Pesquisas em andamento

Toward a Data-Centric Trust Pipeline for Trustworthy AI. Investiga como integridade, viés, geração sintética de dados e proveniência formam um ecossistema interdependente para a construção de IA confiável.

Objetivo

Propor o Data-Centric Trust Pipeline como modelo unificado para elevar transparência, interpretabilidade e responsabilização ao longo do ciclo de vida dos dados.

Linhas de problemas

• Problema. Como assegurar consistência, contextualização e completude quando datasets carecem de metadados e padronização?
  Justificativa. Falhas de integridade comprometem reprodutibilidade e auditabilidade, amplificando erros downstream.
• Problema. Quais abordagens mitigam disparidades entre grupos demográficos quando métricas de fairness são incompletas?
  Justificativa. Estudos mostram variações de 20–35% de erro entre grupos: fairness exige tratamento contínuo.
• Problema. Como validar autenticidade e limites de uso de dados sintéticos, que podem reproduzir vieses estruturais?
  Justificativa. Sem rastreabilidade, dados sintéticos distorcem interpretações em análises sensíveis.
• Problema. Como sistemas de proveniência evoluem de repositórios passivos para registros interpretativos de decisões?
  Justificativa. Proveniência é essencial para explicabilidade e auditoria em pipelines de IA.

Refs.: Schwabe et al. (2024) · Buolamwini & Gebru (2018) · Hameed et al. (2024) · Ahmed et al. (2023) · Longpre et al. (2024).

An Architecture-Aware Conceptual Framework for Cloud Capacity Planning. Integra características arquiteturais, semântica de workloads e objetivos operacionais (SLO, PLO, RLO) em um modelo conceitual unificado.

Objetivo

Propor o C2PF como framework architecture-aware capaz de produzir decisões de capacidade proativas, explicáveis e repetíveis.

Linhas de problemas

• Problema. Como superar modelos reativos baseados só em métricas históricas, que não capturam variação e concorrência?
  Justificativa. A ausência de contexto arquitetural leva a previsões imprecisas e overprovisioning.
• Problema. Como combinar componentes arquiteturais, classificação de workloads e objetivos de desempenho?
  Justificativa. Há lacunas semânticas e cognitivas entre arquitetos, operadores e planejadores.
• Problema. Como quantificar efeitos de padrões (microservices, event-driven, serverless) no consumo de capacidade?
  Justificativa. Fatores arquiteturais podem adicionar até 30% de sobrecarga, alterando escalabilidade e latência.

Refs.: Pereira (2023, 2025) · Richards & Ford (2020) · Lichtenthäler et al. (2023) · Gunther (2010).

Capital Intensity, Market Dynamics, and Competitive Differentiation Across the Value Chain. Analisa como as camadas — semicondutores, nuvem, modelos, inferência, plataformas e aplicações — organizam competição, investimento e captura de valor.

Objetivo

Propor um modelo conceitual da cadeia de valor da IA generativa e avaliar hipóteses sobre capital intensivo, concentração de infraestrutura, difusão de capacidades e impactos de produtividade.

Linhas de problemas

• Estrutura econômica e capital intensivo — como a distribuição de capital entre camadas molda a competição.
• Concentração de infraestrutura — até que ponto o fornecimento apresenta concentração estrutural.
• Difusão de capacidades — com que velocidade capacidades de fronteira se difundem.
• Barreiras de entrada em aplicações — como APIs e plataformas influenciam o desenvolvimento.
• Impactos de produtividade — evidências de ganhos em atividades de conhecimento.

Refs.: LeCun, Bengio & Hinton (2015) · Kaplan et al. (2020) · Hoffmann et al. (2022) · Brynjolfsson, Li & Raymond (2023).

Uma revisão sistemática da literatura. Analisa criticamente algoritmos de escalonamento otimizados para Kubernetes, com foco em aplicabilidade, benefícios e desafios em computação geral, IA e edge.

Linhas de problemas

• Problema. Como algoritmos otimizados se comportam em produção frente a testes experimentais da literatura?
  Justificativa. A maioria dos estudos ocorre em ambientes controlados; há lacuna sobre aplicabilidade prática.
• Problema. Como algoritmos multicritério melhoram a alocação em clusters heterogêneos (CPU/GPU, edge/cloud)?
  Justificativa. A eficácia combinada de latência, GPU e energia ainda é incerta.
• Problema. Quais modelos de ML são mais eficazes na previsão de demanda e adaptação do escalonamento?
  Justificativa. Faltam comparações sistemáticas de QoS e custo-benefício.

Refs.: Ahmed et al. (2021) · Harichane et al. (2022) · Carvalho & Macedo (2023) · Menouer (2021).