Gabriel de Oliveira Ramos

Pós-doutorado

Formação complementar

Idiomas

Áreas de atuação

Organização de eventos

Participação em eventos

Participação em bancas

Orientou

Produções bibliográficas

• MELLO, G. E. ; NARDELLI, V. C. ; RIGHI, RODRIGO DA ROSA ; SILVA, L. J. S. ; Ramos, Gabriel de O . Analytical propagation of errors and uncertainties in deep neural networks in the domain of physical sciences. ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE , v. 152, p. 110682, 2025.

• FISCHER, GABRIEL SOUTO ; RAMOS, GABRIEL DE OLIVEIRA ; COSTA, CRISTIANO ANDRÉ DA ; ALBERTI, ANTONIO MARCOS ; GRIEBLER, DALVAN ; SINGH, DHANANJAY ; RIGHI, RODRIGO DA ROSA . Multi-Hospital Management: Combining Vital Signs IoT Data and the Elasticity Technique to Support Healthcare 4.0. IoT , v. 5, p. 381-408, 2024.

• ZEISER, FELIPE ANDRÉ ; DA COSTA, CRISTIANO ANDRÉ ; RAMOS, GABRIEL DE OLIVEIRA ; MAIER, ANDREAS ; RIGHI, RODRIGO DA ROSA . CheXReport: A transformer-based architecture to generate chest X-ray reports suggestions. EXPERT SYSTEMS WITH APPLICATIONS , v. 255, p. 124644, 2024.

• SCHENKEL, V. ; MELLO, B. ; RIGO, S. J. ; RAMOS, Gabriel de O. . unbIAs - Google Translate gender bias mitigation and addition of genderless translation. REVISTA DE INFORMÁTICA TEÓRICA E APLICADA: RITA , v. 31, p. 74-90, 2024.

• GARCIA, LUCIANO GARIM ; RAMOS, GABRIEL DE OLIVEIRA ; OLIVEIRA, JOSÉ MANUEL MARQUES TEIXEIRA DE ; DA SILVEIRA, ARIANE SANTOS ; JUNIOR, MÁRCIO CARDOSO ; DE OLIVEIRA, RITA GAUSINA ; RIGO, SANDRO JOSÉ . Machine learning techniques in chemostratigraphy: A systematic literature review. Geoenergy Science And Engineering , v. 243, p. 213372, 2024.

• KAUTZMANN, TIAGO R. ; RAMOS, Gabriel de O. ; JAQUES, PATRÍCIA A. . Detecção de Emoções na Aprendizagem de Programação: Os Efeitos de Usar Estimativas de Conhecimento em Modelos Livres de Sensores que Detectam a Confusão do Aluno. Revista Brasileira de Informática na Educação (RBIE) , v. 32, p. 642-678, 2024.

• DA COSTA, LUIS ANTONIO L. F. ; MELCHIADES, MATEUS BEGNINI ; GIRELLI, VALÉRIA SOLDERA ; COLOMBELLI, FELIPE ; ARAÚJO, DENIS ANDREI DE ; RIGO, SANDRO JOSÉ ; RAMOS, GABRIEL DE OLIVEIRA ; DA COSTA, CRISTIANO ANDRÉ ; RIGHI, RODRIGO DA ROSA ; BARBOSA, JORGE LUIS VICTÓRIA . Advancing Chatbot Conversations: A Review of Knowledge Update Approaches. JOURNAL OF THE BRAZILIAN COMPUTER SOCIETY (ONLINE) , v. 30, p. 55-68, 2024.

• DA SILVA, JUAREZ MACHADO ; RAMOS, GABRIEL DE OLIVEIRA ; BARBOSA, JORGE LUIS VICTÓRIA . Multi-Objective Decision-Making Meets Dynamic Shortest Path: Challenges and Prospects. Algorithms , v. 16, p. 162, 2023.

• HOFFMANN SOUZA, MARCOS LEANDRO ; DA COSTA, CRISTIANO ANDRÉ ; DE OLIVEIRA RAMOS, GABRIEL . A machine-learning based data-oriented pipeline for Prognosis and Health Management Systems. COMPUTERS IN INDUSTRY , v. 148, p. 103903, 2023.

• FRAGA, VITOR A. ; SCHREIBER, LINCOLN V. ; DA SILVA, MARCO ANTONIO C. ; KUNST, RAFAEL ; BARBOSA, JORGE L.V. ; RAMOS, Gabriel de O. . A machine learning pipeline for extracting decision-support features from traffic scenes1. Ai Communications , v. 37, p. 1-13, 2023.

• LIMA, GEFERSOM ; ZEISER, FELIPE ANDRÉ ; DA SILVEIRA, ARIANE ; RIGO, SANDRO ; DE OLIVEIRA RAMOS, GABRIEL . An encoder-decoder deep neural network for binary segmentation of seismic facies. COMPUTERS & GEOSCIENCES , v. 183, p. 105507, 2023.

• ZEISER, FELIPE ANDRÉ ; DONIDA, B. ; COSTA, C. A. ; Ramos, Gabriel de O ; SCHERER, J. N. ; BARCELLOS, N. T. ; ALEGRETTI, A. P. ; IKEDA, M. L. R. ; MULLER, A. P. W. C. ; BOHN, H. ; SANTOS, I. ; BONI, L. ; ANTUNES, R. S. ; RIGHI, R. R. ; RIGO, S. J. . First and second COVID-19 waves in Brazil: A cross-sectional study of patients? characteristics related to hospitalization and in-hospital mortality. The Lancet Regional Health - Americas , v. 6, p. 100107, 2022.

• ZONTA, T. ; ZEISER, FELIPE ; COSTA, C. A. ; RIGHI, RODRIGO ; Ramos, Gabriel de O ; KUNST, R. . A predictive maintenance model for optimizing production schedule using deep neural networks. JOURNAL OF MANUFACTURING SYSTEMS , v. 62, p. 450-462, 2022.

• HAYES, C. F. ; RADULESCU, R. ; BARGIACCHI, E. ; KALLSTROM, J. ; MACFARLANE, M. ; REYMOND, M. ; VERSTRAETEN, T. ; ZINTGRAF, L. M. ; DAZELEY, R. ; HEINTZ, F. ; HOWLEY, E. ; IRISSAPPANE, A. A. ; MANNION, P. ; NOWE, A. ; RAMOS, G. de O. ; RESTELLI, M. ; VAMPLEW, P. ; ROIJERS, D. M. . A practical guide to multi-objective reinforcement learning and planning. AUTONOMOUS AGENTS AND MULTI-AGENT SYSTEMS , v. 36, p. 26, 2022.

• BOECHEL, TIAGO ; POLICARPO, LUCAS MICOL ; RAMOS, GABRIEL DE OLIVEIRA ; DA ROSA RIGHI, RODRIGO ; SINGH, DHANANJAY . Prediction of Harvest Time of Apple Trees: An RNN-Based Approach. Algorithms , v. 15, p. 95, 2022.

• SCHUNKE, L. ; MELLO, B. ; COSTA, C. A. ; ANTUNES, R. S. ; RIGO, SANDRO ; RAMOS, G. de O. ; RIGHI, RODRIGO ; SCHERER, J. N. ; DONIDA, B. . A rapid review of machine learning approaches for telemedicine in the scope of COVID-19. ARTIFICIAL INTELLIGENCE IN MEDICINE , v. 129, p. 102312, 2022.

• VAMPLEW, P. ; SMITH, B. J. ; KALLSTROM, J. ; RAMOS, G. de O. ; RADULESCU, R. ; ROIJERS, D. M. ; HAYES, C. F. ; HEINTZ, F. ; MANNION, P. ; LIBIN, P. J. K. ; DAZELEY, R. ; FOALE, C. . Scalar reward is not enough: a response to Silver, Singh, Precup and Sutton (2021). AUTONOMOUS AGENTS AND MULTI-AGENT SYSTEMS , v. 36, p. 41, 2022.

• DALZOCHIO, JOVANI ; KUNST, RAFAEL ; BARBOSA, JORGE LUIS VICTÓRIA ; VIANNA, HENRIQUE DAMASCENO ; DE OLIVEIRA RAMOS, GABRIEL ; PIGNATON, EDISON ; BINOTTO, ALECIO ; FAVILLA, JOSE . ELFpm: A machine learning framework for industrial machines prediction of remaining useful life. NEUROCOMPUTING , v. 512, p. 420-442, 2022.

• SANTOS, NÍCOLAS B. ; BAVARESCO, RODRIGO S. ; TAVARES, JOÃO E.R. ; RAMOS, Gabriel de O. ; BARBOSA, JORGE L.V. . A systematic mapping study of robotics in human care. ROBOTICS AND AUTONOMOUS SYSTEMS , v. 144, p. 103833, 2021.

• ZEISER, FELIPE ANDRÉ ; DA COSTA, CRISTIANO ANDRÉ ; Oliveira Ramos, Gabriel ; BOHN, HENRIQUE C. ; SANTOS, ISMAEL ; ROEHE, ADRIANA VIAL . DeepBatch: A hybrid deep learning model for interpretable diagnosis of breast cancer in whole-slide images. EXPERT SYSTEMS WITH APPLICATIONS , v. 185, p. 115586, 2021.

• HOFFMANN SOUZA, MARCOS LEANDRO ; DA COSTA, CRISTIANO ANDRÉ ; DE OLIVEIRA RAMOS, GABRIEL ; DA ROSA RIGHI, RODRIGO . A feature identification method to explain anomalies in condition monitoring. COMPUTERS IN INDUSTRY , v. 133, p. 103528, 2021.

• LIMA, M. J. ; RIGHI, R. R. ; RAMOS, Gabriel de O. ; CROVATO, C. D. P. ; MEJIA, R. I. G. ; COSTA, C. A. . HealthMon: an Approach for Monitoring Machines Degradation Using Time-Series Decomposition, Clustering, and Metaheuristics. COMPUTERS & INDUSTRIAL ENGINEERING , v. 162, p. 107709, 2021.

• FREITAS, SAMUEL A. ; NIENOW, DÉBORA ; DA COSTA, CRISTIANO A. ; RAMOS, Gabriel de O. . Functional Coronary Artery Assessment: a Systematic Literature Review. WIENER KLINISCHE WOCHENSCHRIFT , v. 133, p. 1, 2021.

• FISCHER, GABRIEL SOUTO ; RIGHI, RODRIGO DA ROSA ; RAMOS, GABRIEL DE OLIVEIRA ; COSTA, CRISTIANO ANDRÉ DA ; RODRIGUES, JOEL J.P.C. . ElHealth: Using Internet of Things and data prediction for elastic management of human resources in smart hospitals. ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE , v. 87, p. 103285, 2020.

• RAMOS, Gabriel de O. ; da SILVA, B. C. ; RADULESCU, R. ; Bazzan, Ana L. C. ; NOWE, A. . Toll-based reinforcement learning for efficient equilibria in route choice. KNOWLEDGE ENGINEERING REVIEW , v. 35, p. e8, 2020.

• HOFFMANN SOUZA, MARCOS LEANDRO ; DA COSTA, CRISTIANO ANDRÉ ; DE OLIVEIRA RAMOS, GABRIEL ; DA ROSA RIGHI, RODRIGO . A survey on decision-making based on system reliability in the context of Industry 4.0. JOURNAL OF MANUFACTURING SYSTEMS , v. 56, p. 133-156, 2020.

• RAMOS, Gabriel de O. ; Bazzan, Ana L. C. ; da SILVA, B. C. . Analysing the impact of travel information for minimising the regret of route choice. TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES , v. 88, p. 257-271, 2018.

• RAMOS, Gabriel de O. ; BURGUILLO, Juan C. ; Bazzan, Ana L. C. . A self-adapting similarity-based coalition formation approach for plug-in electric vehicles in smart grids. MULTIAGENT AND GRID SYSTEMS , v. 11, p. 167-187, 2015.

• RAMOS, Gabriel de O. ; BURGUILLO, Juan C. ; Bazzan, Ana L. C. . Dynamic constrained coalition formation among electric vehicles. Journal of The Brazilian Computer Society (Online) , v. 20, p. 8, 2014.

• DA COSTA, CRISTIANO ANDRÉ ; ZEISER, FELIPE ANDRÉ ; DA ROSA RIGHI, RODRIGO ; ANTUNES, RODOLFO STOFFEL ; Alegretti, Ana Paula ; Bertoni, Ana Paula ; DE OLIVEIRA RAMOS, GABRIEL ; de Mello, Blanda Helena ; Vanin, Fausto ; Bertoletti, Otávio Azevedo ; RIGO, SANDRO JOSÉ . Internet of Things and Machine Learning for Smart Healthcare. Studies in Computational Intelligence. 1ed.: Springer Nature Singapore, 2024, v. , p. 95-133.

• KUNST, R. ; RAMOS, Gabriel de O. ; RIGHI, RODRIGO DA ROSA ; DA COSTA, CRISTIANO A. ; PIGNATON, EDISON ; BINOTTO, ALECIO ; FAVILLA, JOSE ; OHTA, R. ; HIGH, R. . Industry 4.0: Applications and Future Perspectives. In: C.M. Hussain, P. Di Sia. (Org.). Handbook of Smart Materials, Technologies, and Devices: Applications of Industry 4.0. 1ed.Cham: Springer, 2022, v. , p. 1277-1306.

• Ramos, Gabriel de O ; BURGUILLO, Juan C. ; Bazzan, Ana L. C. . Coalitions of Electric Vehicles in Smart Grids. In: Juan Burguillo. (Org.). Self-organizing Coalitions for Managing Complexity. 1ed.: Springer International Publishing, 2018, v. 29, p. 207-263.

• de O. Ramos, Gabriel ; GRUNITZKI, RICARDO . An Improved Learning Automata Approach for the Route Choice Problem. In: Fernando Koch; Felipe Meneguzzi; Kiran Lakkaraju; Muhammad A. Ahmad; Gita Sukthankar. (Org.). Communications in Computer and Information Science. 1ed.Berlin: Springer Berlin Heidelberg, 2015, v. 498, p. 56-67.

• Bazzan, Ana L. C. ; de O. Ramos, Gabriel . Forming Coalitions of Electric Vehicles in Constrained Scenarios. In: Javier Bajo; Kasper Hallenborg; Pawel Pawlewski; Vicente Botti; Nayat Sánchez-Pi; Nestor Darío Duque Méndez; Fernando Lopes; Vicente Julian. (Org.). Communications in Computer and Information Science. 1ed.Gewerbestrasse: Springer International Publishing, 2015, v. 524, p. 237-248.

• Koster, Andrew ; Oliveira Ramos, Gabriel ; Bazzan, Ana L. C. ; Koch, Fernando . Towards a Platform for Testing and Developing Privacy-Preserving Data Mining Applications for Smart Grids. In: Matthias Klusch; Matthias Thimm; Marcin Paprzycki. (Org.). Lecture Notes in Computer Science. 1ed.Berlin: Springer Berlin Heidelberg, 2013, v. 8076, p. 292-305.

• MELCHIADES, MATEUS B. ; RAMOS, Gabriel de O. ; da SILVA, B. C. . Dynamic Option Creation in Option-Critic Reinforcement Learning. In: International Conference on Autonomous Agents and Multiagent Systems, 2025, Detroit. Proceedings of the 24th International Conference on Autonomous Agents and Multiagent Systems (AAMAS-25), 2025.

• CESCHINI, LUCAS MAYER ; RAMOS, Gabriel de O. ; JUNG, C. R. . Scaling laws in zero-shot gender classification using CLIP. In: LatinX in AI Research Workshop, 2025, Nashville. Proceedings of the LatinX in AI (LXAI) Research Workshop 2025, 2025.

• LEAL, A. A. F. ; MELCHIADES, MATEUS B. ; RAMOS, Gabriel de O. . A Flexible Approach to Deliberation Cost in the Option-Critic Architecture. In: Adaptive and Learning Agents Workshop, 2025. Proc. of the Adaptive and Learning Agents Workshop (ALA 2025).

• ROMIO, G. ; MELCHIADES, MATEUS B. ; RAMOS, Gabriel de O. . Improving Option Learning with Hindsight Experience Replay. In: Adaptive and Learning Agents Workshop, 2025, Detroit. Proc. of the Adaptive and Learning Agents Workshop (ALA 2025), 2025.

• MELCHIADES, MATEUS B. ; RAMOS, Gabriel de O. ; da SILVA, B. C. . Dynamic Option Creation in Option-Critic Reinforcement Learning. In: Adaptive and Learning Agents Workshop, 2025, Detroit. Proc. of the Adaptive and Learning Agents Workshop (ALA 2025), 2025.

• VAMPLEW, P. ; FOALE, C. ; HAYES, C. F. ; MANNION, P. ; HOWLEY, E. ; DAZELEY, R. ; JOHNSON, S. ; KALLSTROM, J. ; RAMOS, Gabriel de O. ; RADULESCU, R. ; ROPKE, W. ; ROIJERS, D. M. . Utility-Based Reinforcement Learning: Unifying Single-objective and Multi-objective Reinforcement Learning. In: International Conference on Autonomous Agents and Multiagent Systems, 2024, Auckland. Proc. of the 23rd International Conference on Autonomous Agents and Multiagent Systems, 2024. p. 2717-2721.

• GARCIA, L. G. ; RAMOS, Gabriel de O. ; OLIVEIRA, J. M. M. T. ; SILVEIRA, A. ; RODRIGUES, G. ; OLIVEIRA, R. ; ARAUJO, L. . Generation of Synthetic Lithogeochemical Well Logs Using Machine Learning Algorithms. In: International Conference on Machine Learning and Applications, 2024, Miami. Proceedings of the 23rd International Conference on Machine Learning and Applications (ICMLA'24), 2024.

• THOMASINI, L. A. ; ALEGRE, L. N. ; RAMOS, G. de O. ; Bazzan, Ana L. C. . RouteChoiceEnv: a Route Choice Library for Multiagent Reinforcement Learning. In: Adaptive and Learning Agents Workshop, 2023, London. Proc. of the Adaptive and Learning Agents Workshop (ALA 2023), 2023.

• KUHN, G. ; ZEISER, FELIPE ; ROEHE, A. V. ; COSTA, C. A. ; RAMOS, G. de O. . Aprendizado profundo para assistência histopatológica: um estudo de classificação de micrometástases em câncer de mama. In: Simpósio Brasileiro de Computação Aplicada à Saúde, 2023, São Paulo. Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2023). Porto Alegre: SBC, 2023.

• ZEISER, FELIPE A. ; MATOS, H. ; SCHMITT, A. B. ; COSTA, C. A. ; RAMOS, G. de O. . Integration of Epidemiologic, Socioeconomic, and Sociodemographic Indicators to Predict Early COVID-19 In-Hospital Outcomes. In: Encontro Nacional de Inteligência Artificial e Computacional, 2023, Belo Horizonte. Anais do XX Encontro Nacional de Inteligência Artificial e Computacional, 2023. p. 1037-1047.

• GOMES NETO, S. ; FREITAS, S. A. ; RAMOS, G. de O. . Echocardiographic Image Classification Using Deep Learning. In: Encontro Nacional de Inteligência Artificial e Computacional, 2023, Belo Horizonte. Anais do XX Encontro Nacional de Inteligência Artificial e Computacional, 2023. p. 473-485.

• SCHREIBER, LINCOLN V. ; ALEGRE, LUCAS N. ; BAZZAN, ANA. L.C. ; de O. Ramos, Gabriel . On the Explainability and Expressiveness of Function Approximation Methods in RL-Based Traffic Signal Control. In: 2022 International Joint Conference on Neural Networks (IJCNN), 2022, Padua. 2022 International Joint Conference on Neural Networks (IJCNN), 2022. p. 01.

• DE SOUZA, ARTURO ; MELCHIADES, MATEUS B. ; RIGO, SANDRO J. ; RAMOS, Gabriel de O. . MoStress: a Sequence Model for Stress Classification. In: 2022 International Joint Conference on Neural Networks (IJCNN), 2022, Padua. 2022 International Joint Conference on Neural Networks (IJCNN), 2022. p. 1.

• FREITAS, SAMUEL A. ; ZEISER, FELIPE A. ; DA COSTA, CRISTIANO A. ; de O. Ramos, Gabriel . DeepCADD: A Deep Learning Architecture for Automatic Detection of Coronary Artery Disease. In: 2022 International Joint Conference on Neural Networks (IJCNN), 2022, Padua. 2022 International Joint Conference on Neural Networks (IJCNN), 2022. p. 1.

• COLOMBELLI, FELIPE ; MATTER, VITOR KEHL ; GRISCI, BRUNO IOCHINS ; LIMA, LEOMAR ; HEINEN, KARINE ; BORGES, MARCIO ; RIGO, SANDRO JOSE ; BARBOSA, JORGE LUIS VICTORIA ; DA ROSA RIGHI, RODRIGO ; DA COSTA, CRISTIANO ANDRE ; DE OLIVEIRA RAMOS, GABRIEL . Multi-objective prioritization for data center vulnerability remediation. In: 2022 IEEE Congress on Evolutionary Computation (CEC), 2022, Padua. 2022 IEEE Congress on Evolutionary Computation (CEC), 2022. p. 01.

• RODRIGUES NETO, JOAO B. ; RAMOS, Gabriel de O. . An Interpolated Approach for Active Debris Removal. In: 2022 IEEE Congress on Evolutionary Computation (CEC), 2022, Padua. 2022 IEEE Congress on Evolutionary Computation (CEC), 2022. p. 1.

• DA SILVA, JUAREZ M. ; de O. Ramos, Gabriel ; BARBOSA, JORGE L. V. . The multi-objective dynamic shortest path problem. In: 2022 IEEE Congress on Evolutionary Computation (CEC), 2022, Padua. 2022 IEEE Congress on Evolutionary Computation (CEC), 2022. p. 1.

• FREITAS, SAMUEL A. ; RAMOS, Gabriel de O. ; COSTA, CRISTIANO ANDRÉ DA . DEEPCADD: A Deep Neural Network for Automatic Detection of Coronary Artery Disease. In: Simpósio Brasileiro de Computação Aplicada à Saúde, 2022, Brasil. Anais Estendidos do XXII Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2022). p. 25.

• FRAGA, V. A. ; SCHREIBER, L. ; KUNST, R. ; BARBOSA, JORGE L.V. ; RAMOS, G. de O. . A machine learning pipeline for extracting decision-support features from traffic scenes. In: International Workshop on Agents in Traffic and Transportation, 2022, Austria. Proceedings of the Twelfth International Workshop on Agents in Traffic and Transportation (ATT 2022). Aachen, 2022. v. 3173. p. 194-208.

• KAUTZMANN, TIAGO R. ; RAMOS, Gabriel de O. ; JAQUES, PATRÍCIA A. . Os efeitos de usar estimativas de conhecimento do aluno em programação de computadores em modelos livres de sensores de detecção da emoção confusão. In: Congresso Brasileiro de Informática na Educação, 2022, Brasil. Anais Estendidos do XI Congresso Brasileiro de Informática na Educação (CBIE 2022). p. 33.

• KAUTZMANN, TIAGO R. ; RAMOS, Gabriel de O. ; JAQUES, PATRÍCIA A. . O uso de estimativas de conhecimento do aluno em programação de computadores em modelos de detecção da emoção confusão livres de sensores. In: Simpósio Brasileiro de Informática na Educação, 2022, Brasil. Anais do XXXIII Simpósio Brasileiro de Informática na Educação (SBIE 2022). p. 1196.

• CAMARGO, I. F. ; ANTUNES, R. S. ; RAMOS, Gabriel de O. . On Social Consensus Mechanisms for Federated Learning Aggregation. In: Brazilian Conference on Intelligent Systems, 2022, Campinas. 2022 11th Brazilian Conference on Intelligent Systems (BRACIS). Cham: Springer, 2022. p. 236-250.

• CESCHINI, L. M. ; POLICARPO, L. M. ; RIGHI, RODRIGO DA ROSA ; RAMOS, Gabriel de O. . Aiding glaucoma diagnosis from the automated classification and segmentation of fundus images. In: Brazilian Conference on Intelligent Systems, 2022, Campinas. 2022 11th Brazilian Conference on Intelligent Systems (BRACIS). Cham: Springer, 2022. p. 343-356.

• ZEISER, FELIPE ANDRÉ ; COSTA, CRISTIANO ANDRÉ DA ; RAMOS, GABRIEL DE OLIVEIRA ; BOHN, HENRIQUE C. ; SANTOS, ISMAEL ; DONIDA, BRUNA ; BRUN, ANA PAULA DE OLIVEIRA ; ZARICHTA, NATHÁLIA . Generating X-ray Reports Using Global Attention. In: Encontro Nacional de Inteligência Artificial e Computacional, 2022, Brasil. Anais do XIX Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2022). p. 809.

• BOECHEL, TIAGO ; POLICARPO, LUCAS MICOL ; DE OLIVEIRA RAMOS, GABRIEL ; RIGHI, RODRIGO DA ROSA . Fuzzy time series for predicting phenological stages of apple trees. In: SAC '21: The 36th ACM/SIGAPP Symposium on Applied Computing, 2021, Virtual Event Republic of Kor. Proceedings of the 36th Annual ACM Symposium on Applied Computing, 2021. p. 934-941.

• RODRIGUES NETO, J. B. ; RAMOS, Gabriel de O. . An Enhanced TSP-based Approach for Active Debris Removal Mission Planning. In: Brazilian Conference on Intelligent Systems (BRACIS 2021), 2021, Online. 2021 10th Brazilian Conference on Intelligent Systems (BRACIS), 2021. p. 140-154.

• ZEISER, FELIPE ANDRÉ ; COSTA, C. A. ; RAMOS, Gabriel de O. ; BOHN, HENRIQUE C. ; SANTOS, ISMAEL ; RIGHI, R. R. . Evaluation of Convolutional Neural Networks for COVID-19 Classification on Chest X-Rays. In: Brazilian Conference on Intelligent Systems (BRACIS 2021), 2021, Online. 2021 10th Brazilian Conference on Intelligent Systems (BRACIS), 2021. p. 121-132.

• MELLO, BLANDA ; DONIDA, BRUNA ; COSTA, CRISTIANO ANDRÉ DA ; RIGO, SANDRO ; ALVEZ, FERNANDO ; PETRY, LAURA RODOLPHO ; RODRIGUES, HENRIQUE ; FOLETTO, LEONARDO ; ANTUNES, RODOLFO STOFFEL ; RAMOS, GABRIEL DE OLIVEIRA ; RIGHI, RODRIGO DA ROSA . SARS event notification: template openEHR brasileiro para interoperabilidade semântica de dados com foco na Covid-19. In: Simpósio Brasileiro de Computação Aplicada à Saúde, 2021, Brasil. Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2021), 2021. p. 434-439.

• RAMOS, Gabriel de O. ; RADULESCU, R. ; NOWE, A. ; TAVARES, A. R. . Toll-Based Learning for Minimising Congestion under Heterogeneous Preferences. In: International Conference on Autonomous Agents and Multiagent Systems, 2020, Auckland. Proceedings of the 19th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2020), 2020.

• GRUNITZKI, RICARDO ; DE OLIVEIRA RAMOS, GABRIEL . On the Role of Reward Functions for Reinforcement Learning in the Traffic Assignment Problem. In: 2020 International Joint Conference on Neural Networks (IJCNN), 2020, Glasgow. 2020 International Joint Conference on Neural Networks (IJCNN), 2020. p. 1.

• ZEISER, FELIPE ; COSTA, CRISTIANO ; RAMOS, Gabriel ; ROEHE, ADRIANA ; BOHN, HENRIQUE ; SANTOS, ISMAEL ; RIGHI, RODRIGO . Análise comparativa da influência dos espaços de cores na segmentação multi-classe de Whole Slide Imaging do câncer de mama utilizando deep learning. In: Anais Principais do Simpósio Brasileiro de Computação Aplicada à Saúde, 2020, Brasil. Anais Principais do Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2020). p. 131.

• FREITAS, SAMUEL ; RAMOS, Gabriel ; SCHMITH, JEAN ; COSTA, CRISTIANO . Nodal Analysis for Coronary Artery Ischemia Diagnosis. In: Anais Principais do Simpósio Brasileiro de Computação Aplicada à Saúde, 2020, Brasil. Anais Principais do Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2020). p. 262.

• RAMOS, Gabriel de O. ; RADULESCU, R. ; NOWE, A. . A Budged-Balanced Tolling Scheme for Efficient Equilibria under Heterogeneous Preferences. In: Adaptive Learning Agents Workshop, 2019, Montreal. Proceedings of the Adaptive Learning Agents Workshop 2019 (ALA-19), 2019.

• RAMOS, GABRIEL O. ; Bazzan, Ana L. C. ; DA SILVA, BRUNO C. . Regret Minimisation and System-Efficiency in Route Choice. In: XXXII Concurso de Teses e Dissertações da SBC, 2019, Belém. Anais do Concurso de Teses e Dissertações da SBC (CTD-SBC), 2019.

• KLEIN SALVALAIO, BRUNO ; DE OLIVEIRA RAMOS, GABRIEL . Self-Adaptive Appearance-Based Eye-Tracking with Online Transfer Learning. In: 2019 8th Brazilian Conference on Intelligent Systems (BRACIS), 2019, Salvador. 2019 8th Brazilian Conference on Intelligent Systems (BRACIS), 2019. p. 383.

• OLIVEIRA SOUZA, LUCAS ; DE OLIVEIRA RAMOS, GABRIEL ; GHEDINI RALHA, CELIA . Experience Sharing Between Cooperative Reinforcement Learning Agents. In: 2019 IEEE 31st International Conference on Tools with Artificial Intelligence (ICTAI), 2019, Portland. 2019 IEEE 31st International Conference on Tools with Artificial Intelligence (ICTAI), 2019. p. 963.

• RAMOS, Gabriel de O. ; da SILVA, B. C. ; RADULESCU, R. ; Bazzan, Ana L. C. . Learning System-Efficient Equilibria in Route Choice Using Tolls. In: Adaptive Learning Agents Workshop, 2018, Stockholm. Proceedings of the Adaptive Learning Agents Workshop 2018 (ALA-18), 2018.

• RAMOS, Gabriel de O. ; da SILVA, B. C. ; Bazzan, Ana L. C. . Learning to Minimise Regret in Route Choice. In: International Conference on Autonomous Agents and Multiagent Systems, 2017, São Paulo. Proceedings of the 16th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2017), 2017. p. 846-855.

• RAMOS, Gabriel de O. ; LEMOS, L. L. ; Bazzan, Ana L. C. . Developing a Python Reinforcement Learning Library for Traffic Simulation. In: Adaptive Learning Agents Workshop, 2017, São Paulo. Proceedings of the Adaptive Learning Agents Workshop 2017 (ALA-17), 2017.

• LEMOS, L. L. ; Bazzan, Ana L. C. ; RAMOS, Gabriel de O. . Avaliação do desempenho do aprendizado por reforço em simulação microscópica de tráfego. In: XI Workshop-Escola de Sistemas de Agentes, seus Ambientes e apliCações (WESAAC 2017), 2017, São Paulo. Anais do XI Workshop-Escola de Sistemas de Agentes, seus Ambientes e apliCações (WESAAC 2017), 2017. p. 11-22.

• RAMOS, Gabriel de O. ; Bazzan, Ana L. C. . Efficient local search in traffic assignment. In: 2016 IEEE Congress on Evolutionary Computation (CEC), 2016, Vancouver. 2016 IEEE Congress on Evolutionary Computation (CEC). p. 1493.

• RAMOS, Gabriel de O. ; Bazzan, Ana L. C. . On Estimating Action Regret and Learning From It in Route Choice. In: Ninth International Workshop on Agents in Traffic and Transportation (ATT2016), 2016, New York. Proceedings of the Ninth International Workshop on Agents in Traffic and Transportation (ATT2016), 2016. v. 1678. p. 1-8.

• RAMOS, GABRIEL DE OLIVEIRA ; BAZZAN, ANA LÚCIA CETERTICH . Towards the User Equilibrium in Traffic Assignment Using GRASP with Path Relinking. In: the 2015, 2015, Madrid. Proceedings of the 2015 on Genetic and Evolutionary Computation Conference - GECCO '15. New York: ACM Press. p. 473-480.

• RAMOS, Gabriel de O. ; GRUNITZKI, R. ; Bazzan, Ana L. C. . On improving route choice through learning automata. In: Fifth International Workshop on Collaborative Agents - Research & Development (CARE 2014), 2014, Paris. Proceedings of the Fifth International Workshop on Collaborative Agents - Research & Development (CARE 2014), 2014. p. 1-12.

• GRUNITZKI, RICARDO ; RAMOS, GABRIEL DE OLIVEIRA ; BAZZAN, ANA LUCIA CETERTICH . Individual versus Difference Rewards on Reinforcement Learning for Route Choice. In: 2014 Brazilian Conference on Intelligent Systems (BRACIS), 2014, Sao Paulo. 2014 Brazilian Conference on Intelligent Systems. p. 253-258.

• GRUNITZKI, R. ; RAMOS, GABRIEL DE OLIVEIRA ; Bazzan, Ana L. C. . Uma Ferramenta para Alocação de Tráfego e Aprendizagem de Rotas em Redes Viárias. In: XXVIII Congresso Nacional de Pesquisa e Ensino em Transporte da ANPET, 2014, Curitiba. Anais do XXVIII Congresso ANPET 2014, 2014.

• RAMOS, Gabriel de O. ; RIAL, JUAN C. BURGUILLO ; BAZZAN, ANA L.C. . Self-Adapting Coalition Formation Among Electric Vehicles in Smart Grids. In: 2013 IEEE 7th International Conference on SelfAdaptive and SelfOrganizing Systems (SASO), 2013, Philadelphia. 2013 IEEE 7th International Conference on Self-Adaptive and Self-Organizing Systems. p. 11-20.

• RAMOS, GABRIEL DE OLIVEIRA ; BAZZAN, ANA L.C. . Reduction of Coalition Structure's Search Space Based on Domain Information: An Application in Smart Grids. In: 2012 Third Brazilian Workshop on Social Simulation (BWSS), 2012, Curitiba. 2012 Third Brazilian Workshop on Social Simulation. p. 112.

• RAMOS, Gabriel de O. ; BAZZAN, A. L. C. . Reducing the Search Space of Coalition Structures based on Smart Grids' Domain Information. In: Eighth Iberoamerican Workshop on Multi-Agent Systems, 2012, Cartagenas de Indias. Proceedings of the Eighth Iberoamerican Workshop on Multi-Agent Systems (IBERAGENTS), 2012.

• RAMOS, Gabriel de O. ; Teodorowitsch, R. . Threads em Java. In: I Mostra Sociocultural e Científica da Ulbra Gravataí, 2009, Gravataí. Anais da I Mostra Sociocultura e Científica, 2009. v. 1. p. 1-6.

• CESCHINI, LUCAS MAYER ; POLICARPO, LUCAS MICOL ; RODRIGUES, VINICIUS FACCO ; RIGHI, RODRIGO DA ROSA ; RAMOS, GABRIEL DE OLIVEIRA . Otimizando o diagnóstico automatizado de glaucoma a partir de imagens de fundo de olho. In: Escola Regional de Alto Desempenho da Região Sul, 2022, Brasil. Anais da XXII Escola Regional de Alto Desempenho da Região Sul (ERAD-RS 2022). p. 9-23.

• FREITAS, SAMUEL A. ; COSTA, CRISTIANO A. DA ; RAMOS, Gabriel de O. . Coronary Artery Disease Automatic Classification. In: Escola Regional de Computação Aplicada à Saúde, 2021, Brasil. Anais da VIII Escola Regional de Computação Aplicada à Saúde (ERCAS 2021). p. 26.

• SCHREIBER, LINCOLN ; RAMOS, Gabriel ; BAZZAN, ANA . Towards Explainable Deep Reinforcement Learning for Traffic Signal Control. In: LatinX in AI at International Conference on Machine Learning 2021, 2021. LatinX in AI at International Conference on Machine Learning 2021.

• MELCHIADES, MATEUS ; SCHREIBER, LINCOLN ; RAMOS, Gabriel ; PAREDES, CESAR ; GOYTIA, RODRIGO ; DA ROSA, RODRIGO . Anticipating faults by predicting non-linearity of environment variables with neural networks: a case study in semiconductor manufacturing. In: LatinX in AI at International Conference on Machine Learning 2021, 2021. LatinX in AI at International Conference on Machine Learning 2021.

• ZEISER, FELIPE ; DA COSTA, CRISTIANO ; RAMOS, Gabriel . Convolutional Neural Networks Evaluation for COVID-19 Classification on Chest Radiographs. In: LatinX in AI at International Conference on Machine Learning 2021, 2021. LatinX in AI at International Conference on Machine Learning 2021.

• LIMA, G. ; RAMOS, Gabriel de O. ; RIGO, S. J. ; ZEISER, FELIPE ; SILVEIRA, A. . Binary Segmentation of Seismic Facies Using Encoder-Decoder Neural Networks. In: LatinX in AI Workshop @ NeurIPS 2020, 2020, Online. Proc. of LatinX in AI Workshop @ NeurIPS 2020, 2020.

• RAMOS, Gabriel de O. . Minimising Regret in Route Choice (Doctoral Consortium). In: International Conference on Autonomous Agents and Multiagent Systems, 2017, São Paulo. Proceedings of the 16th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2017), 2017. p. 1855-1856.

• HAYES, C. F. ; RADULESCU, R. ; BARGIACCHI, E. ; MACFARLANE, M. ; REYMOND, M. ; VERSTRAETEN, T. ; ZINTGRAF, L. M. ; DAZELEY, R. ; HEINTZ, F. ; HOWLEY, E. ; IRISSAPPANE, A. A. ; MANNION, P. ; NOWE, A. ; RAMOS, G. de O. ; RESTELLI, M. ; VAMPLEW, P. ; ROIJERS, D. M. . A Brief Guide to Multi-Objective Reinforcement Learning and Planning. In: International Conference on Autonomous Agents and Multiagent Systems, 2023, London. Proc. of the 22nd International Conference on Autonomous Agents and Multiagent Systems, 2023. p. 1988-1990.

• VAMPLEW, P. ; SMITH, B. J. ; KALLSTROM, J. ; RAMOS, G. de O. ; RADULESCU, R. ; ROIJERS, D. M. ; HAYES, C. F. ; HEINTZ, F. ; MANNION, P. ; LIBIN, P. J. K. ; DAZELEY, R. ; FOALE, C. . Scalar Reward is Not Enough. In: International Conference on Autonomous Agents and Multiagent Systems, 2023, London. Proc. of the 22nd International Conference on Autonomous Agents and Multiagent Systems, 2023. p. 839-841.

• ZEISER, FELIPE A. ; SANTOS, I. ; BOHN, H. ; COSTA, C. A. ; RAMOS, G. de O. ; RIGHI, RODRIGO DA ROSA ; MAIER, A. ; ANDRADE, J. R. M. ; BACELAR, A. . Pleural Effusion Classification on Chest X-ray Images with Contrastive Learning. In: International Conference on Web Information Systems and Technologies, 2023. Proceedings of the 19th International Conference on Web Information Systems and Technologies (WEBIST 2023), 2023. p. 399-405.

• HAYES, C. F. ; RADULESCU, R. ; BARGIACCHI, E. ; KALLSTROM, J. ; MACFARLANE, M. ; REYMOND, M. ; VERSTRAETEN, T. ; ZINTGRAF, L. M. ; DAZELEY, R. ; HEINTZ, F. ; HOWLEY, E. ; IRISSAPPANE, A. A. ; MANNION, P. ; NOWE, A. ; RAMOS, Gabriel de O. ; RESTELLI, M. ; VAMPLEW, P. ; ROIJERS, D. M. . Abstract: A practical guide to multi-objective reinforcement learning and planning. In: Benelux Conference on Artificial Intelligence, 2022, Mechelen. 34th Benelux Conference on Artificial Intelligence and 31st Belgian-Dutch Conference on Machine Learning (BNAIC/BeNeLearn 2022), 2022. p. 1-2.

• GOMES NETO, J. R. ; SCHREIBER, L. ; RAMOS, Gabriel de O. . Análise do algoritmo Pareto-DQN em um ambiente de trânsito multiobjetivo. In: XXVIII Mostra Unisinos de Iniciação Científica e Tecnológica, 2021, São Leopoldo. Anais da XXVIII Mostra Unisinos de Iniciação Científica e Tecnológica, 2021. p. 296-297.

• MELCHIADES, M. B. ; SCHREIBER, L. ; CROVATO, C. D. P. ; MEJIA, R. I. G. ; RIGHI, R. R. ; RAMOS, Gabriel de O. . Antecipando falhas através da predição da não-linearidade de variáveis de ambiente com redes neurais: um estudo de caso na confecção de semicondutores. In: XXVIII Mostra Unisinos de Iniciação Científica e Tecnológica, 2021, São Leopoldo. Anais da XXVIII Mostra Unisinos de Iniciação Científica e Tecnológica, 2021. p. 298-299.

• VARISCO, F. M. ; RAMOS, Gabriel de O. . Controle de semáforos baseado em aprendizado por reforço com função de recompensa adaptativa. In: XXVII Mostra UNISINOS de Iniciação Científica e Tecnológica, 2020, São Leopoldo. XXVII Mostra UNISINOS de Iniciação Científica e Tecnológica, 2020. p. 329-330.

• ARAUJO, A. K. ; RAMOS, G. de O. ; SGANZERLA, M. A. R. . Resolução do problema de alocação de salas de aula. In: IV Mostra de Pesquisa em Sala de Aula, 2013, Gravataí. Anais da IV Mostra de Pesquisa em Sala de Aula, 2013.

• RAMOS, Gabriel de O. ; MORAES, S. M. W. . Automatização de um Centro de Distribuição através de um Sistema Multiagente. In: II Mostra Sociocultural e Científica da Ulbra Gravataí, 2010, Gravataí. Anais da II Mostra Sociocultural e Científica da Ulbra Gravataí, 2010.

• RAMOS, Gabriel de O. . Inteligência Artificial Aplicada aos Negócios. 2024. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, Gabriel de O. . Aprendizado por Reforço: Como Agentes Podem Aprender com a Própria Experiência. 2024. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, G. de O. . Redes Neurais. 2023. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, G. de O. . Redes Neurais. 2022. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, G. de O. . Machine Learning for Smart Cities. 2022. (Apresentação de Trabalho/Outra).

• RAMOS, Gabriel de O. . Inteligência Artificial: conceitos e aplicações. 2020. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, Gabriel de O. ; RIGHI, R. R. . Inteligência Artificial aplicada à Indústria 4.0. 2020. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, Gabriel de O. . Inteligência Artificial e Mobilidade Urbana: Construindo o Caminho do Futuro. 2020. (Apresentação de Trabalho/Outra).

• RAMOS, Gabriel de O. . Toll-Based Learning for Minimising Congestion under Heterogeneous Preferences. 2020. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, Gabriel de O. . Learning System-Efficient Equilibria in Route Choice Using Tolls. 2019. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, Gabriel de O. . Regret Minimisation and System-Efficiency in Route Choice. 2019. (Apresentação de Trabalho/Seminário).

• RAMOS, Gabriel de O. . Inteligência artificial e mobilidade urbana: construindo o caminho do futuro. 2019. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, Gabriel de O. . Inteligência artificial e mobilidade urbana: construindo o caminho do futuro. 2019. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, Gabriel de O. ; da SILVA, B. C. ; RADULESCU, R. ; Bazzan, Ana L. C. . Learning System-Efficient Equilibria in Route Choice Using Tolls. 2018. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, Gabriel de O. ; RADULESCU, R. ; da SILVA, B. C. ; Bazzan, Ana L. C. . Learning System-Efficient Equilibria in Route Choice Using Tolls. 2018. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, Gabriel de O. . Regret Minimisation and System-Efficiency in Route Choice. 2018. (Apresentação de Trabalho/Outra).

• RAMOS, Gabriel de O. ; da SILVA, B. C. ; Bazzan, Ana L. C. . Learning to Minimise Regret in Route Choice. 2017. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, Gabriel de O. . Minimising Regret in Route Choice (Doctoral Consortium). 2017. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, Gabriel de O. ; LEMOS, L. L. ; Bazzan, Ana L. C. . Developing a Python Reinforcement Learning Library for Traffic Simulation. 2017. (Apresentação de Trabalho/Conferência ou palestra).

• RAMOS, GABRIEL DE OLIVEIRA . Regret Minimisation and System-Efficiency in Route Choice. 2017. (Apresentação de Trabalho/Outra).

• RAMOS, Gabriel de O. . Pecha-Kucha introduction. 2017. (Apresentação de Trabalho/Outra).

• RAMOS, GABRIEL DE OLIVEIRA . Regret Minimisation and System-Efficiency in Route Choice. 2017. (Apresentação de Trabalho/Outra).

• Bazzan, Ana L. C. ; RAMOS, Gabriel de O. . Traffic simulation: what have we learned?. 2015. (Apresentação de Trabalho/Simpósio).

• RAMOS, GABRIEL DE OLIVEIRA ; Bazzan, Ana L. C. . Towards the User Equilibrium in Traffic Assignment Using GRASP with Path Relinking. 2015. (Apresentação de Trabalho/Congresso).

• RAMOS, Gabriel de O. ; Bazzan, Ana L. C. . On speeding up the route choice learning by limiting the set of options. 2014. (Apresentação de Trabalho/Outra).

• RAMOS, Gabriel de O. ; GRUNITZKI, R. ; Bazzan, Ana L. C. . On improving route choice through learning automata. 2014. (Apresentação de Trabalho/Outra).

• RAMOS, GABRIEL DE OLIVEIRA . Redução do espaço de busca de estruturas de coalizão a partir de informações sobre o domínio: uma aplicação em smart grids. 2013. (Apresentação de Trabalho/Outra).

• RAMOS, GABRIEL DE OLIVEIRA ; BAZZAN, A. L. C. . Reduction of Coalition Structure?s Search Space based on Domain Information: an Application in Smart Grids. 2012. (Apresentação de Trabalho/Outra).

• RAMOS, Gabriel de O. ; Bazzan, Ana L. C. . Redução do espaço de busca pela estrutura de coalizão ótima entre veículos elétricos fornecedores de energia para smart grids a partir de informações sobre o domínio. 2012. (Apresentação de Trabalho/Outra).

• RAMOS, Gabriel de O. ; MORAES, S. M. W. . Automatização de um Centro de Distribuição através de um Sistema Multiagente. 2010. (Apresentação de Trabalho/Seminário).

• RAMOS, Gabriel de O. ; MORAES, S. M. W. . Automatização de um Centro de Distribuição através de um Sistema Multiagente. 2010. (Apresentação de Trabalho/Outra).

• RAMOS, Gabriel de O. ; Teodorowitsch, R. . Threads em Java. 2009. (Apresentação de Trabalho/Outra).

• RAMOS, Gabriel de O. . Regret Minimisation and System-Efficiency in Route Choice 2018 (Tese de doutorado).

• RAMOS, Gabriel de O. . Regret Minimisation and System-Efficiency in Route Choice 2017 (Proposta de tese).

• RAMOS, GABRIEL DE OLIVEIRA . Redução do espaço de busca de estruturas de coalizão a partir de informações sobre o domínio: uma aplicação em smart grids 2013 (Dissertação).

• CORRÊA, Abel ; VECHIA, A. D. ; TAVARES, A. R. ; GALAFASSI, C. ; RAMOS, Gabriel de O. ; SOUZA, L. H. D. ; GRUNITZKI, R. ; BAZZAN, A. L. C. . Epicenter Team Description Paper. Fortaleza: Competição Brasileira de Robótica, 2013 (Team Description Paper).

• RAMOS, Gabriel de O. ; BORDINI, R. H. . Um estudo sobre iniciativas para promover o uso de smart grids e a visão de um simulador de smart grids baseado em sistemas multiagentes 2011 (Trabalho Individual de Mestrado).

• RAMOS, Gabriel de O. ; MORAES, S. M. W. . Automatização de um Centro de Distribuição através de um Sistema Multiagente. Gravataí: ULBRA, 2010 (Monografia de conclusão de graduação).

Outras produções

Projetos de pesquisa

• 2024 - Atual

  Escalando a criação de options em aprendizado por reforço com recursos de computação em nuvem, Descrição: Abstração temporal é um aspecto-chave na área de aprendizado por reforço (RL). O uso de options lida com este aspecto ao modelar ações de alto nível, cada qual representada por um conjunto de ações primitivas encadeadas. Tal modelagem permite a reutilização de options, facilitando o aprendizado em cenários complexos. Na literatura, não existe um consenso sobre como avaliar options nem sobre o número adequado de options para resolver uma dada tarefa. Este projeto busca investigar meios para viabilizar a criação de options de forma automática. Em particular, partindo de trabalhos anteriores do proponente, o objetivo é conceber algoritmos capazes de criar options dinamicamente utilizando abordagens tabulares e com aproximação de função. Além do mais, utilizando-se de recursos de computação em nuvem, o projeto visa a realização extensiva de experimentos em cenários complexos, contribuindo assim para o avanço do estado da arte no que tange a RL com options.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (2) . , Integrantes: Gabriel de Oliveira Ramos - Coordenador / Bruno Castro da Silva - Integrante / Mateus Begnini Melchiades - Integrante / Gabriel Romio - Integrante., Financiador(es): Amazon Web Service - Auxílio financeiro.

• 2024 - Atual

  Contribuindo para o Desenvolvimento Sustentável de Cidades Através de Inteligência Artificial, Descrição: A sociedade moderna passa por mudanças socioeconômicas em um ritmo cada vez mais acelerado. Nas últimas décadas, a demanda por serviços (tanto quantitativamente quanto qualitativamente) cresceu de forma mais consistente que a capacidade infraestrutural das cidades em absorvê-la. Alguns destes serviços incluem: mobilidade, energia, saúde, indústria, entre outros. Este crescente fenômeno de disparidade entre oferta e demanda tem gerado perdas bilionárias na economia de grandes cidades. Neste contexto, surge o conceito de cidades inteligentes (smart cities), que busca aliar novas tecnologias à infraestrutura das cidades para melhorar a qualidade de vida de seus cidadãos. Este projeto busca investigar o uso e concepção de técnicas de inteligência artificial de modo a contribuir para o desenvolvimento de cidades inteligentes em geral, com foco em sistemas inteligentes de transporte, saúde, redes elétricas inteligentes e indústria 4.0.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Gabriel de Oliveira Ramos - Coordenador / Anderson R. Tavares - Integrante / Bazzan, Ana L. C. - Integrante / Bruno Castro da Silva - Integrante / Ann Nowé - Integrante / Roxana Radulescu - Integrante / Cristiano André da Costa - Integrante / Sandro José Rigo - Integrante / RIGHI, RODRIGO - Integrante / Patrick Mannion - Integrante / Peter Vamplew - Integrante / Diederik M. Roijers - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

• 2024 - Atual

  Criação dinâmica de options em aprendizado por reforço, Descrição: Aprendizado por reforço (RL) tem se destacado dentro da área de aprendizado de máquina por sua capacidade em lidar com problemas de tomada de decisão sequencial. Apesar do número crescente de aplicações de sucesso de RL, a questão sobre como abordar abstração temporal, inerente de do mundo real, permanece em aberto. Neste contexto, o uso de options se mostra como uma alternativa viável, onde o agente deve aprender ações de alto nível, cada qual representada por um conjunto de ações primitivas encadeadas denotando um comportamento complexo. Desta forma, options podem ser reutilizadas, facilitando o aprendizado em cenários complexos onde a interação do agente é limitada. No entanto, a literatura possui lacunas no que tange à avaliação da adequabilidade de options bem como à criação das mesmas. Tais lacunas muitas vezes inviabilizam o uso de options em cenários complexos. Com base nete contexto, este projeto busca responder à seguinte pergunta de pesquisa: No contexto de aprendizado por reforço, como avaliar options existentes e, quando necessário, gerar novas options automaticamente, aproveitando experiências adquiridas, de modo a aprimorar o desempenho do agente no cumprimento de seus objetivos? Em particular, este projeto responder a esta pergunta através da criação de critérios adequados para avaliar options com base nas necessidades do agente. Além do mais, o projeto visa conceber métodos capazes de criar novas options dinamicamente sempre que as existentes não forem o suficiente para proporcionar um bom retorno para o agente. Desta forma, espera-se avançar o estado da arte de RL com options, alavancando o uso deste tipo de abordagem em cenários complexos. Além do mais, o projeto prevê a criação e disponibilização de repositórios de algoritmos (baselines) e de cenários de teste (benchmarks), fomentando o interesse da comunidade neste tipo de abordagem.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Gabriel de Oliveira Ramos - Coordenador / Ana Lúcia Cetertich Bazzan - Integrante / Bruno Castro da Silva - Integrante / Ann Nowé - Integrante / Anna Helena Reali Costa - Integrante / Mateus Begnini Melchiades - Integrante / ALEGRE, LUCAS N. - Integrante / Aline Weber - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

• 2023 - Atual

  Modelagem Estratigráfica de Carbonatos utilizando código Fuzzy, Descrição: Com as perspectivas exploratórias situando-se nas sequências deposicionais do Pré-sal, é fundamental avançar no conhecimento dos controles da sedimentação lacustre associada a influência microbial, e, também, na sedimentação dominantemente orgânica.A modelagem estratigráfica tem um importante papel na indústria do petróleo e gás natural, tendo por objetivo simular modelos de sequências estratigráficas e testar modelos conceituais de bacias sedimentares na escala de tempo geológico. Esta metodologia pode ser utilizada para simular a distribuição geográfica de fácies de reservatório, selante e geradora durante o preenchimento sedimentar de uma bacia, possibilitando um aumento na capacidade preditiva na exploração e desenvolvimento de campos de petróleo vinculados aos reservatórios e diminuindo o grau de incerteza de suas distribuições.O simulador estratigráfico de Carbonatos do StratBR, baseado em parâmetros geológicos, irá contribuir na predição e distribuição faciológica em escala subsísmica com alta resolução vertical. Como nestes ambientes ocorre uma elevada variedade de fácies carbonáticas em pequenas áreas em um mesmo ambiente deposicional, há a possibilidade de simulação através de associações de fácies. O simulador conta com um modelo de propagação de ondas de primeira ordem para estimar a distribuição de energia de ondas de fundo, e possibilita dispersar fácies a partir de conjuntos de regras flexíveis, por meio de lógica Fuzzy. Nesse método é possível criar regras para diferentes tipos de morfologias e climas, considerando como variáveis de domínio mapas paleobatimétricos e de energia de onda que são discretizados por intervalos. Ademais, possui também um otimizador de parâmetros baseado em algoritmo genético, que possibilita ajustar os valores dos intervalos das variáveis de domínio utilizando mapas de sismofácies e eletrofácies, garantindo assim que a distribuição faciológica seja condicionada por geometrias provenientes da sísmica calibrada com dados de poço. Partindo da simulação estratigráfica, que utiliza lógica Fuzzy, também é possível criar um modelo tridimensional de porosidade com a mesma resolução da simulação. Nesse processo, são utilizadas superfícies estruturais e os mapas de fácies/associação de fácies combinados com lógica Fuzzy para prever a porosidade na área de interesse. A calibração da porosidade com os poços é feita a partir de algoritmos de interpolação, que utilizam o erro entre o modelo simulado e o real, nos poços, para reajustar o modelo final, resultando em uma simulação fidedigna aos dados disponíveis.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Gabriel de Oliveira Ramos - Integrante / Ariane da Silveira - Coordenador / Adali Ricardo Spadini - Integrante / Andressa Bressane - Integrante / Cristian Gabriel de Abreu Heylmann - Integrante / José Manuel Marques Teixeira de Oliveira - Integrante / Marco Antônio Pinheiro Machado - Integrante / Thiago Soares Seidel - Integrante / Vinícius Lôndero - Integrante., Financiador(es): Petróleo Brasileiro - Rio de Janeiro - Matriz - Outra.

• 2022 - 2023

  ML4Fraud: Machine Learning Techniques for Fraud Detection on DFS Transactions, Projeto certificado pela empresa Dell Computadores do Brasil em 17/11/2022., Descrição: Este projeto tem como foco desenvolver um modelo computacional inteligente para a detecção automatizada e adaptativa de fraudes no contexto do Dell Financial Services (DFS) utilizando técnicas de aprendizado de máquina. Transações fraudulentas representam um percentual não-negligenciável daquelas processadas pelo DFS. O sistema atual de detecção de fraudes, baseado em regras definidas de forma manual, possui uma necessidade constante de intervenção para manter suas regras atualizadas segundo novos padrões de fraude. Desta forma, este projeto busca utilizar técnicas de aprendizado de máquina de modo a permitir uma análise automatizada das transações do DFS e a detecção daquelas que representam fraudes com base em características específicas.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (1) . , Integrantes: Gabriel de Oliveira Ramos - Coordenador / Rodrigo da Rosa Righi - Integrante / Cristiano André da Costa - Integrante / Sandro José Rigo - Integrante / João Batista Rodrigues Neto - Integrante / BARBOSA, JORGE L. V. - Integrante / Carine Priscila Beatrici - Integrante / Marcos André Künzel Palha - Integrante.

• 2022 - Atual

  Um Modelo Inteligente de Acompanhamento Contínuo da Evolução Clínica de Pacientes com Síndrome Pós-Covid no âmbito do MinhaSaúdeDigital, Projeto certificado pela empresa Hospital Nossa Senhora da Conceição em 17/03/2022., Descrição: A síndrome pós-COVID-19, caracterizada por sintomas persistentes e sequelas tardias, afeta cerca de 14% dos pacientes pós infecção aguda com SARS-CoV-2, independente se esta tenha sido assintomática ou grave. O objetivo do projeto é integrar através de modelos de aprendizado profundo dados destes pacientes a fim de traçar um perfil preditivo de progressão da síndrome pós-COVID-19. Pacientes infectados pelo SARS-CoV-2, atendidos no Hospital de Clínicas de Porto Alegre (HCPA) e Grupo Hospitalar Conceição (GHC), os dois maiores centros de referência do Sistema Único de Saúde do Rio Grande do Sul (RS) serão monitorados por um grupo multidisciplinar numa coorte de dois anos através de um sistema baseado em Internet das Coisas - IoT (wearables e app). A análise dos dados coletados em diferentes hospitais será realizada através de aprendizado federado (AF), técnica que permite a extração de conhecimento sem comprometer a segurança dos dados privados. Para ser reprodutível em outras populações, os resultados do aprendizado gerado pelas redes neurais produzidas serão submetidos à análise por um modelo de Inteligência Artificial Explicável (XAI). A principal contribuição científica do projeto será o desenvolvimento de um modelo preditivo que integra dados de monitoramento IoT, informações de prontuário eletrônico e biomarcadores para, através de XAI e AF, permitir um acompanhamento qualificado da evolução clínica de pacientes com síndrome pós-COVID-19. A abordagem empregada para monitorar estes pacientes visa otimizar recursos multiprofissionais e contribuir para a redução de custos do SUS através de melhor gerenciamento e manejo desses pacientes pela equipe de atendimento domiciliar e busca trazer uma melhoria da qualidade de vida destes pacientes.Ainda a presente proposta visa gerar um padrão de valor preditivo a partir dos dados captados, os quais podem auxiliar na tomada de decisão clínica baseada em evidência e na gestão hospitalar para a programação de ações de saúde.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (2) Doutorado: (8) . , Integrantes: Gabriel de Oliveira Ramos - Integrante / Cristiano André da Costa - Coordenador / José Roberto Goldim - Integrante / Marco Antônio Fisch - Integrante / Rodolfo Stoffel Antunes - Integrante / Valter Ferreira da Silva - Integrante / ZEISER, FELIPE - Integrante / RIGHI, RODRIGO - Integrante / Bruna Donida - Integrante / Blanda Mello - Integrante / Ana Paula Santin Bertoni - Integrante / Fernando Anschau - Integrante / Fernanda dos Santos de Oliveira - Integrante / Otávio Azevedo Bertoletti - Integrante / Adriana Vial Roehe - Integrante / Tânia Weber Furlanetto - Integrante / Fausto Vanin - Integrante / Frederico Falcetta - Integrante / Marcelo Palermo - Integrante / Laura Marinho Dornelles - Integrante / Taiani Vargas - Integrante / Leonardo da Silva Marques - Integrante / Alexis Vinícius de Aquino Leal - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

• 2021 - 2024

  Desenvolvimento de uma Ferramenta de Chatbot Inteligente com foco em Regras de Impostos, Projeto certificado pela empresa Dell Computadores do Brasil em 21/08/2021., Descrição: O projeto tem como foco desenvolver um modelo de um chatbot inteligente capaz apoiar o tratamento de dúvidas na área financeira, especificamente em questões tributárias. Com base em conteúdos publicados em uma intranet e dados gerados no atendimento pontual por especialistas, este projeto objetiva proporcionar o suporte necessário para automatizar as atividades iniciais de atendimento e facilitar o acompanhamento das demandas recebidas. Deste modo, um chatbot inteligente possibilitará o atendimento de questões gerais, a sua classificação de acordo com critérios de complexidade, a manutenção de um histórico e também aspectos de personalização das respostas. O projeto tem como premissa, fomentando a manutenção de sua atualização, o desenvolvimento de mecanismos automatizados para a utilização em um contexto informacional composto por uma intranet e bases de dados contendo as informações sobre a área tributária. Neste sentido, o modelo a ser desenvolvido incorporará técnicas de Inteligência Computacional, em especial a partir de recursos de Aprendizado de Máquina, Processamento de Linguagem Natural e Representação de Conhecimento. A aplicação destes recursos permite suportar os objetivos de qualificar as atividades de interação em linguagem natural com o público, de análise e classificação das demandas percebidas, bem como da atualização automatizada de conteúdos tratados pelo chatbot. A primeira fase do projeto contempla a arquitetura e a primeira versão do chatbot. A segunda fase, por outro lado, concentra-se no aprimoramento do chatbot bem como em sua capacidade multilíngue e na personalização de interações.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (1) . , Integrantes: Gabriel de Oliveira Ramos - Integrante / Cristiano André da Costa - Integrante / Sandro José Rigo - Coordenador / RIGHI, RODRIGO - Integrante / Mateus Begnini Melchiades - Integrante / BARBOSA, JORGE L.V. - Integrante / Luís Antônio Leite Francisco da Costa - Integrante / Valério Soldera Girelli - Integrante / Rafael Mendes - Integrante / Carolina Evaldt Drec - Integrante / Carlos Ono - Integrante / Felipe Colombelli - Integrante / Denis Andrei de Araujo - Integrante.

• 2021 - 2023

  Comunicação e Aprendizado de Máquina em Mobilidade Urbana: uma Abordagem Multiagente e Multiobjetivo, Projeto certificado pelo(a) coordenador(a) Ana Lucia Cetertich Bazzan em 07/09/2021., Descrição: Aprendizado de máquina tem sido mais e mais empregado na temática em torno de mobilidade urbana. Em particular, aprendizado por reforço (AR) é uma das técnicas mais utilizadas, pois permite que as diversas classes de agentes aprendam a se adaptar ao estado do tráfego. Entretanto, a literatura sobre AR raramente traz trabalhos que abordam decisão de natureza multiobjetivo, que são fundamentais neste domínio. Desta forma, o objetivo geral deste projeto é desenvolver métodos e um arcabouço que considere decisões multiobjetivo nos processos de aprendizado de agentes de pelo menos duas classes: motoristas/veículos e semáforos. A fim de melhorar a eficiência do aprendizado, é proposto que haja comunicação entre estes agentes (dentro e fora de suas classes) a fim de agilizar o aprendizado e evitar tomadas de decisões ineficientes. Para tal serão desenvolvidos novos métodos que se baseiam em transferência de conhecimento que será oportunizado pelo uso de comunicação inter-veicular e com a infraestrutura, além de comunicação dentre a própria infraestrutura viária.Projeto concedido dentro do Acordos de Cooperação / MCTIC/CGI - Cooperação Científica e Tecnológica entre FAPESP e MCTIC / MCTIC/CGI. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (4) / Mestrado acadêmico: (1) . , Integrantes: Gabriel de Oliveira Ramos - Integrante / Ana Lúcia Cetertich Bazzan - Coordenador / Anderson R. Tavares - Integrante / Ann Nowé - Integrante.

• 2021 - 2022

  Database Security: um Modelo Inteligente para Tratar Vulnerabilidades em Servidores de Bancos de Dados, Descrição: Vulnerabilidades representam uma das maiores preocupações em data centers. Quando múltiplas vulnerabilidades surgem, frequentemente torna-se inviável corrigir todas elas em um curto espaço de tempo. Neste contexto, é preciso identificar e priorizar as vulnerabilidades que representam o maior risco para os servidores. Em particular, o uso de técnicas de ranqueamento capazes de priorizar vulnerabilidades com base no risco que representam e no impacto que podem trazer para o negócio torna-se essencial. Este projeto tem como objetivo desenvolver um sistema computacional inteligente capaz de fornecer um ranking de prioridades customizável capaz de auxiliar na tomada de decisão no contexto da aplicação de correções em servidores de banco de dados. Para esta finalidade, este projeto busca desenvolver técnicas de otimização multi-objetivo capazes escalarizar os objetivos a partir de preferências reveladas a posteriori. O uso de técnicas multi-objetivo se mostra necessário porque vulnerabilidades podem ter pesos diferentes sob diferentes pontos de vista. Desta forma, espera-se permitir ao usuário decidir quais objetivos são mais relevantes em determinado momento e viabilizar a correção das vulnerabilidades de modo a melhor atender à estratégia do negócio.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (1) / Doutorado: (1) . , Integrantes: Gabriel de Oliveira Ramos - Coordenador / Rodrigo da Rosa Righi - Integrante / Cristiano André da Costa - Integrante / Sandro José Rigo - Integrante / BARBOSA, JORGE L.V. - Integrante / Bruno Iochins Grisci - Integrante / Gabriela Kuhn - Integrante / Felipe Colombelli - Integrante / Vítor Kehl Matter - Integrante / Márcio Borges - Integrante / Maurício Pegoraro - Integrante / Leomar Lima - Integrante / Karine Heinen - Integrante / Lucas Smaniotto - Integrante / Cassiano Bonfanti - Integrante.

• 2021 - Atual

  MinhaHistóriaDigital: Combinando Internet das Coisas, Computação em Neblina e Computação em Nuvem para o Gerenciamento Eficiente de Pessoas e Sinais Vitais no âmbito da COVID-19, Projeto certificado pela empresa ICOLAB - INSTITUTO DE GESTAO TECNOLOGIA E INOVACAO em 04/04/2021., Descrição: O projeto MinhaHistóriaDigital visa o desenvolvimento de um modelo computacional que compreende arquitetura ealgoritmos que permitam a rastreabilidade e captura de sinais vitais de pessoas em tempo real no escopo de umadeterminada cidade. O projeto atua no combate à COVID-19, uma vez que possibilita que se obtenha a posiçãogeográfica e os sinais vitais pontuais de uma determinada pessoa, bem como o histórico de ambos os dados ao longodo tempo. Assim, pode-se verificar o grau de dispersão do vírus através de mapeamento de lugares que a pessoavisitou, analisar a eficácia de ações de quarentena, bem como observar e predizer evoluções críticas quanto aos sinaisvitais dos indivíduos. Para viabilizar tais objetivos, o projeto contempla a combinação de Internet das Coisas (IoT),Computação em Neblina (Fog Computing) e Computação em Nuvem (Cloud Computing) para a análise earmazenamento eficaz e escalável de informações. Considerando o exposto, o projeto visa três objetivos principais. Oprimeiro deles é a organização de uma arquitetura que contemple diferentes níveis de instrumentação IoT, variandodesde o uso de pulseiras e wearables, a instalação de leitores que atuam como portais em lugares estratégicos dacidade, até o sensoriamento de ambientes hospitalares. O segundo objetivo é relativo à organização de servidores eserviços em Neblina e em Nuvem, de modo que o número deles seja dinâmico de acordo com as necessidadescomputacionais e número de usuários em um determinado momento. Tal ação vai ao encontro da economia energética,bem como proporciona uma qualidade de serviço (QoS) inteligente para os usuários, uma vez que o tempo de respostae usabilidade sempre serão aceitáveis. Por fim, o terceiro objetivo inclui a definição de serviços e algoritmos sensíveis àlatência de rede, os quais executarão em nós na Neblina, e aqueles que realizarão computações mais pesados queexecutarão na nuvem. Predição de eventos, grau de dispersão do vírus em bairros da cidade, computações envolvendoo caminhamento de pessoas, correlação de causa-efeito de sinais vitais e detecção de padrões estão entre os serviçosvislumbrados pelo modelo MinhaHistóriaDigital.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (5) / Mestrado acadêmico: (1) / Doutorado: (1) . , Integrantes: Gabriel de Oliveira Ramos - Integrante / Cristiano André da Costa - Integrante / Sandro José Rigo - Integrante / RIGHI, RODRIGO DA ROSA - Coordenador / Alex Roehrs - Integrante / Debora Oliveira da Silva - Integrante / Diego Pissaia Ramires - Integrante / Juliana Nichterwitz Scherer - Integrante / Leandro Schmitz - Integrante / Marco Antônio Fisch - Integrante / Rafael Gustavo Gaspar da Silva - Integrante / Rodolfo Stoffel Antunes - Integrante / Sandra Marlene Heck - Integrante / Valter Ferreira da Silva - Integrante / Bruna Donida - Integrante / Anderson Rosa dos Reis - Integrante., Financiador(es): FUNDACAO DE AMPARO A PESQUISA DO ESTADO DO RIO GRANDE DO SUL - Auxílio financeiro.

• 2020 - Atual

  Modelo Inteligente de Blockchain para Informações de Saúde e Interação com Pacientes no âmbito da COVID-19, Projeto certificado pela empresa ICOLAB - INSTITUTO DE GESTAO TECNOLOGIA E INOVACAO em 28/07/2020., Descrição: Esse projeto visa desenvolver um modelo inteligente de informação e comunicação, baseado em uma arquitetura distribuída em Blockchain com dados clínicos padronizados, para interligar diversos provedores de serviços de saúde e os pacientes de pandemias. Como padronização dos dados, o projeto adota o OpenEHR, padrão internacional aberto e recomendado pelo Sistema Único de Saúde (SUS), para representar os dados clínicos do paciente provendo a interoperabilidade semântica entre os diferentes envolvidos. O modelo proposto, denominado MinhaSaúdeDigital, permite também a interação remota e assistência aos pacientes de pandemias, em particular aqueles infectados por COVID-19, através do uso de dispositivos móveis. Essa interação permite a comunicação direta com o paciente, o acompanhamento da evolução da pandemia e a atualização do registro eletrônico de saúde (RES) que é armazenado em OpenEHR no Blockchain criado. Os dados coletados são submetidos a técnicas de análise de dados, baseadas em deep learning, para predição de prognóstico e geração de indicadores para tomada de decisão. São parceiros do projeto importantes provedores de saúde envolvidos no combate a COVID-19 no Rio Grande do Sul, a saber: Grupo Hospitalar Conceição (GHC), Hospital de Clínicas de Porto Alegre (HCPA), Hospital Ernesto Dornelles (HED), Hospital Moinhos de Vento (HMV), Hospital Universitário de Santa Maria (HUSM), Irmandade Santa Casa de Misericórdia de Porto Alegre (ISCMPA) e Unimed Central de Serviços RS. O projeto conta também com a parceria do Instituto Colaborativo de Blockchain (ICOLAB), instituto sem fins lucrativos focado no Blockchain. Como resultado, será produzido um sistema interoperável de informação e comunicação que armazena dados no padrão OpenEHR, através de uma Blockchain privada, em que cada parceiro constituirá um nó da rede. Além disso, através do MinhaSaúdeDigital, será possível manter contato com os pacientes afetados por pandemias, para assistência e acompanhamento, gerando prognóstico e indicadores de saúde para apoiar o combate à COVID-19.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (2) Doutorado: (4) . , Integrantes: Gabriel de Oliveira Ramos - Integrante / Cristiano André da Costa - Coordenador / Sandro José Rigo - Integrante / RIGHI, RODRIGO DA ROSA - Integrante / Alex Roehrs - Integrante / Alexandre Vargas Schwarzbold - Integrante / Ana Paula Alegretti - Integrante / Ana Paula Wernz da Cunha Muller - Integrante / Andre Lucio de Cassias - Integrante / Antônio Nocchi Kalil - Integrante / Beatriz Silvana da Silveira Porto - Integrante / Cloer Vescia Alves - Integrante / Debora Oliveira da Silva - Integrante / Diego Pissaia Ramires - Integrante / Geraldo José Goulart de Aguiar - Integrante / Gustavo Nogara Dotto - Integrante / José Roberto Goldim - Integrante / Juliana Nichterwitz Scherer - Integrante / Leandro Schmitz - Integrante / Luis Fernando de Aguiar Goulart - Integrante / Marcio Cristiano Walter - Integrante / Marco Antônio Fisch - Integrante / Mário Oscar Steffen - Integrante / Rafael Gustavo Gaspar da Silva - Integrante / Roberta de Almeida da Silva - Integrante / Rodolfo Stoffel Antunes - Integrante / Rochele Cassandra Rossi - Integrante / Rodrigo Debus Soares - Integrante / Rodrigo Heck - Integrante / Sandra Marlene Heck - Integrante / Tiago Abreu - Integrante / Valter Ferreira da Silva - Integrante / Vitor Ferreira - Integrante., Financiador(es): Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Auxílio financeiro.

• 2019 - 2022

  Contribuindo para a melhoria da mobilidade urbana através de aprendizado por reforço multiagente, Descrição: Mobilidade urbana eficiente é um dos grandes desafios da sociedade moderna. A frequência e intensidade de congestionamentos afeta diretamente a qualidade de vida das pessoas. Do ponto de vista econômico, estudos apontam que, em função de congestionamentos, países desenvolvidos sofrem prejuízos próximos a 1 de seu PIB e preveem ainda que tais prejuízos podem crescer mais de 50 até 2030. De modo a mitigar tais problemas, deve-se buscar alternativas para fazer um uso mais eficiente da infraestrutura viária existente. É neste contexto que surge o conceito de sistemas inteligentes de transporte (ITS, da sigla em inglês), que se baseia na integração de diversas áreas de conhecimento, como telecomunicações, inteligência artificial e engenharia de tráfego, para melhorar a eficiência dos sistemas de transporte. Este projeto aborda o problema de escolha de rotas, através do qual é possível estudar como motoristas escolhem rotas para se deslocar diariamente entre suas origens e destinos de modo a minimizar seus custos de viagem (tempo, geralmente). O desafio aqui está no fato que, uma vez que os custos de viagem são afetados pela forma como os motoristas escolhem suas rotas e se adaptam uns aos outros, temos que tal objetivo se torna um alvo em movimento. Logo, através deste problema pode-se desenvolver técnicas para melhorar a distribuição dos veículos na rede viária, reduzindo assim os congestionamentos. A pesquisa descrita neste projeto busca investigar o uso de técnicas de aprendizado por reforço multiagente. Tais técnicas são particularmente úteis em cenários como o de trânsito, onde os agentes (motoristas) possuem conhecimento bastante limitado sobre o que acontece à sua volta. Em geral, as técnicas atualmente existentes não possuem garantias de convergência para uma solução ótima. O proponente acumula experiência justamente neste ponto, tendo avançado o estado da arte com diversas análises teóricas do problema. Porém, vale ressaltar que tais métodos possuem convergência relativamente lenta. Portanto, através deste projeto, espera-se dar continuidade ao trabalho desenvolvido pelo proponente, entregando métodos mais eficientes sem sacrificar as análises teóricas.. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Gabriel de Oliveira Ramos - Coordenador / Bazzan, Ana L. C. - Integrante / Bruno Castro da Silva - Integrante / Ann Nowé - Integrante / Rafael Kunst - Integrante / Cínthia Virtuoso Becher - Integrante., Financiador(es): FUNDACAO DE AMPARO A PESQUISA DO ESTADO DO RIO GRANDE DO SUL - Auxílio financeiro.

• 2019 - Atual

  Contribuindo para a concepção de cidades inteligentes através de inteligência artificial, Descrição: A sociedade moderna passa por mudanças socioeconômicas em um ritmo cada vez mais acelerado. Nas últimas décadas, a demanda por serviços (tanto quantitativamente quanto qualitativamente) cresceu de forma mais consistente que a capacidade infraestrutural das cidades em absorvê-la. Alguns destes serviços incluem: mobilidade, energia, educação, saúde, segurança, entretenimento, gestão, entre outros. Este crescente fenômeno de disparidade entre oferta e demanda tem gerado perdas bilionárias na economia de grandes cidades. Neste contexto, surge o conceito de cidades inteligentes (smart cities), que busca aliar novas tecnologias (como inteligência artificial, redes de sensores, internet das coisas, etc.) à infraestrutura das cidades para melhorar a qualidade de vida de seus cidadãos. Este projeto busca investigar o uso e concepção de técnicas de inteligência artificial de modo a contribuir para o desenvolvimento de cidades inteligentes em geral, com foco em sistemas inteligentes de transporte e redes elétricas inteligentes.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (2) / Doutorado: (1) . , Integrantes: Gabriel de Oliveira Ramos - Coordenador / Bazzan, Ana L. C. - Integrante / Bruno Castro da Silva - Integrante / Ann Nowé - Integrante / Rodrigo da Rosa Righi - Integrante / Jorge Luis Victoria Barbosa - Integrante / Rafael Kunst - Integrante / Sandro José Rigo - Integrante.

• 2018 - 2021

  Intelligent Factory: Otimização do Custo Operacional de Fábricas para Microeletrônica via Internet das Coisas (IoT), Projeto certificado pela empresa HT Micron Semicondutores em 10/05/2019., Descrição: Manter uma sala para fabricação de semicondutores em operação tem um custo muito elevado. Somente o custo de operação do sistema de ar condicionado de uma sala limpa classe ISO 6 (classe 1000) chega a ser 50 vezes mais elevado do que o custo de operação de um sistema de ar condicionado para escritórios, por exemplo. Nesse contexto, o projeto tem foco em como será a conexão dos equipamentos e sensores de Internet das Coisas à internet de forma confiável e o uso de técnicas preditivas para eliminar paradas não programadas e reduzir os custos de operação e de manutenção. A ideia é desenvolver um sistema para monitorar remotamente variáveis críticas em equipamentos de produção e facilidades eletromecânicas de salas limpas para microeletrônica aplicando internet das coisas (Industrial Internet of Things ? IioT). Ainda, busca-se detectar variações ou mudanças de comportamento que possam indicar problemas de operação ou manutenção permitindo atuar preventivamente na correção dos mesmos evitando paradas e reduzindo os custos. Ainda, o projeto também contempla questões como consumo energético e tratamento da vibração de equipamentos. Por fim, o projeto também almeja formar mão de obra especializada em manutenção de equipamento e infraestrutura de salas limpas para microeletrônica e IoT.. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Gabriel de Oliveira Ramos - Integrante / Rodrigo da Rosa Righi - Coordenador / Cristiano André da Costa - Integrante / Celso Peter - Integrante / José Vicente Canto dos Santos - Integrante / Gustavo Pessin - Integrante / Cesar David Paredes Crovato - Integrante / Paulo Ricardo da Silva Pereira - Integrante / Rodrigo Ivan Goytia Mejia - Integrante / Sandro Binsfeld Ferreira - Integrante / Henrique Kuhn - Integrante / Gabriel do Nascimento Silveira - Integrante / Cinicius Jesus - Integrante / Miromar José de Lima - Integrante / Eduardo Trindade - Integrante / Fernanda Schafer - Integrante.

• 2018 - 2018

  Stable MultI-agent LEarnIng for neTworks (SMILE-IT), Descrição: SMILE-IT aims to extend and improve upon the state of the art in multi-agent reinforcement learning and network management in order to implement and validate a generic, stable, and robust multi-agent reinforcement learning framework, capable of (semi-)automatically managing modern networked systems (e.g., telecommunications networks, smart grids, air traffic routing, traffic control) through software.. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Gabriel de Oliveira Ramos - Integrante / Ann Nowé - Coordenador / Peter Vrancx - Integrante / Mihail Mihaylov - Integrante / Iván S. Razo-Zapata - Integrante / Kyriakos Efthymiadis - Integrante / Roxana Radulescu - Integrante., Financiador(es): Agentschap Innoveren & Ondernemen - Outra.

• 2015 - 2018

  Coordenação em Sistemas Multiagente Complexos: aspectos dinâmicos, de larga escala e de natureza social, Descrição: O presente projeto de pesquisa trata predominantemente da linha de Sistemas Multiagentes (SMAs) ou seja, se encontra dentro da área de Ciência da Computação, especialidade Inteligência Artificial. O principal objetivo é o estudo de coordenação e aprendizado em SMAs e sistemas complexos, abrangendo três grandes aspectos: * aspectos dinâmicos: aprendizado * aspecto de dimensão de larga escala: coordenação * aspecto social: coletividade Estes temas serão abordados em pelo menos um dos seguintes cenários de aplicação: * aspectos dinâmicos: tráfego e mobilidade urbana; smart cities e smart grid * larga escala: tráfego e mobilidade urbana; smart cities e smart grid * natureza social: tráfego e mobilidade urbana, simulação social, problemas relacionados a encontrar consenso em comitês (com aplicações diversas como por exemplo em bioinformática).. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (2) / Doutorado: (3) . , Integrantes: Gabriel de Oliveira Ramos - Integrante / Ricardo Grunitzki - Integrante / Bazzan, Ana L. C. - Coordenador / Marcelo de Souza - Integrante / Fernando dos Santos - Integrante / Matheus Alves - Integrante / OTTONI TARRAGO MARTINS BASTOS NETO - Integrante.

• 2014 - 2014

  SAMU - Simulação baseada em Agentes para Mobilidade Urbana, Projeto certificado pelo(a) coordenador(a) Ana Lucia Cetertich Bazzan em 01/04/2014., Descrição: A crescente demanda por mobilidade eficiente representa um dos grandes desafios enfrentados pela sociedade moderna. Medidas como aumento da capacidade da malha viária existente são insustentáveis sob diversos aspectos (econômico, social e ambiental). É preciso otimizar seu uso. Neste contexto surgem os sistemas inteligentes de transportes (ITS). Um dos seus objetivos é melhorar o processo de decisão por parte não apenas das autoridades reguladoras, mas também do usuário do sistema. Investimentos significativos em ITS tem sido feitos mas somente agora inicia o desenvolvimento de ferramentas que se beneficiam da interconectividade entre componentes do sistema viário, permitindo que, por exemplo, o cidadão atue como uma espécie de sensor (citizensen). O conceito de ITS está fortemente ligado à concepção de cidades inteligentes e, com isto, à ferramentas da área de tecnologia da informação e comunicação (TIC). Vários esforços neste sentido passam por Inteligência Artificial (IA) e uma de suas subáreas, a de agentes autônomos. A proposta deste projeto é investigar sistemas viários através de duas frentes: (i) obtenção e disponibilização de informações de fontes heterogêneas (Web, comunicação inter-veicular, etc.) a fim de auxiliar nas tarefas de alocação de tráfego e controle semafórico; (ii) uso de técnicas de IA para melhorar a tomada de decisões. O objetivo geral é investigar técnicas computacionais para melhorar o controle e a alocação do tráfego, dando especial atenção a cenários brasileiros e à questão da mobilidade urbana. Este objetivo específico está alinhado com os objetivos estratégicos para o país em geral e para o ITL em particular na medida em que tem o potencial de melhorar a competitividade do transporte e principalmente do setor de logística no Brasil, uma vez que visa melhor alocar a demanda diminuindo assim os tempos de viagem. A visão da equipe que conduzirá este projeto é que é possível otimizar aspectos relativos à demanda minimizando assim os inúmeros problemas (socioeconômicos, ambientais, etc) decorrentes da ampliação da infraestrutura viária existente. Além disto este projeto contribui para a formação de recursos humanos qualificados que têm o potencial de atuar como formadores de opinião a fim de atrair mais pesquisadores atuando na interface entre tecnologia da informação e os setores de transporte e logística. O grupo da proponente desenvolve trabalhos nestas áreas há mais de uma década. Como resultado deste projeto, serão formados recursos humanos na área de mobilidade, aptos a dialogar com profissionais da área de TIC. Neste processo, espera-se contribuir para reduzir os impactos negativos do trânsito na economia, sociedade e meio ambiente. Em termos científicos, publicações relevantes em conferências e periódicos de impacto são esperados. Em termos de benefícios para o país e para a operação de transportes de passageiros e cargas, pode-se listar os seguintes. Em primeiro lugar, uma melhor distribuição da demanda pelo uso mais racional da infra-estrutura, com a consequente possível redução nos tempos de viagem. Sabe-se hoje que um dos gargalos logísticos do país está relacionado ao custo de oportunidade. Além disto, pode-se citar uma melhoria nos indicadores de impacto ambiental e de qualidade de vida da população.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (1) Doutorado: (2) . , Integrantes: Gabriel de Oliveira Ramos - Integrante / Ricardo Grunitzki - Integrante / Bazzan, Ana L. C. - Coordenador / Marcelo de Souza - Integrante., Financiador(es): Serviço Nacional de Aprendizagem do Transporte - Bolsa.

• 2012 - 2016

  Estimando o impacto da comunicação inter-veicular sobre o congestionamento em redes de transporte: uma abordagem baseada em agentes, Descrição: Cidades inteligentes e mobilidade urbana ganham espaço como alvo de novos projetos na área de tecnologia de informação e comunicação (TIC). O objetivo geral deste projeto de pesquisa é investigar os efeitos causados pela introdução da comunicação inter-veicular na na redução dos tempos de viagem e, eventualmente, nos congestionamentos. Questões a serem investigadas: 1) Até que ponto a comunicação inter-veicular pode ajudar a melhorar congestionamentos? Ocorrerá diminuição significativa (e em nível de sistema) dos tempos de viagem? Haverá uma distribuição mais homogênea dos veículos na malha urbana (o que, supostamente, levaria a uma diminuição global dos tempos de viagem mas possivelmente a aumento deste tempo para alguns motoristas)? 2) Como simular os participantes do sistema (motoristas, etc.) usando métodos da área de agentes autônomos e sistemas multiagentes, como confiança e reputação (trust and reputation), a fim de modelar o grau de confiança colocado nas diversas fontes de informação? 3) Qual a melhor forma de distribuir a informação de modo a garantir um determinado nível de desempenho do sistema? 4) Qual a influência do comportamento individual que visa maximizar o ganho local (e.g., diminuir tempos de viagem) no sistema como um todo? A relevância científica reside, principalmente, na investigação do papel da comunicação veicular: os efeitos de troca de informação entre os atores do sistema de trânsito carece de um estudo profundo que indique seus prós e contras; atualmente parte-se do princípio que os efeitos seriam positivos mas nossos estudos preliminares mostram que este pode não ser o caso; no desenvolvimento de um modelo baseado em confiança e reputação para lidar com a incerteza em sistemas multiagentes voltados para simulações de trânsito: estes sistemas têm diversas particularidades que podem ser desafiadoras para as técnicas existentes por tratar-se de um ambiente aberto com milhares de agentes que têm um número de ações que pode crescer exponencialmente com o tamanho da malha viária; na especificação, desenvolvimento e validação de um modelo de simulação baseado em agentes para um domínio de larga escala onde fenômenos emergentes (e.g., congestionamentos).. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (3) Doutorado: (2) . , Integrantes: Gabriel de Oliveira Ramos - Integrante / Andrew Koster - Integrante / Cristiano Galafassi - Integrante / Ricardo Grunitzki - Integrante / Bazzan, Ana L. C. - Coordenador / Marcelo de Souza - Integrante / Iara Carnevale de Almeida - Integrante / Rodrigo de Abreu Batista - Integrante.

• 2011 - 2013

  SIMTUR - Sistema Inteligente de Monitoramento de Tráfego Urbano, Descrição: Questões recorrentes, tais como os grandes congestionamentos nos centros urbanos e a ausência de fomento à utilização de transportes coletivos, são obstáculos ao desenvolvimento de cidades inteligentes. Como soluções a essas dificuldades e visando atingir uma mobilidade sustentável, as TICs (Tecnologias da Informação e Comunicação) vêm sendo aplicadas, tendo como principal resultado os Sistemas de Transportes Inteligentes (STI). Neste contexto, este projeto propõe criar, modelar e implementar um sistema integrado de soluções, intitulado SIMTUR, direcionado ao rastreamento, comunicação, controle e monitoramento de transporte e tráfego em cidades. SIMTUR pretende prover informações sobre o tráfego, localização e demais condições urbanas (nível de poluição, temperatura, umidade e outras) aos usuários de transporte coletivo e privado, além de informações de itinerários para os passageiros de transportes coletivos. O projeto desenvolverá, ainda, um simulador de semáforos inteligentes e disponibilizará uma base de dados, que podem ser utilizados por instituições governamentais e prefeituras para auxiliar no planejamento urbano. Em geral, o sistema SIMTUR contribuirá para a desobstrução de vias urbanas e almeja incentivar o uso de transportes coletivos de mobilidade.. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Gabriel de Oliveira Ramos - Integrante / Patrícia Augustin Jaques Maillard - Coordenador., Financiador(es): Rede Nacional de Ensino e Pesquisa - Auxílio financeiro.

• 2010 - 2014

  Rede Estadual de Simulação Social (RS-SOC), Projeto certificado pelo(a) coordenador(a) Ana Lucia Cetertich Bazzan em 27/03/2014., Descrição: Projeto apoiado pela FAPERGS/CNPq dentro de Edital PRONEX 2009. Computação social (social computing) tem sido alvo de grande interesse de pesquisadores e desenvolvedores de tecnologia, educadores, etc. Um dos focos de computação social é o uso de técnicas de simulação para facilitar o estudo da sociedade moderna e testar políticas antes que estas sejam efetivamente empregadas no mundo real. Desta forma, o objetivo deste projeto é criar ferramentas para apoiar os setores públicos e de negócios. Tais ferramentas são do tipo laboratório para simulação e permitem ensaios e testes de bancada a fim de gerar protótipos. Para se atingir este objetivo, este projeto reúne uma equipe com larga experiência na área de simulação social. O projeto se encontra articulado em quatro eixos temáticos e um eixo transversal o qual serve de base para os anteriores. Os eixos temáticos são voltados à aplicações selecionadas pela equipe com base em dois critérios. O primeiro é a relevância social no contexto dos desafios colocados, por exemplo, pelos jogos da Copa de 2014. O segundo critério foi a experiência da equipe justamente em torno destes eixos temáticos. Tais eixos são: - temáticos: mobilidade urbana, gerenciamento de situações de emergência, meio ambiente, e tecnologias educacionais e de treinamento - transversal: infra-estrutura organizacional e tecnológica .. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Gabriel de Oliveira Ramos - Integrante / Bazzan, Ana L. C. - Coordenador., Financiador(es): FUNDACAO DE AMPARO A PESQUISA DO ESTADO DO RIO GRANDE DO SUL - Auxílio financeiro.

Projetos de desenvolvimento

• 2024 - Atual

  Explorando Aprendizado de Máquina e IA Generativa: Uma Abordagem Hands-On, Descrição: A área de Inteligência Artificial Generativa ganhou destaque nos últimos anos. Modelos generativos buscam aprender o padrão de um conjunto de dados para então produzir dados sintéticos de forma realista. Desta forma, estes modelos têm sido amplamente utilizados para diversas finalidades, tendo atraído a atenção e investimentos de governos e corporações. O presente projeto descreve uma capacitação em IA Generativa para a formação de profissionais da área de Tecnologia da Informação. Trata-se de um curso voltado a fornecer um embasamento consistente sobre a área bem como capacitar os profissionais a resolver problemas utilizando ferramentas de IA Generativa.. , Situação: Em andamento; Natureza: Desenvolvimento. , Integrantes: Gabriel de Oliveira Ramos - Coordenador / Tassia Borochedes - Integrante / Caroline Neuwald - Integrante / Norton Zamboni - Integrante.

Prêmios