Projetos em andamento
O NESPeD-Lab atua em pesquisa e desenvolvimento na área de sistemas distribuídos e ciência dos dados, com foco em computação móvel, mobilidade urbana e Internet das Coisas. Nosso objetivo é formar alunos com visão científica e capacidades técnicas alinhadas a inovações de mercado. Contamos com pesquisadores, doutorandos, mestres, iniciantes e parceiros de outras instituições e da iniciativa privada.
Abaixo estão os principais projetos em andamento. Em Produção Científica, você encontrará nossos resultados já publicados e aplicados.
MyMobiConf
O MyMobiConf é um projeto de computação móvel ciente de contexto para melhorar a experiência de participação em eventos. Coletamos dados ambientais e de uso em tempo quase real, oferecendo suporte a ações que aumentem a qualidade dos eventos. Já exploramos gamificação e análise de sentimentos, e o produto está em uso em diversos eventos acadêmicos.
Enriquecimento Semântico de Dados Geo‐Espaciais
Dados brutos de localização (latitude e longitude) não trazem contexto útil. Este projeto desenvolve técnicas de enriquecimento semântico a partir de fontes externas — bancos relacionais, APIs e serviços de busca — para tornar dados geo‐espaciais imediatamente aproveitáveis em aplicações urbanas e de IoT.
Internet das Coisas Cientes de Contexto
Futuras cidades e residências inteligentes serão compostas por objetos capazes de sensoriar, processar e agir de forma autônoma. Nosso trabalho aborda:
- Modelagem e previsão de deslocamento: usar IA para prever rotas e comportamentos de objetos móveis em cidades inteligentes.
- Contexto das coisas: equipar dispositivos IoT com conhecimento de suas propriedades e estado, permitindo negociações e ações autônomas em sistemas complexos e massivos.
Processamento de Grandes Volumes de Dados Geo‐Espaciais
A explosão de dados geo‐localizados exige plataformas escaláveis. Desenvolvemos o Sendas — Scalable ENrichment for mobilidade Data Sets — em Scala e Apache Spark, permitindo análises paralelas e distribuídas de grandes volumes de dados de mobilidade.
Descoberta Causal
Inferir relações de causa‐efeito em dados observacionais de grande escala é um desafio. Este projeto compara e expande ferramentas de inferência causal, propondo métodos que superem limitações em alta dimensionalidade e volume.
Previsão e Otimização de Customer Lifetime Value (CLV)
Manter clientes existentes é mais lucrativo do que conquistar novos. Aqui, desenvolvemos técnicas de IA para prever e otimizar o valor futuro de cada cliente (CLV), apoiando decisões estratégicas de retenção e investimento.
Previsão de Churn utilizando Computação na Borda
Com a facilidade de desinstalar apps, prever o abandono (churn) é crucial. Propomos uma solução de computação na borda que preserva a privacidade, identificando padrões de churn sem expor dados sensíveis do usuário.
Previsão de Retorno de Fundos de Investimento Imobiliário (FIIs)
FIIs são condomínios de investimento imobiliário. Este projeto investiga técnicas de previsão de retorno desses fundos, comparando métodos de séries temporais, uso de dados de propriedades físicas e estratégias de modelagem para orientar pesquisadores e investidores.
Aprendizado Multi‐Tarefas
Redes profundas normalmente tratam cada problema isoladamente. Aqui desenvolvemos um framework multi‐tarefa que treina vários problemas relacionados em um único modelo, visando melhorar eficiência computacional e acurácia em comparação a soluções dedicadas.
Explicabilidade de Agrupamentos
Agrupamento é uma técnica não‐supervisionada que forma grupos de amostras similares. As métricas atuais não explicam por que uma amostra pertence a um grupo. Nosso projeto cria métodos para interpretar e caracterizar grupos, oferecendo insights acionáveis sobre suas propriedades.