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.