A linha de pesquisa de Inteligência Artificial investiga e desenvolve artefatos computacionais que possuam características associadas às habilidades envolvidas com a inteligência. Tais habilidades incluem a representação de conhecimento, a percepção e atuação em um ambiente, o raciocínio e explicação do processo de tomada de decisões, o aprendizado a partir de experiência e a partir de interações com o ambiente, a manipulação e criação de abstrações, a aquisição e manipulação de linguagem, e a adaptação de conhecimento para ajustar-se a novas situações. Considerando a abrangência das possibilidades de atuação dos métodos de IA em diversas áreas sensíveis, a linha de pesquisa também investiga os aspectos de ética, responsabilidade e confiabilidade dos sistemas de IA, com o ser-humano no centro. A linha também investiga a aplicação e evolução das habilidades citadas para resolver problemas do mundo real, incluindo cidades, governos, redes sociais, saúde e bem-estar social.

A maioria das abordagens de Aprendizado de Máquina assume que os exemplos são independentes e distribuídos de forma homogênea. Entretanto, dados do mundo real são compostos de múltiplos objetos heterogêneos, suas propriedades e seus relacionamentos. Nesse tópico de pesquisa, investigamos métodos de aprendizado de máquina que aprendam a partir de dados dependentes e distribuídos de forma heterogênea, para contemplar os aspectos relacionais dos dados. As abordagens investigadas incluem aprendizado estatístico relacional, transferência de aprendizado e adaptação de modelos relacionais, e aprendizado de representações em formato de embeddings para grafos e bases de conhecimento.

Neste tópico, investigamos métodos para aprender representações vetoriais (embeddings) a partir de textos, usando modelos de linguagem. Tais representações são parte essencial da resolução de tarefas de Processamento de Linguagem Natural usando Aprendizado de Máquina. As tarefas incluem transferência de estilo em textos, classificação de textos, e busca usando linguagem natural. Os métodos investigados têm como ponto focal a transferência de aprendizado, para o aproveitamento de bases e recursos. Damos preferência aos textos e informações escritas na língua Portuguesa.

Neste tópico abordamos temas de pesquisa associados a diferentes setores estratégicos do tema: Cidades Inteligentes, Digitais e Sustentáveis. Em termos de métodos, utilizamos técnicas tradicionais e inovadoras da Inteligência Artificial, Inteligência Computacional e Processamento de Alto Desempenho. Em termos de aplicações, incluímos os segmentos de: Mobilidade Urbana e Social, Energias alternativas/Renováveis, Transporte Urbano e Transporte Multi-modal, Veículos Verdes (Drones, carros elétricos, etc.), Logística Reversa (coleta de diferentes tipos de lixo urbano, logística e planejamento estratégico no segmento de entregas e de devolução de mercadorias no e-commerce entre outros).

Neste tópico estudamos como podemos representar o conhecimento em sistemas multi-agentes. Como a comunicação (pública ou privada) entre agentes muda o conhecimento dos mesmos. Baseados nesses modelos, estudamos a evolução de informações em redes sociais. Como modelo usamos lógicas modais: lógicas temporais, lógicas de conhecimento e crença em sistemas multi-agentes e lógicas epistêmicas dinâmicas.