árvores discute métodos como Decomposição de Centróide, Decomposição de Leves e Pesados (Heavy-Light), Small to Large e DSU na árvore. Por fim, o capítulo de Programação Dinâmica com Bitmasks explora técnicas para resolver problemas com estados representados por subconjuntos. Ao todo, foram produzidas mais de 60 páginas de conteúdo técnico e didático, incluídas no corpo deste relatório. Acreditamos que este material terá um impacto positivo para as futuras gerações de competidores da Unicamp e de outras instituições no Brasil. Ele oferece uma base sólida de estudo e prática para quem deseja se preparar para competições, servindo como um recurso complementar ao treinamento regular e facilitando o acesso a conteúdos avançados de forma estruturada.

Resumo: Este trabalho aborda o desafio da oscilação de desempenho no Emergent Web Server (EWS), um servidor web auto-adaptativo que utiliza aprendizado por reforço para otimizar dinamicamente suas configurações. Para mitigar este problema, propomos a integração do EWS com Gêmeos Digitais, criando uma camada virtual que simula o comportamento do sistema real através de um modelo preditivo baseado em XGBoost e uma arquitetura não intrusiva de coleta de dados. O gêmeo digital desenvolvido reduz significativamente as flutuações de desempenho durante o aprendizado, como demonstrado em testes locais e em nuvem (AWS).

Abstract: This work addresses the performance oscillation challenge in the Emergent Web Server (EWS), a self-adaptive web server that uses reinforcement learning to dynamically optimize its configurations. To mitigate this issue, we propose integrating EWS with Digital Twins, creating a virtual layer that simulates system behavior through a predictive model based on XGBoost and a non-intrusive data collection architecture. The developed digital twin significantly reduces performance fluctuations during the learning process, as demonstrated in both local and cloud (AWS) tests.

Resumen Este trabajo aborda el desafío de la oscilación del rendimiento en el Emergent Web Server (EWS), un servidor web auto-adaptativo que utiliza aprendizaje por refuerzo para optimizar dinámicamente sus configuraciones. Para mitigar este problema, proponemos la integración del EWS con Gemelos Digitales, creando una capa virtual que simula el comportamiento del sistema a través de un modelo predictivo basado en XGBoost y una arquitectura de recopilación de datos no intrusiva. El gemelo digital desarrollado reduce significativamente las fluctuaciones del rendimiento durante el aprendizaje, como se demostró en pruebas locales y en la nube (AWS).

Resumo: Este estudo apresenta um algoritmo capaz de criar grafos não direcionados com três características principais observadas em redes do mundo real: distribuição de graus de cauda longa (ou livre de escala), curtas distâncias médias entre os nós (fenômeno small-world) e altos coeficientes de clusterização. A ideia central é adicionar, a cada passo, um novo nó à rede e realizar passeios aleatórios sobre os nós já existentes, selecionando um subconjunto deles para ser marcado e conectado ao novo nó. Adicionalmente, com uma probabilidade ajustável, podem ser criadas arestas entre os próprios nós marcados ao final do passeio aleatório. Entre as principais vantagens do nosso algoritmo estão sua simplicidade, eficiência (complexidade de tempo próxima da linear) e flexibilidade para gerar redes com diferentes características, sem utilizar informações globais sobre a topologia da rede. Mostramos como os parâmetros podem variar para gerar redes com diferentes valores das distâncias médias entre os nós e dos coeficientes de clusterização, mantendo uma distribuição de graus de cauda longa. A implementação do nosso algoritmo está disponível publicamente em um repositório no GitHub.

Resumo: Este trabalho investiga as dinâmicas de colaboração científica de autores da Universidade Estadual de Campinas (UNICAMP) no período de 2000 a 2025, com ênfase em colaborações externas. Por meio da modelagem usando grafos, foram analisadas relações entre autores, instituições e publicações, e foram identificadas comunidades orgânicas de colaboração. Foi atribuída uma instituição predominante a cada comunidade, o que permitiu o estudo de interações entre comunidades da UNICAMP e comunidades externas. O efeito da primeira colaboração externa no crescimento do impacto (número de citações acumuladas) dos autores foi avaliado. Contrariando a hipótese inicial, foi observada uma desaceleração média desse crescimento após tal colaboração. Os resultados indicam que o impacto científico não responde de forma imediata ou linear à expansão da rede colaborativa, apontando para a necessidade de investigações mais aprofundadas sobre os fatores que influenciam o impacto dos pesquisadores.

Resumo: Respostas automáticas geradas artificialmente para consumidores em sistemas de comércio eletrônico demandam diversos cuidados para preservar aspectos éticos e de privacidade. Esse contexto exige moderação e análise específica sobre o conteúdo das respostas geradas. Contudo, devido ao alto volume de questões, soluções computacionais são altamente necessárias apesar dos desafios em se lidar com diversidade léxica, semântica e de idiomas. Este estudo propõe uma solução de arquitetura multiagentes baseados em LLMs projetada para realizar a moderação automática de respostas em sistemas de atendimento ao cliente. Em nossa solução, cada agente é responsável por uma sub-tarefa em relação a avaliação e geração automatizada de respostas (revisão semântica, verificação de aderência contextual, recomendação de melhorias, reescrita e decisão final) dentro de um fluxo iterativo e colaborativo entre agentes. A arquitetura proposta visa maximizar a confiabilidade, otimizar o custo computacional ao interromper revisões desnecessárias e assegurar transparência e auditabilidade em cada etapa, demonstrando-se efetividade na melhoria contínua da qualidade das respostas frente aos desafios de gerações de respostas imprecisas, incompletas ou inadequadas que comprometem a experiência do usuário.

Resumo: O cenário educacional contemporâneo enfrenta desafios expressivos diante da oferta excessiva de informações digitais superficiais, o que impacta negativamente o engajamento, a autonomia e o foco dos estudantes. Modelos pedagógicos tradicionais mostram-se limitados frente a essas demandas, enquanto outras abordagens pedagógicas propõem práticas mais participativas e centradas no discente. Recentemente, Inteligência Artificial (IA) Generativa com seus modelos de linguagem de larga escala (LLMs) têm sido explorados como ferramentas de apoio ao ensino, oferecendo novas possibilidades de personalização e automação. No entanto, sua aplicação ainda apresenta limitações quanto à integração pedagógica cuidadosa, experiências de aprendizagem e o alinhamento com os objetivos educacionais. Neste estudo desenhamos e desenvolvemos um ambiente digital de apoio ao ensino e a aprendizagem integrado com IA Generativa, o StudYard, um sistema computacional concebido para superar esses desafios e apoiar o processo de ensino-aprendizagem por meio de um Ambiente Virtual de Aprendizagem (AVA) colaborativo, interativo e engajador. Nossa solução integra IA Generativa de forma estratégica às abordagens pedagógicas, promovendo maior eficiência na mediação docente e no desenvolvimento da autonomia discente no contexto da aprendizagem colaborativa.