Palestras

Ministrante

Giovanni Guarnieri

Palesta 1
Grafos que resistem e grafos que lembram: resiliência de redes urbanas e memória estruturada em sistemas de IA

Resumo
O que uma avenida alagada, uma ponte bloqueada e uma IA que realmente se lembra do que você disse na semana passada têm em comum? Grafos — apenas pontos conectados por linhas e, honestamente, uma das ideias mais divertidas de toda a ciência. Nesta palestra, vou mostrar como passo meus dias transformando elementos caóticos do mundo real em redes e, depois, testando seus limites para ver o que quebra. Na minha pesquisa de doutorado no INPE, o foco são as ruas da cidade: quando uma tempestade, um deslizamento de terra ou um acidente de trânsito verdadeiramente "heroico" bloqueia algumas vias, o quanto a cidade fica desorientada? Para descobrir, criei uma métrica chamada "Custo de Retorno" — basicamente, "quão difícil é voltar ao ponto de partida?" — e a utilizei para testar a resiliência de 18 cidades ao redor do mundo (spoiler: Paris tira isso de letra; São José dos Campos, nem tanto). O resultado prático é valioso: identificar os pontos fracos de uma cidade antes que o desastre o faça, permitindo-nos planejar cidades mais inteligentes e resilientes. No meu trabalho na MyBrain, o foco é você: desenvolvo uma IA que reúne tudo o que uma pessoa compartilha — textos, documentos, áudios e até o Instagram — e integra essas informações em um grafo de conhecimento pessoal. É como um "segundo cérebro" que a IA pode percorrer para responder a perguntas como se realmente conhecesse você, lembrando-se do que foi dito semanas atrás e tornando-se mais personalizada com o tempo (tudo isso acompanhado de muitos testes para identificar quando ela inventa informações com total confiança). Os mesmos pontos, as mesmas linhas, mas problemas completamente diferentes: um grafo mantém a cidade em movimento durante um desastre, enquanto o outro impede que a IA esqueça o seu aniversário. Sem equações, sem pré-requisitos — basta trazer a sua história de terror favorita sobre engarrafamentos.

Minibio
Giovanni Soares é cientista de dados na MyBrain, onde trabalha nos sistemas de IA que sustentam o produto. Ele é especialista em IA aplicada — projetando, avaliando e aprimorando sistemas baseados em grandes modelos de linguagem (LLMs), incluindo agentes conversacionais, sistemas de recuperação de informação e personalização — com interesse particular em como a IA pode armazenar e utilizar o contexto dos usuários ao longo do tempo. Ele também é doutorando no Instituto Nacional de Pesquisas Espaciais (INPE), onde estuda a vulnerabilidade de redes viárias por meio da teoria dos grafos; a análise de redes é um fio condutor que une sua pesquisa acadêmica e sua atuação no mercado. Sua abordagem é experimental e fundamentada em evidências: ele desenvolve *benchmarks* e fluxos de avaliação para as soluções que implementa, realiza testes em cenários realistas e promove iterações de forma cuidadosa e planejada.

Ministrante
Leonardo Voltarelli

Palesta 2
Previsão de chuva a curto prazo com redes neurais fisicamente alinhadas

Resumo
Previsões de precipitação de curto prazo ainda se concentram em regiões com boa cobertura de radares terrestres, o que limita seu valor operacional justamente nos locais mais expostos a eventos climáticos extremos. Nesta palestra apresentaremos o modelo TUPANN, uma rede neural baseada em dados de satélite.

Em essência, o TUPANN separa a previsão em componentes com significado físico: um codificador-decodificador variacional, que infere campos de movimento e intensidade a partir de imagens recentes, supervisionado por fluxo óptico; um Transformer condicionado ao tempo, que evolui o estado latente; e um operador de advecção diferenciável, que reconstrói os quadros futuros de precipitação.

Experimentos mostram resultados comparáveis aos de modelos do estado da arte para a mesma tarefa, sendo particularmente superiores em eventos de precipitação extrema. Além da acurácia, o TUPANN gera campos de movimento suaves e coerentes com o fluxo óptico numérico, o que aumenta sua interpretabilidade.

Esses aspectos do modelo corroboram a ideia de que o aprendizado estatístico com alinhamento físico pode oferecer previsões acuradas e imediatas de alcance global.

Minibio
Leonardo Voltarelli é doutorando em matemática no Instituto de Matemática Pura e Aplicada (IMPA). Sua pesquisa se divide entre estatística teórica e aplicações de aprendizado de máquina. Na parte teórica, tem estudado métodos robustos de inferência em dimensão alta, em particular no contexto de regressão penalizada. Na vertente aplicada, seu interesse atual se concentra em modelos de inteligência artificial aplicados a questões climáticas, como previsão de chuva e temperatura.