Liliane Neves de Oliveira Kunstmann

Pós-doutorado

Formação complementar

Idiomas

Áreas de atuação

Organização de eventos

Participação em eventos

Participação em bancas

Orientou

Produções bibliográficas

• PINA, DÉBORA ; OLIVEIRA, L. N. ; OLIVEIRA, D. C. M. ; MATTOSO, MARTA . Breadcrumbs for your Deep Learning Model: Following Provenance Traces with DLProv. Software Impacts , v. 23, p. 100730, 2025.

• PINA, DÉBORA ; KUNSTMANN, LILIANE ; CHAPMAN, ADRIANE ; DE OLIVEIRA, DANIEL ; MATTOSO, MARTA . DLProv: a suite of provenance services for deep learning workflow analyses. PEERJ COMPUTER SCIENCE , v. 11, p. e2985, 2025.

• PINA, DÉBORA ; KUNSTMANN, LILIANE ; BEVILAQUA, FELIPE ; SIQUEIRA, ISABELA ; LYRA, ALAN ; DE OLIVEIRA, DANIEL ; MATTOSO, MARTA . Capturing Provenance from Deep Learning Applications Using Keras-Prov and Colab: a Practical Approach. Journal of Information and Data Management - JIDM , v. 13, p. 513-525, 2022.

• KUNSTMANN, LILIANE ; PINA, DÉBORA ; SILVA, FILIPE ; PAES, ALINE ; VALDURIEZ, PATRICK ; DE OLIVEIRA, DANIEL ; MATTOSO, MARTA . Online Deep Learning Hyperparameter Tuning based on Provenance Analysis. Journal of Information and Data Management - JIDM , v. 12, p. 396-414, 2021.

• BARBOSA, CARLOS H.S. ; KUNSTMANN, LILIANE N.O. ; SILVA, RÔMULO M. ; ALVES, CHARLAN D.S. ; SILVA, BRUNO S. ; FILHO, DJALMA M.S. ; MATTOSO, MARTA ; ROCHINHA, FERNANDO A. ; COUTINHO, ALVARO L.G.A. . A workflow for seismic imaging with quantified uncertainty. COMPUTERS & GEOSCIENCES , v. 145, p. 104615, 2020.

• Ribeiro, M. ; de Paula, U ; Kunstmann, L. N. O. ; Frota, Y. A. ; Rosseti, I ; OLIVEIRA, D. C. M. . Dataflow Analysis of Serverless Scientific Applications using Provenance Data. In: 40 Simpósio Brasileiro de Banco de Dados, 2025, Fortaleza. Anais do Simpósio Brasileiro de Banco de Dados, 2025.

• FALCI, M. L. ; PINA, D. B. ; Kunstmann, L. N. O. ; BRAGANHOLO, V. ; OLIVEIRA, D. C. M. . Tudo em Todo Lugar ao Mesmo Tempo: Rastreabilidade de Dados em Cidades Inteligentes por meio de Proveniência. In: 40 Simpósio Brasileiro de Banco de Dados, 2025, Fortaleza. Anais do Simpósio Brasileiro de Banco de Dados, 2025.

• FERREIRA, W. ; Kunstmann, L. N. O. ; NUNES, R. ; BEDO, M. ; PAES, A. ; OLIVEIRA, D. C. M. . Plug and Flow: Execução de Workflows Científicos em Contêineres com o Middleware AkôFlow. In: 40 Simpósio Brasileiro de Banco de Dados, 2025, Fortaleza. Anais do Simpósio Brasileiro de Banco de Dados, 2025.

• PINA, D. B. ; Kunstmann, L. N. O. ; OLIVEIRA, D. C. M. ; MATTOSO, MARTA . Em Busca de uma Infraestrutura Aberta para Experimentos de Aprendizado Profundo: Integração da DLProv e Dataverse. In: Brazilian e-Science Workshop, 2025, Fortaleza. Anais do XIX Brazilian e-Science Workshop, 2025. p. 73-80.

• WOYAMES, P. ; PINA, D. B. ; Kunstmann, L. N. O. ; MATTOSO, MARTA ; OLIVEIRA, D. C. M. . Avaliação da Capacidade de LLMs para Especificar Workflows. In: Brazilian e-Science Workshop, 2025, Fortaleza. Anais do XIX Brazilian e-Science Workshop, 2025. p. 81-88.

• FERREIRA, W. ; Kunstmann, L. N. O. ; Frota, Y. A. ; TEYLO, L. ; OLIVEIRA, D. C. M. . A Weighted Bi-objective Strategy for Executing Scientific Workflows in Containerized Environments. In: SIMPÓSIO EM SISTEMAS COMPUTACIONAIS DE ALTO DESEMPENHO, 2025, Bonito. Anais do XXVI Simpósio em Sistemas Computacionais de Alto Desempenho, 2025.

• PINA, D. B. ; CHAPMAN, A. ; Kunstmann, Liliane N. O. ; DE OLIVEIRA, DANIEL ; MATTOSO, M. . DLProv: A Data-Centric Support for Deep Learning Workflow Analyses. In: Workshop on Data Management for End-to-end Machile Learning, 2024, Santiago, Chile. Seventh Workshop on Data Management for End-to-End Machine Learning (DEEM), 2024.

• FERREIRA, W. ; KUNSTMANN, LILIANE ; PAES, A. ; BEDO, M. ; DE OLIVEIRA, DANIEL . AkôFlow: um Middleware para Execução de Workflows Científicos em Múltiplos Ambientes Conteinerizados. In: Simpósio Brasileiro de Bancos de Dados, 2024, Florianópolis. Anais do XXXIX Simpósio Brasileiro de Bancos de Dados, 2024. p. https://sol.sbc.

• KUNSTMANN, LILIANE ; PINA, D. B. ; DE OLIVEIRA, DANIEL ; MATTOSO, M. . Scientific Workflow Deployment: Container Provenance in High-Performance Computing. In: Simpósio Brasileiro de Bancos de Dados, 2024, Florianópolis. Anais do XXXIX Simpósio Brasileiro de Bancos de Dados, 2024. p. 457-470.

• OLIVEIRA, L. S. ; Kunstmann, Liliane N. O. ; PINA, D. B. ; OLIVEIRA, D. ; MATTOSO, M. . PINNProv: Provenance for Physics-Informed Neural Networks. In: HPC/DL, 2023, Porto Alegre. International Symposium on Computer Architecture and High Performance Computing Workshops (SBAC-PADW), 2023.

• OLIVEIRA, L. S. ; SILVA, R. M. ; Kunstmann, L. N. O. ; PINA, D. B. ; OLIVEIRA, D. ; COUTINHO, A. L. G. A. ; MATTOSO, M. . Dados de proveniência para redes neurais guiadas pela Física: o caso da equação eikonal. In: Simposio Brasileiro de Bancos de Dados, 2022, Buzios. Artigos Curtos, 2022. p. 373-378.

• KUNSTMANN, LILIANE ; PINA, DÉBORA ; OLIVEIRA, LYNCOLN S. DE ; OLIVEIRA, DANIEL DE ; MATTOSO, MARTA . ProvDeploy: Explorando Alternativas de Conteinerização com Proveniência para Aplicações Científicas com PAD. In: Simpósio em Sistemas Computacionais de Alto Desempenho, 2022, Brasil. Anais do XXIII Simpósio em Sistemas Computacionais de Alto Desempenho (WSCAD 2022), 2022. p. 49-60.

• PINA, D. B. ; KUNSTMANN, LILIANE N.O. ; OLIVEIRA, D. ; MATTOSO, M. . Captura Automática de Dados de Proveniência de Experimentos de Aprendizado de Máquina com Keras-Prov. In: Simposio Brasileiro de Banco de Dados, 2021, Rio de Janeiro. Simposio Brasileiro de Banco de Dados - Demonstrações e Aplicações, 2021.

• SILVA, FILIPE ; PINA, DÉBORA ; KUNSTMANN, LILIANE ; MATTOSO, MARTA . Painel de Proveniência: análise durante o treinamento de Redes Neurais Profundas. In: Anais Estendidos do Simpósio Brasileiro de Banco de Dados, 2021, Brasil. Anais Estendidos do XXXVI Simpósio Brasileiro de Banco de Dados (SBBD Estendido 2021). p. 22.

• SILVA, R. M. ; PINA, D. B. ; Kunstmann,Liliane ; OLIVEIRA, D. ; VALDURIEZ, P. ; COUTINHO, A. L. G. A. ; MATTOSO, M. . Capturing Provenance to Improve the Model Training of PINNs: first hand- on experiences with Grid5000. In: CILAMCE - Pan-American Congress on Computational Mechanics, 2021, Rio de Janeiro. Proceedings of the Ibero-Latin-American Congress on Computational Methods in Engineering, 2021.

• PINA, D. B. ; KUNSTMANN, LILIANE N.O. ; OLIVEIRA, D. ; VALDURIEZ, P. ; MATTOSO, M. . Provenance Supporting Hyperparameter Analysis in Deep Neural Networks. In: International Provenance and Annotation Workshop, 2021. IPAW 2020/IPAW 2021, 2021. v. LNCS. p. 1.

• PINA, DÉBORA ; KUNSTMANN, LILIANE ; OLIVEIRA, DANIEL ; VALDURIEZ, PATRICK ; MATTOSO, MARTA . Uma abordagem para coleta e análise de dados de configurações em redes neurais profundas. In: XXXV Simpósio Brasileiro de Banco de Dados, 2020, Brasil. Anais do XXXV Simpósio Brasileiro de Banco de Dados (SBBD 2020). p. 187.

• Neves, Liliane ; PINA, DÉBORA ; DE OLIVEIRA, DANIEL ; MATTOSO, MARTA . Apoio à Utilização de Análise de Dados em Aplicações CSE por meio de Contêineres. In: VI Escola Regional de Alto Desempenho do Rio de Janeiro, 2020, Brasil. Anais da VI Escola Regional de Alto Desempenho do Rio de Janeiro (ERAD-RJ 2020). p. 26.

• DE OLIVEIRA, DANIEL ; PAES, ALINE ; MATTOSO, MARTA ; PINA, DÉBORA B. ; Neves, Liliane . Análise de Hiperparâmetros em Aplicações de Aprendizado Profundo por meio de Dados de Proveniência. In: XXXIV Simpósio Brasileiro de Banco de Dados, 2019. Anais do Simpósio Brasileiro de Banco de Dados (SBBD). p. 223.

• CARLOS, H. S. ; BARBOSA, C. ; SILVA, B. S. ; ALVES, C. D. S. ; SILVA, R. M. ; Kunstmann, L. N. O. ; ROCHA, H. J. F. ; ALVES, J. L. D. ; MATTOSO, M. ; ROCHINHA, F. A. ; S FILHO, D. M. ; COUTINHO, A. L. G. A. . A SCIENTIFC WORKFLOW FOR REVERSE TIME MIGRATION UNDER UNCERTAINTY. In: Fourth EAGE Workshop on High Performance Computing for Upstream, 2019, Dubai. Poster Presentations, 2019.

• SOUZA, R. ; Neves, L. ; AZEREDO, L. ; LUIZ, R. ; TADY, E. ; CAVALIN, P. ; MATTOSO, M. . Towards a Human-in-the-Loop Library for Tracking Hyperparameter Tuning in Deep Learning Development. In: Latin America Data Science Workshop, 2018, Rio de Janeiro. Latin America Data Science Workshop 2018., 2018. v. 2170.

• OLIVEIRA, L. S. ; PINA, D. B. ; Kunstmann, L. N. O. ; OLIVEIRA, D. ; MATTOSO, M. . The Role of Provenance Data in Physics Informed Machine Learning.. In: 9th European Congress on Computational Methods in Applied Sciences and Engineering, 2024, Lisboa. ECCOMAS 2024, 2024.

• Kunstmann, L. N. O. ; PINA, D. B. ; OLIVEIRA, D. C. M. ; MATTOSO, MARTA . Provenance Support for Containerized Workflow Analyses in High-Performance Computing Environments. Journal of Information and Data Management - JIDM , 2025.

• Kunstmann, L. N. O. ; PINA, D. B. ; DE OLIVEIRA, DANIEL ; MATTOSO, MARTA . Scientific Workflow Deployment: Container Provenance in High-Performance Computing. 2024. (Apresentação de Trabalho/Simpósio).

• KUNSTMANN, LILIANE ; PINA, D. B. ; OLIVEIRA, L. S. ; OLIVEIRA, D. ; MATTOSO, M. . ProvDeploy: Explorando Alternativas de Conteinerização com Proveniência para Aplicações Científicas com PAD. 2022. (Apresentação de Trabalho/Simpósio).

• PINA, D. B. ; KUNSTMANN, LILIANE N.O. ; OLIVEIRA, D. ; MATTOSO, M. . Captura Automática de Dados de Proveniência de Experimentos de Aprendizado de Máquina com Keras-Prov. 2021. (Apresentação de Trabalho/Simpósio).

• KUNSTMANN, LILIANE . ProvDeploy: A containerized provenance service towards reproducibility in DL workflows. 2021. (Apresentação de Trabalho/Seminário).

• KUNSTMANN, LILIANE ; PINA, D. B. ; OLIVEIRA, D. ; MATTOSO, M. . Apoio à Utilização de Análise de Dados em Aplicações CSE por meio de Contêineres.. 2020. (Apresentação de Trabalho/Seminário).

Outras produções

Projetos de pesquisa

• 2024 - Atual

  FedProv - Gerência de Dados de Proveniência em Aplicações de Aprendizado de Máquina Federado, Descrição: O Aprendizado de Máquina Federado (ou simplesmente Aprendizado Federado) é uma técnica distribuída que permite a colaboração entre múltiplos usuários no treinamento de modelos de Aprendizado de Máquina (e.g., Redes Neurais Profundas). O Aprendizado Federado vem sendo aplicado em diversas áreas como a Medicina, a Biologia e a Farmácia, pois com seu uso não há a necessidade de acessar todo o conjunto de dados para o treinamento de modelos, já que parte dos dados pode ser privada ou sensível. Em uma aplicação de Aprendizado Federado, cada nó cliente (e.g., um celular, computador ou um cluster) treina um modelo "localmente" e, em seguida, envia as atualizações desse modelo para um nó servidor, onde são combinadas em um modelo global. Esse modelo global é redistribuído para uma nova rodada de treinamento nos nós clientes. O treinamento de um modelo pode exigir várias iterações, tornando-o demorado, pois a duração de cada iteração depende das configurações escolhidas, e.g., o método de agregação do modelo global, os hiperparâmetros e os conjuntos de dados utilizados. A análise de método de agregação, hiperparâmetros e métricas, e.g., acurácia, durante o treinamento distribuído permite uma melhor compreensão do modelo treinado e abre oportunidades para melhorias, como a sintonia automática de hiperparâmetros e tolerância a falhas. Os dados de proveniência se mostram como uma alternativa interessante para representar o caminho de derivação dos dados durante o treinamento, permitindo a análise, o monitoramento e eventuais intervenções necessárias. O projeto FedProv tem como objetivo desenvolver algoritmos e técnicas para capturar, modelar, armazenar e gerenciar dados de proveniência de artefatos envolvidos no ciclo de vida de uma aplicação de Aprendizado Federado. Esses artefatos incluem conjuntos de dados, transformações de dados e usuários associados às etapas de pré-processamento, treinamento, teste e validação, além dos próprios modelos treinados. Além disso, o FedProv tem como objetivo apoiar outras ações por meio de dados de proveniência capturados, como adaptações em configurações, sintonia fina de parâmetros e tolerância a falhas (já que uma aplicação distribuída tem maior susceptibilidade a falhas). Ao capturar metadados e dados de proveniência integrados em uma base de dados, esperamos que as consultas realizadas sobre essa base de dados sejam capazes de auxiliar o usuário durante o treinamento distribuído.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (0) / Mestrado acadêmico: (0) / Doutorado: (2) . , Integrantes: Liliane Neves de Oliveira Kunstmann - Integrante / Debora Barbosa Pina - Integrante / Daniel de Oliveira - Coordenador / Aline Paes - Integrante / Marta Mattoso - Integrante., Financiador(es): Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ - Cooperação.

• 2023 - Atual

  Quantificação de Incertezas para Dados Sísmicos Multicomponentes Aplicados ao Imageamento Sísmico, Descrição: O objetivo do projeto consiste em realizar o estudo e o entendimento dos impactos das incertezas associadas ao processo de imageamento e interpretação de dados sísmicos multicomponentes. Com isso, o presente projeto de pesquisa visa introduzir novos avanços ao workflow de quantificação de incertezas para imageamento sísmico, no que diz respeito à construção de campos de velocidades para caracterização de reservatórios utilizando dados sísmicos multicomponentes. Este projeto não se limita ao estudo da Migração reversa no tempo, também explorando méodos mais populares como a Inversão do campo de onda completo (Full waveform inversion - FWI), porém, dando continuidade às descobertas do projeto RTM-UQ.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Liliane Neves de Oliveira Kunstmann - Integrante / Debora Barbosa Pina - Integrante / Romulo Montalvão Silva - Integrante / Fernando A Rochinha - Integrante / Alvaro L. G. A. Coutinho - Coordenador / José Luis Drummond Alves - Integrante / Rodolfo da Silva Machado de Freitas - Integrante / BARBOSA, CARLOS H.S. - Integrante / ALVES, CHARLAN D.S. - Integrante / Marta Mattoso - Integrante.

• 2022 - Atual

  ProvDL - Geração e análise de dados de proveniência em aprendizado de máquina profundo, Descrição: Processos de aprendizado de máquina vem sendo cada vez mais adotados para subsidiar tomadas de decisões automáticas. Processos computacionais, em geral, tendem a ser totalmente automáticos, incluindo o aprendizado de máquina profundo. No entanto, decisões ainda são realizadas por humanos entre uma etapa e outra de processamento do aprendizado de máquina e de acordo com a literatura recente, essa participação vem sendo ignorada. Ainda que todo o processo do ciclo de vida seja automatizado, realizar associações entre os arquivos de dados brutos e modelos, entre os algoritmos utilizados para decisões finais ou mesmo para avaliar uma nova abordagem, tornam-se quase inviáveis de serem feitas manualmente ou com logs. Este projeto visa a suprir a lacuna da gerência de dados, de modo que artefatos do aprendizado de máquina profundo fiquem disponíveis para serem apresentados aos humanos que participam do ciclo de vida do treinamento, teste e validação de modelos. O apoio à análise de dados se baseia no W3C PROV para fornecer uma representação declarativa geral dos referidos artefatos de aprendizado de máquina profundo, seguindo um padrão de fato para dados de proveniência. Ao mesmo tempo em que a base de dados de proveniência complementa os recursos de análise com visualização gráfica típicos dos ambientes de aprendizado de máquina profundo, ela serve também para contribuir com a reproducibilidade do modelo gerado.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Doutorado: (2) . , Integrantes: Liliane Neves de Oliveira Kunstmann - Integrante / Marta Mattoso - Coordenador., Financiador(es): Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ - Bolsa.

• 2021 - Atual

  Centro de Excelência em Transformação Digital e Inteligência Artificial do Estado do Rio de Janeiro (Hub.Rio): Rede Temática em Energias Renováveis e Mudanças Climáticas, Descrição: O grande desafio do desenvolvimento sustentável neste século é equilibrar o aumento da demanda em energia com as restrições impostas pelas emissões de carbono e as mudanças climáticas. Neste contexto, os avanços recentes de inteligência artificial, ciência de dados e computação de alto desempenho têm papel fundamental para melhorar a eficiência computacional e a eficácia dos modelos matemáticos, com foco em energias renováveis e mudanças climáticas. Esta proposta tem como objetivo formar uma rede temática para o desenvolvimento de novas técnicas e aplicação de resultados recentes de inteligência artificial, ciência de dados e computação de alto desempenho, com apoio de engenharia de software, para modelagem climática e aplicações em energia oriunda de fontes renováveis, tais como eólica, oceânicas, solar e biomassa, bem como questões relacionadas à transição energética e distribuição de energia. A rede está organizada em grupos de trabalho (GT) com um grupo de trabalho transversal (GT0) e cinco grupos de trabalho verticais (GT1-5).. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (0) / Doutorado: (2) . , Integrantes: Liliane Neves de Oliveira Kunstmann - Integrante / Alvaro L. G. A. Coutinho - Coordenador / PINA, DÉBORA - Integrante / Marta Mattoso - Integrante., Financiador(es): FAPERJ - Auxílio financeiro.

• 2020 - Atual

  INRIA Associate Team: HPDaSc- High Performance Data Science, Descrição: Data-intensive science requires the integration of two fairly different paradigms: high-performance computing (HPC) and data science. HPC is compute-centric and focuses on high-performance of simulation applications, typically using powerful, yet expensive supercomputers whereas data science is data-centric and focuses on scalability and fault-tolerance of web and cloud applications using cost-effective clusters of commodity hardware. In the context of the SciDISC project (associated team 2016-2019) and the Inria Project Lab (IPL) HPC-BigData (2018-2022), we studied various architectures for integrating HPC and big data (post-processing, in-situ, in-transit) for applications in astronomy, life science and agronomy, and geoscience (oil gas). We learned major lessons, which are the basis for this new project: * Importance of realtime analytics to make critical high-consequence decisions, e.g. preventing useless drilling based on a driller?s realtime data and realtime visualization of simulated data ; * Effectiveness of machine learning (ML) to deal with scientific data, e.g. computing Probability Density Functions (PDFs) over simulated seismic data using Spark; * Effectiveness of the Human-In-the-Loop (HIL) paradigm in combination with provenance data in scientific workflows, e.g. to avoid useless, long-duration computations in a supercomputer; * Significance of working closely with domain experts in order to interpret scientific data. This project addresses the grand challenge of High Performance Data Science (HPDaSc), by developing architectures and methods to combine simulation, ML and data analytics.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Liliane Neves de Oliveira Kunstmann - Integrante / Marta Mattoso - Integrante / VALDURIEZ, PATRICK - Coordenador.

• 2019 - 2023

  D-Interpret - Gerência de dados para auxiliar a explicação de resultados em aplicações de ciência de dados- Chamada MCTIC/CNPq No 28/2018 - Universal/Faixa C, Descrição: A área de ciência de dados caracteriza-se pelo uso de métodos científicos para validar hipóteses. Dados de diversos tipos e formatos são gerados e analisados por meio de algoritmos e sistemas específicos, voltados para a natureza dos dados em questão. Com o aumento do volume e da necessidade de análises específicas sobre dados de todos os tipos e formatos, surgiram diversos sistemas com processamento paralelo de alto desempenho voltados para essas especificidades que geram dados em arquivos e isolados entre si. Como resultado, temos hoje vários sistemas geradores de dados separados de sistemas de análise de dados que funcionam sem nenhum tipo de integração. Os resultados a serem usados na validação de hipóteses se tornam muitas vezes caixas-pretas de difícil investigação. Tentar buscar e relacionar fontes de dados envolvidas na obtenção do resultado após o processamento, além de custoso, pode não ser possível. Este projeto visa ao desenvolvimento de uma solução centrada em dados para facilitar análises de resultados de ciência de dados. A contribuição original do projeto está em se antecipar às análises, visando à interpretação de resultados. Pretende-se realizar a captura e representação de um mapa global de conjuntos de dados e suas transformações ao longo de programas paralelos de ciência de dados, com ênfase no domínio de dados científicos. Essa captura deve funcionar como um serviço a ser invocado por sistemas geradores de dados e resultados. Esses serviços de captura e registro não interferem na geração em si dos dados, são opcionais e a granularidade da captura e registro deve ser flexível. Como resultado, pretende-se gerar uma visão global, reduzida, do grande volume de dados distribuídos sendo gerado, junto à sua proveniência. Por meio desta visão global, dados podem ser analisados e monitorados durante e após a geração do resultado de validação da hipótese a ser verificada com a ciência de dados.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: / Mestrado profissional: (4) / Doutorado: (3) . , Integrantes: Liliane Neves de Oliveira Kunstmann - Integrante / Patrick Valduriez - Integrante / PINA, DÉBORA - Integrante / Daniel Cardoso Moraes de Oliveira - Integrante / Marta Mattoso - Coordenador., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Outra.

• 2018 - 2022

  MonDataSim - Análise de dados de simulações computacionais por meio de monitoramento da execução, dados de proveniência e intervenções dinâmicas, Descrição: O projeto MonDataSim objetiva prover análise de dados científicos em larga-escala, baseada em monitoramento, visualização, consultas, etc. Tal solução prevê o desenvolvimento de arquiteturas de software e protótipos voltados para ambientes de computação paralela de alto desempenho combinados com técnicas de análise de dados em "Big Data". Diversos avanços têm sido realizados para apoiar a análise de dados científicos. No entanto, esse apoio se dá de forma isolada, seja para o monitoramento, seja para a visualização ou seja para a submissão de consultas analíticas a dados científicos. Apenas soluções baseadas em sistemas de workflows científicos têm se aproximado para fornecer uma solução integrada para essas três atividades, i.e. análise, monitoramento e visualização, ainda assim, de modo incipiente, muitas vezes não permitindo a interação ao longo da execução da simulação computacional. Neste projeto, propomos avançar os recursos disponíveis em sistemas de workflows científicos para esse apoio interativo, bem como propor soluções de monitoramento, visualização, e consultas analíticas por meio de um sistema mais leve que os de workflows, apenas cuidando da parte analítica e não da gerência de execução paralela.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (2) / Doutorado: (2) . , Integrantes: Liliane Neves de Oliveira Kunstmann - Integrante / Marta Mattoso - Coordenador / PINA, DÉBORA - Integrante., Financiador(es): Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ - Bolsa.

• 2018 - 2022

  Desenvolvimento de Metodologias de Quantificação de Incertezas Aplicadas ao Imageamento Sísmico de Meios Anisotrópicos obtido através da Migração Reversa no Tempo (MRT), Descrição: O processo decisório na indústria de Óleo e Gás, visando aumento de sua eficácia e diminuição dos riscos, estrutura-se através do encadeamento de etapas sequenciais, cada uma delas constituída de atividades técnicas complexas. Etapas que vão desde a construção de imagens sísmicas até a decisão do posicionamento de poços, passando pela modelagem e simulação do reservatório em questão. Cada uma delas aporta novas informações e análises ao processo, que, frequentemente, fazem uso exaustivo de técnicas computacionais avançadas. Associado a isso, dada a natureza intrínseca de modelos, há introdução de incertezas que se acumulam e se combinam com aquelas originadas em etapas anteriores da cadeia. A compreensão da natureza e impacto dessas incertezas ganha um papel central na tomada de decisões. Os levantamentos através de Imageamento Sísmicos representam uma ferramenta poderosa para mitigar os altos riscos envolvidos na tomada de decisões cruciais associadas à produção de petróleo. Especialmente, quando as incertezas são consideradas e avaliadas, fornece aos tomadores de decisão a capacidade de combinar as imagens com a análise de risco, será um passo à frente para aumentar a robustez de técnicas de Imageamento Sísmico. O desenvolvimento e investigação das metodologias para avaliação do impacto de incertezas presentes nos dados de entrada e parâmetros de modelos (modelo de velocidades e parâmetros de anisotropia) na construção computacional de imagens sísmicas através de Migração Reversa no Tempo (MRT) alicerçam-se em três eixos de ações complementares. Dentro deste contexto, este projeto visa a desenvolver e investigar metodologias para avaliação do impacto de incertezas presentes nos dados de entrada e parâmetros de modelos (modelo de velocidades e parâmetros de anisotropia) na construção computacional de imagens sísmicas através de Migração Reversa no Tempo (MRT).. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Liliane Neves de Oliveira Kunstmann - Integrante / Debora Barbosa Pina - Integrante / Bruno S Silva - Integrante / Fernando A Rochinha - Integrante / Alvaro L. G. A. Coutinho - Coordenador / José Luis Drummond Alves - Integrante / BARBOSA, CARLOS H.S. - Integrante / ALVES, CHARLAN D.S. - Integrante / Marta Mattoso - Integrante.

• 2018 - 2019

  Coleta e Armazenamento de Dados de Proveniência em Execuções de Scripts, Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (2) Doutorado: (1) . , Integrantes: Liliane Neves de Oliveira Kunstmann - Integrante / Marta Mattoso - Coordenador / Debora Barbosa Pina - Integrante / Luiz Gustavo Dias - Integrante / Daniel de Oliveira - Integrante / Vitor Silva Sousa - Integrante / Tiago Calmon - Integrante / Jonas Dias - Integrante / Ana Oliveira - Integrante.

• 2017 - 2019

  INRIA Associate Teams: SciDISC - Scientific data analysis using Data-Intensive Scalable Computing, Descrição: This project is an international collaboration project between Brazil and France, funded for three years by the French side. --Inria (France) supports "Associate Teams" to strengthen scientific collaboration between Inria project teams and top-level research teams worldwide. -- Data-intensive science requires the integration of two fairly different paradigms: high-performance computing (HPC) and data-intensive scalable computing (DISC). Spurred by the growing need to analyze big scientific data, the convergence between HPC and DISC has been a recent topic of interest. This project will address the grand challenge of scientific data analysis using DISC (SciDISC), by developing architectures and methods to combine simulation and data analysis. The expected results of the project are: new data analysis methods for SciDISC systems; the integration of these methods as software libraries in popular DISC systems, such as Apache Spark; and extensive validation on real scientific applications, by working with our scientific partners such as INRA and IRD in France and Petrobras and the National Research Institute (INCT) on e-medicine (MACC) in Brazil. https://www.inria.fr/en/associate-team/scidisc. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (2) / Doutorado: (8) . , Integrantes: Liliane Neves de Oliveira Kunstmann - Integrante / Marta Mattoso - Coordenador / Debora Barbosa Pina - Integrante / Alvaro L. G. A. Coutinho - Integrante / DE OLIVEIRA, DANIEL - Integrante., Financiador(es): Institut National de Recherche en Informatique et en Automatique - Siège - Cooperação.

• 2015 - 2016

  QoSDB ? Qualidade de Serviço para Bancos de Dados Relacionais, Descrição: Ao receber uma consulta para processamento, um SGBD não dá nenhuma garantia sobre o seu tempo de resposta ? apenas a de que sua requisição será executada dentro do menor tempo possível. Esta abordagem, conhecida como melhor-esforço, não é adequada para sistemas comerciais modernos, onde usuários são extremamente impacientes e o número de sistemas concorrentes é alto. Os fatores que podem afetar o desempenho de uma consulta, impactando diretamente em seu tempo total de processamento, são vários e de naturezas diversas: desde plano de execução mal-escolhido devido a erros nas cardinalidade coletadas pelo SGBD até falta de conhecimento sobre o número de réplicas existentes, um cenário que surgiu após a proliferação de nuvens computacionais. Este projeto tem como objetivo criar soluções para dar garantias de qualidade de serviço, isto é, de tempo de resposta, para SGBDs centralizados, (hospedados em um único servidor), paralelos e distribuídos (hospedados em servidores diversos, contidos ou não na mesma localização geográfica) e que estejam hospedados em nuvens computacionais do tipo IaaS. Ao final, integraremos nossa solução em uma ferramenta de código aberto chamada ParGRES, para uso tanto comercial como para fins acadêmicos.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (5) . , Integrantes: Liliane Neves de Oliveira Kunstmann - Coordenador / Luis Fernando Orleans - Integrante / Jessica Aparecida Raposo Seibert - Integrante / Egberto Caetano Araújo da Silva - Integrante / Miguel Mendes Brito - Integrante., Financiador(es): Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ - Auxílio financeiro.

Prêmios