Prof. Vitor Bento de Sousa (DME/IM/UFRJ)
12/11/2026
Sala: C-116
Google Meet: https://meet.google.com/nfz-dfhr-kea
Horário: 13:30
Resumo: A palestra apresentará os princípios de funcionamento da Inteligência Artificial Generativa para texto e dos sistemas de agentes, abordando os fundamentos da arquitetura Vanilla Transformer, que revolucionou o campo do Processamento de Linguagem Natural e deu origem aos atuais Large Language Models (LLMs). Também, serão discutidas as limitações e os desafios associados aos sistemas de agentes, debatendo questões relacionadas à segurança de dados , como por exemplos os recentes incidentes envolvendo o acesso indevido a informações por esses sistemas. Por fim, será apresentado pesquisa aplicada envolvendo esses sistemas, incluindo publicações recentes.
Bio: Possui graduação em Engenharia Elétrica pela Universidade Federal Fluminense (2017), mestrado (2020) e doutorado (2024) em Engenharia Elétrica pela PUC-Rio, no Departamento de Engenharia Elétrica . Atualmente, é Professor do Magistério Superior da Universidade Federal do Rio de Janeiro (UFRJ), no Departamento de Métodos Estatísticos. Atuou como Coordenador de projetos de Pesquisa e Desenvolvimento (P&D) na área de Inteligência Artificial para o setor de Óleo e Gás, principalmente para a Petrobras, pelo Laboratório de Inteligência Computacional Aplicada (ICA) da PUC-Rio, de 2019 a 2026. Atuou como professor do CCE da PUC-Rio até agosto de 2026, ministrando disciplinas nas áreas de Deep Learning, Visão Computacional, Data Mining e Sistemas de Apoio à Decisão. Realiza pesquisas em Inteligência Artificial Explicável (Explainable AI XAI), com foco no desenvolvimento de modelos mais interpretáveis e confiáveis para aplicações em sistemas críticos.
Prof. Otto Tavares Nascimento (DME/IM/UFRJ)
05/11/2026
Sala: C-116
Google Meet: meet.google.com/dmj-aera-qum
Horário: 13:30
Resumo: Vamos explorar diferentes modelos de geração sintética no contexto de Aprendizado Profundo. Nosso ponto de partida será a definição dos Modelos Generativos Adversariais (GAN), em sua versão canônica, e passaremos por alguns avanços desse modelo bem como por alguns exemplos de aplicações. Adicionalmente, vamos apresentar o Modelo de Difusão, discutindo aspectos conceituais que o diferenciam dos modelos GAN.
Bio: Possui graduação em Ciências Econômicas pela Fundação Getúlio Vargas (2014), mestrado em Modelagem Matemática pela Fundação Getúlio Vargas (2016) e é doutor em Inteligência Computacional no Programa de Engenharia Elétrica da COPPE/UFRJ (2025). Realizou estágio de pesquisa no Instituto de Segurança Pública do Rio de Janeiro (ISP Rio) entre os anos de 2015 e 2016. Posteriormente, foi Engenheiro de Pesquisa no Team MiMove do INRIA Paris durante o ano de 2017. Em 2018, foi pesquisador contratado pelo IPEA para cooperação com a Escola de Matemática Aplicada da Fundação Getulio Vargas, além de ter sido pesquisador DTI CNPQ na Fundação Getúlio Vargas entre 2019 e 2020. Foi pesquisador doutorando no Centro de Crescimento e Desenvolvimento Econômico da Escola de Economia da Fundação Getulio Vargas entre 2020 e 2022. Foi pesquisador doutorando do Laboratório de Processamento de Sinais do PEE/COPPE/UFRJ entre 2020 e 2025 e desde então segue como colaborador do mesmo. Na docência, foi professor assistente no IBMEC e professor extra carreira no Instituto Infnet (2023-2026), além de professor substituto no Departamento de Métodos Estatísticos do Instituto de Matemática da UFRJ (2024-2026). Desde 2026, é Professor em regime de dedicação exclusiva na cadeira de Aprendizagem de Máquinas do mesmo departamento na UFRJ. Tem experiência nas áreas de Aprendizagem de Máquinas, Probabilidade e Estatística.