O pesquisador Luiz Fernando Bittencourt(ICoNIoT e UNICAMP) explica, neste vídeo, a função dos modelos estocásticos para a pesquisa em computação na borda. Esses modelos usam a probabilidade para prever sistemas que variam com o tempo de maneira irregular ou aleatória. No caso da pesquisa em redes de computadores, eles refletem as variações no comportamento de uma aplicação ou sistema, permitindo realizar simulações que oportunizam uma visão melhor dos cenários de variação do desempenho da banda larga no decorrer do tempo, por exemplo.
Mês: agosto 2026
Detecção de objetos em cenários de escassez de rótulos usando pseudo-rótulos gerados pelo SAM3
O trabalho, de autoria dos pesquisadores do ICoNIoT João V. D. Sobrinho (UFRJ) e Miguel E. M. Campista (UFRJ), foi apresentado no XVIII Simpósio Brasileiro de Computação Ubíqua e Pervasiva no CSBC 2026
Esta pesquisa surgiu a partir de um projeto relacionado à indústria automotiva, e investiga um problema importante para aplicações de Inteligência Artificial: como treinar modelos de visão computacional quando há poucos dados rotulados disponíveis?
No aprendizado supervisionado, a máquina precisa de exemplos acompanhados de rótulos — algo semelhante a um gabarito. O modelo recebe uma imagem, produz uma resposta, compara essa resposta com o rótulo correto e, a partir do erro, ajusta seu comportamento. Quanto melhores e mais numerosos forem os exemplos utilizados no treinamento, maior tende a ser a capacidade do modelo de realizar a tarefa.
No projeto que deu origem ao trabalho, o objetivo é utilizar aprendizado federado no contexto automotivo, especialmente por questões relacionadas à privacidade dos dados. Uma das aplicações consideradas é a identificação de VRUs (Vulnerable Road Users, ou usuários vulneráveis da via) — como pedestres, ciclistas e skatistas — para que um sistema possa reconhecê-los e emitir alertas aos motoristas.
Para que esse sistema funcione, entretanto, o modelo precisa aprender a identificar esses usuários nas imagens. Há, nesse contexto, uma questão fundamental: quem vai dizer à máquina o que existe em cada imagem?
Imagine que sejam coletadas milhares de imagens de ruas e estradas. Para utilizá-las no treinamento, seria necessário que alguém identificasse e marcasse, uma a uma, a presença de pedestres, ciclistas e outros elementos. Esse processo de rotulagem é trabalhoso, caro e pouco escalável. Além disso, em um cenário real, não seria razoável esperar que o próprio cliente ou usuário final tivesse que realizar esse trabalho.
Uma alternativa é utilizar um modelo previamente treinado para produzir automaticamente esses rótulos. O problema é que esse modelo também pode cometer muitos erros. Se os rótulos gerados forem incorretos, esses erros acabam sendo incorporados ao treinamento e podem comprometer o desempenho do modelo final.
É nesse ponto que entra o SAM3, utilizado no trabalho para gerar pseudo-rótulos. Em vez de depender exclusivamente de uma pessoa para identificar manualmente os objetos nas imagens, utiliza-se o modelo para produzir automaticamente esses rótulos. A proposta é avaliar se esses pseudo-rótulos podem melhorar a qualidade dos dados disponíveis e, consequentemente, o desempenho do sistema de detecção de objetos em um cenário de escassez de rótulos.
O termo pseudo-rótulo vem justamente do fato de que o rótulo não foi produzido diretamente por um ser humano, mas pelo próprio modelo de Inteligência Artificial.
Há, porém, uma questão importante relacionada à privacidade. O SAM3 é um modelo da Meta e, quando imagens são enviadas para uma solução externa, surge a preocupação sobre o que acontece com esses dados. No trabalho, o SAM3 é executado localmente, reduzindo riscos relacionados à privacidade ao não envolver o envio dessas imagens a um serviço externo .
Da pesquisa ao mundo real
Um dos pontos levantados por Miguel Elias M. Campista é que a questão da rotulagem em aprendizado federado ainda é pouco explorada sob uma perspectiva prática. Existe uma quantidade significativa de pesquisa sobre os modelos e métodos, mas outra pergunta permanece em aberto: como transformar essas soluções em sistemas que possam efetivamente funcionar no mundo real?
Quando uma tecnologia sai do ambiente controlado da pesquisa acadêmica e passa a ser incorporada a um produto ou serviço, surgem diversos desafios que nem sempre aparecem nos experimentos científicos, ou que se intensificam ainda mais, como privacidade, qualidade dos dados, custos de implementação, infraestrutura, escalabilidade e interação com usuários reais.
Assim, o trabalho não trata apenas de encontrar uma maneira de melhorar a detecção de objetos. Ele também se insere em uma questão maior: que é a de como fazer a ponte entre o conhecimento produzido na academia e sua implementação em aplicações reais.
Leia o artigo completo nos anais do CSBC https://sol.sbc.org.br/index.php/sbcup/article/view/43295
A importância do aprendizado de máquina federado para a computacão na borda
O pesquisador Luiz Fernando Bittencourt, coordenador da linha temática de computação na borda no INCT ICoNIoT, comenta, neste vídeo, a importância do aprendizado de máquina federado para essa linha de pesquisa.
Pesquisador Dener Ottolini apresenta webinar no dia 20 de agosto
A apresentação será intitulada “Inteligência no Contínuo IoT: Integração, Adaptação e Processamento Distribuído”
Resumo da apresentação: A crescente incorporação de inteligência artificial aos sistemas IoT amplia os desafios de integração, processamento e tomada de decisão em ambientes distribuídos. Nesse contexto, o contínuo computacional permite distribuir dados e serviços entre dispositivos, borda, névoa e nuvem de acordo com os recursos disponíveis e os requisitos de cada aplicação. A partir de pesquisas desenvolvidas no domínio da agricultura inteligente, são abordadas arquiteturas para integração de plataformas heterogêneas, adaptação dinâmica, posicionamento de serviços e processamento inteligente de dados. Os resultados evidenciam os compromissos envolvidos na escolha do local de execução e a importância de considerar conectividade, latência, capacidade computacional e resiliência. Essa perspectiva contribui para a construção de sistemas IoT mais autônomos, adaptativos e preparados para incorporar inteligência artificial.
O palestrante
Dener Edson Ottolini Guedes da Silva é doutor em Engenharia da Informação e mestre em Ciência da Computação pela Universidade Federal do ABC (UFABC), além de tecnólogo em Informática para Gestão de Negócios. Atualmente, realiza pós-doutorado no Centro Universitário FEI, investigando o desenvolvimento e a implantação de aplicações inteligentes no contínuo computacional. Suas pesquisas abrangem Internet das Coisas, sistemas distribuídos, computação de borda, névoa e nuvem, redes programáveis com P4, inteligência artificial e agricultura inteligente.
Conheça a pesquisa FLeer2FLeer: uma Ferramenta Web Baseada em Arquitetura Par-a-Par para Orquestração do Aprendizado Federado
O projeto, conduzido pelos pesquisadores João e Silva Costa (GTA-PEE/COPPE-DEL/Poli, Universidade Federal do Rio de Janeiro – UFRJ), Guilherme A. Thomaz, Ronaldo A. Ferreira e Miguel Elias M. Campista (Facom, Universidade Federal de Mato Grosso do Sul – UFMS), foi apresentado no Salão de Ferramentas do SBRC 2026
O FLeer2FLeer (F2F) é uma ferramenta web para orquestração de aprendizado federado baseada em uma arquitetura P2P. O F2F introduz um indexador responsável pela descoberta, anúncio e ingresso de clientes nas múltiplas federações, sem interferir no processo de treinamento.
A ferramenta fornece uma infraestrutura de orquestração descentralizada para o Aprendizado Federado (FL), permitindo treinar modelos de inteligência artificial sem comprometer a privacidade dos usuários que detêm os dados.
O projeto, conduzido pelos pesquisadores João Silva e Costa (GTA-PEE/COPPE-DEL/Poli, Universidade Federal do Rio de Janeiro – UFRJ), Guilherme A. Thomaz, Ronaldo A. Ferreira e Miguel Elias M. Campista (Facom, Universidade Federal de Mato Grosso do Sul – UFMS), foi apresentado no Salão de Ferramentas do SBRC 2026 e está disponível nos anais do simpósio.
Aprendizado federado
O trabalho está relacionado ao aprendizado federado (Federated Learning), uma abordagem desenvolvida inicialmente pela Google para solucionar um problema central no treinamento de modelos de inteligência artificial: a necessidade de coletar grandes volumes de dados dos usuários, o que gerava preocupações com privacidade.
Em vez de centralizar os dados dos usuários em um único servidor para treinar os modelos, a proposta do aprendizado federado inverte essa lógica. O modelo é enviado aos dispositivos ou organizações que possuem os dados, onde o treinamento é realizado localmente. Posteriormente, apenas as atualizações dos modelos treinados são enviadas de volta ao servidor central, que combina (“faz o merge”) essas contribuições para produzir um modelo global cada vez mais preciso e convergente. Esse processo depende da participação de múltiplos clientes treinando o modelo em paralelo.
O procedimento é repetido até que o modelo convirja ou algum critério de parada seja alcançado. Essa abordagem de treinamento distribuído, por preservar a privacidade dos usuários, é bastante adequada para situações em que o treinamento exige informações sensíveis dos usuários, como dados provenientes de sistemas de Internet das Coisas (IoT), dados médicos ou produzidos por dispositivos móveis.
Peer-to-Peer
Grande parte dos trabalhos existentes na literatura assume que esses processos de treinamento já estão em andamento. No entanto, pouco se discute sobre uma questão prática: como um novo participante ingressa em um processo de treinamento federado? Como uma empresa ou um usuário que possui dados pode encontrar um treinamento compatível e começar a contribuir?
É justamente essa lacuna que o artigo procura abordar. A proposta permite que um cliente — seja uma empresa ou um usuário final, detentor dos dados — localize modelos de aprendizado federado compatíveis com seus interesses e participe dos respectivos processos de treinamento. Para isso, o sistema disponibiliza um servidor que atua como ponto de entrada para esses treinamentos.
Ao participar com seus próprios dados, o cliente contribui para o aperfeiçoamento do modelo e, ao mesmo tempo, obtém um sistema mais adaptado às suas necessidades específicas. Além disso, modelos já existentes podem continuar sendo refinados continuamente à medida que novos dados são incorporados ao processo de treinamento.
Proposta
O trabalho dos pesquisadores propõe o desenvolvimento de uma ferramenta web inspirada na arquitetura P2P, chamada de FLeer2FLeer (F2F), para treinamento de modelos federados. O F2F propõe um servidor operando como indexador para descoberta e gerenciamento de federações. Diferente das abordagens focadas em mudanças complexas no algoritmo, a ferramenta prioriza a experiência do usuário e a governança de múltiplos treinamentos de modelos simultâneos.
FLeer2FLeer é uma ferramenta inovadora que une aprendizado federado e arquitetura par a par para otimizar o treinamento de modelos de inteligência artificial. Diferente dos métodos tradicionais que centralizam informações privadas, essa solução permite que os dados permaneçam com os usuários, promovendo maior privacidade e segurança durante o processamento.
O sistema facilita a colaboração entre empresas e indivíduos, possibilitando que interessados localizem e contribuam com treinamentos específicos de forma distribuída. Ao descentralizar o esforço computacional, a plataforma ajuda a reduzir custos operacionais e torna os modelos mais precisos e personalizados para as necessidades reais dos participantes. O foco central é superar os desafios de implementação prática, conectando detentores de dados a processos de orquestração de modelos globais de maneira eficiente.
Embora o sistema não seja um serviço público aberto, ele pode ser implantado dentro de empresas, permitindo que diferentes organizações realizem treinamentos colaborativos sobre dados distribuídos, sem necessidade de centralizá-los.
Essa abordagem também possibilita a distribuição do custo computacional entre os participantes, já que o processamento é realizado de forma descentralizada. O principal desafio agora é transformar essa solução em uma tecnologia aplicável em cenários reais, ampliando sua adoção fora do ambiente de pesquisa.