No que pesquisamos.

Seis linhas de pesquisa, uma pergunta de fundo em todas: como sabemos que esse sistema é confiável? Aqui você encontra o recorte de cada frente — perguntas, métodos, subtemas e trabalhos recentes.

IA confiável

Trustworthy AI

"Como sabemos que esse modelo é confiável — antes que alguém precise confiar nele?"

É a linha-chassi do laboratório: estudamos as condições sob as quais um modelo de aprendizado pode ser usado em decisões reais. Isso envolve quantificar incerteza, auditar comportamento contra especificação, calibrar probabilidades e expor as falhas modo-de-falha que um modelo "100% de acurácia" esconde.

Trabalhamos junto às outras cinco linhas — robustez, fairness, modelos de linguagem, recomendação, sistemas inteligentes — porque confiabilidade não é uma camada que se aplica depois, é uma propriedade que precisa entrar no projeto.

Métodos Conformal prediction Calibration metrics (ECE, MCE) Audit harnesses Bayesian deep learning Selective prediction

01.a Calibration Probabilidades que correspondem a frequências reais — temperatura, isotônica, conformal.

01.b Auditing Protocolos para verificar comportamento de modelos em produção contra requisitos.

01.c Uncertainty Quantificação epistêmica e aleatória — abstenção, deferência, decisão sob risco.

Trabalhos recentes

2026 Calibração leve pós-treino para LLMs em português NeurIPS
2025 Auditoria de classificadores de crédito sob shift demográfico FAccT
2025 Predição conformal para recomendação top-k RecSys

Robustez de modelos

Robustness

"O treino terminou — agora o mundo muda. O modelo aguenta?"

Modelos saem do laboratório com acurácia ótima, e quebram em produção por motivos banais: distribuições que mudam, dados manipulados de propósito, fronteiras de decisão frágeis. Estudamos como medir, garantir e recuperar robustez sob essas pressões reais.

O recorte vai de distribution shift em séries temporais e tabular até perturbações adversariais em modelos de linguagem e visão, com foco em quando a robustez vale o trade-off com acurácia limpa.

Métodos Adversarial training Distributionally robust optimization Domain adaptation Test-time augmentation Certified defenses

02.a OOD & distribution shift Detecção e adaptação quando o dado de produção sai da distribuição de treino.

02.b Adversarial robustness Defesas e auditoria contra perturbações maliciosas em visão, NLP e recomendação.

Trabalhos recentes

2026 Robustez certificada para recomendadores sob ataque por injeção KDD
2025 Detecção de OOD para classificação clínica em dados brasileiros BRACIS

Sistemas de recomendação

Recommender Systems

"Como recomendar quando ninguém escolheu nada — e como medir se a recomendação serviu?"

Linha histórica do laboratório, com forte tradição metodológica. Trabalhamos os dois extremos do problema: cold start (usuário novo, item novo, domínio novo) e diversidade (quando um catálogo gigante converge para os mesmos cinco itens).

Cruza com fairness — recomendar de forma justa para produtores e consumidores — e com robustez — recomendar sob ataque de injeção e feedback loop. Aplicações em educação personalizada, varejo e mídia.

Métodos Matrix & tensor factorization Sequential / session-based Graph neural networks Contextual bandits Counterfactual evaluation

03.a Diversity Promover diversidade sem destruir acurácia: medir, otimizar e auditar trade-off.

03.b Cold start Recomendação para usuários, itens e domínios sem histórico — meta-learning, side info, hybrid models.

Trabalhos recentes

2026 Recomendação educacional em larga escala com sinais fracos WSDM
2025 Diversidade calibrada para catálogos longos RecSys
2025 Avaliação contrafactual de recomendadores em produção KDD

Justiça algorítmica

Fairness

"O que é uma decisão algorítmica justa — e como auditá-la antes que ela vire política?"

Investigamos justiça algorítmica como uma propriedade que precisa ser definida, mensurável e auditável, não como um adjetivo. Operamos em duas frentes complementares: paridade de grupos (a foto agregada do sistema) e contrafactuais (o que mudaria para esse indivíduo).

Trabalhamos em domínios sensíveis — crédito, saúde, educação, plataformas — sempre com a pergunta: essa métrica de justiça reflete o dano real que tentamos evitar?

Métodos Group fairness metrics Causal & counterfactual inference In-processing constraints Post-processing reweighing Disaggregated evaluation

04.a Group parity Demographic parity, equalized odds, equal opportunity — quando aplicar cada uma.

04.b Counterfactual fairness Justiça do ponto de vista individual com modelos causais — o que mudaria, e para quem.

Trabalhos recentes

2026 Justiça em sistemas de recomendação: tese de doutorado PESC/COPPE
2025 Reweighing contrafactual para classificadores de crédito FAccT

Sistemas inteligentes

Intelligent Systems

"Quando aprendizado puro não basta — e quando otimização clássica precisa de aprendizado para escalar."

Linha-ponte do laboratório: aqui aprendizado de máquina encontra otimização combinatória, busca em grafos, simulação e métodos clássicos de IA. Construímos sistemas híbridos onde cada componente está no lugar certo — neural onde resolve, simbólico onde precisa.

Aplicações em problemas de planejamento, logística, alocação de recursos e simulação de domínios complexos, em colaboração com setores público e privado.

Métodos Combinatorial optimization Metaheuristics Reinforcement learning Neuro-symbolic Simulation-based learning

05.a Optimization Métodos exatos, heurísticos e aprendidos para problemas combinatórios e contínuos.

05.b Hybrid models Neural + simbólico, neural + simulador, neural + solver — onde compõe e onde quebra.

Trabalhos recentes

2025 Aprendizado de heurísticas para roteamento sob restrições reais ENIAC
2025 Modelos neuro-simbólicos para diagnóstico em séries longas BRACIS

Modelos de linguagem

Language Models

"Modelos de linguagem que entendem o Brasil — e que sabem quando não sabem."

Investigamos LLMs com três compromissos: qualidade real em português brasileiro, recuperação aumentada (não inventar quando dá pra consultar) e alinhamento ao que faz sentido no contexto sociotécnico brasileiro.

Construímos benchmarks, fazemos avaliação humana e automática, e estudamos onde a calibração da linha 01 e a robustez da linha 02 entram em modelos generativos — porque um modelo de linguagem que decide é um modelo de linguagem que precisa ser auditado.

Métodos Instruction tuning RAG (retrieval-augmented gen.) Preference optimization (DPO) LLM-as-judge eval PT-BR benchmark design

06.a PT-BR evaluation Benchmarks, métricas e protocolos próprios para LLMs em português brasileiro.

06.b Retrieval-augmented gen. RAG sob consulta a fontes oficiais brasileiras — legislação, dados públicos, conhecimento de domínio.

06.c Alignment Alinhamento ao contexto local — não importado de pipelines em inglês.

Trabalhos recentes

2026 Quatro benchmarks brasileiros para avaliação de LLMs ACL
2026 RAG sobre legislação federal brasileira NeurIPS
2025 Avaliação humana de assistentes em PT-BR — protocolo aberto arXiv

Como pesquisamos

Princípios que atravessam as seis linhas.

01 · Aberto

Ciência aberta por padrão

Pré-prints em arXiv, código em repositórios públicos, benchmarks reproduzíveis. Resultado que ninguém pode auditar não conta.

02 · Ancorado

Problema brasileiro, método de fronteira

Não importamos pipeline em inglês e renomeamos. Construímos benchmarks, datasets e protocolos para o contexto local.

03 · Atravessado

As seis linhas se conversam

Calibração que aparece em LLMs. Justiça que aparece em recomendação. Robustez que aparece em sistemas inteligentes. Não são silos.

04 · Formado

Pesquisa que forma pesquisadores

Cada linha tem mestrandos e doutorandos do PESC/COPPE conduzindo a investigação — não auxiliares, mas autores.