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

• Como assegurar consistência, contextualização e completude quando datasets carecem de metadados e padronização?
  Justificativa. Falhas de integridade comprometem reprodutibilidade e auditabilidade, amplificando erros downstream.
• 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.
• 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.
• 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.

Referências

• D. Schwabe et al., "The METRIC-framework for assessing data quality for trustworthy AI in medicine: A systematic review," npj Digit. Med., vol. 7, no. 1, art. no. 11, 2024, doi: 10.1038/s41746-024-01196-4.
• J. Buolamwini and T. Gebru, "Gender shades: Intersectional accuracy disparities in commercial gender classification," in Proc. 1st Conf. Fairness, Accountability and Transparency, in Proceedings of Machine Learning Research, vol. 81, 2018, pp. 77–91.
• M. A. S. Hameed, A. M. Qureshi, and A. Kaushik, "Bias mitigation via synthetic data generation: A review," Electronics, vol. 13, no. 19, art. no. 3909, 2024, doi: 10.3390/electronics13193909.
• M. Ahmed et al., "Data provenance in healthcare: Approaches, challenges, and future directions," Sensors, vol. 23, no. 14, art. no. 6495, 2023, doi: 10.3390/s23146495.
• S. Longpre et al., "A large-scale audit of dataset licensing and attribution in AI," Nature Mach. Intell., vol. 6, no. 8, pp. 975–987, Aug. 2024, doi: 10.1038/s42256-024-00878-8.

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

• 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.
• Como combinar componentes arquiteturais, classificação de workloads e objetivos de desempenho?
  Justificativa. Há lacunas semânticas e cognitivas entre arquitetos, operadores e planejadores.
• 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.

Referências

• C. D. Cavalcanti Pereira, "Capacity planning of cloud computing workloads," Doctoral dissertation, CESAR School, Recife, Brazil, 2023, doi: 10.2139/ssrn.5754002.
• C. D. Cavalcanti Pereira, "Capacity planning of cloud computing workloads," in Cloud Computing — Applications and Sustainable Developments. London, U.K.: IntechOpen, 2025, doi: 10.5772/intechopen.1011100.
• M. Richards and N. Ford, Fundamentals of Software Architecture: An Engineering Approach. Sebastopol, CA, USA: O’Reilly Media, 2020.
• R. Lichtenthäler, J. Fritzsch, and G. Wirtz, "Cloud-native architectural characteristics and their impacts on software quality: A validation survey," in Proc. IEEE Int. Conf. Service-Oriented System Eng. (SOSE), 2023, arXiv:2306.12532.
• N. J. Gunther, Guerrilla Capacity Planning: A Tactical Approach to Planning for Highly Scalable Applications and Services. Berlin, Germany: Springer, 2010, doi: 10.1007/978-3-540-31010-5.

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.

Referências

• Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, vol. 521, no. 7553, pp. 436–444, May 2015, doi: 10.1038/nature14539.
• J. Kaplan et al., "Scaling laws for neural language models," 2020, arXiv:2001.08361.
• J. Hoffmann et al., "Training compute-optimal large language models," 2022, arXiv:2203.15556.
• E. Brynjolfsson, D. Li, and L. R. Raymond, "Generative AI at work," Nat. Bureau Econ. Res., Cambridge, MA, USA, Working Paper 31161, 2023, doi: 10.3386/w31161.

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

• 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.
• 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.
• Quais modelos de ML são mais eficazes na previsão de demanda e adaptação do escalonamento?
  Justificativa. Faltam comparações sistemáticas de QoS e custo-benefício.

Referências

• G. El Haj Ahmed, F. Gil-Castiñeira, and E. Costa-Montenegro, "KubCG: A dynamic Kubernetes scheduler for heterogeneous clusters," Softw. Pract. Exp., vol. 51, no. 2, pp. 213–234, 2021, doi: 10.1002/spe.2898.
• I. Harichane, S. A. Makhlouf, and G. Belalem, "KubeSC-RTP: Smart scheduler for Kubernetes platform on CPU-GPU heterogeneous systems," Concurrency Comput. Pract. Exp., vol. 34, no. 21, art. no. e7108, 2022, doi: 10.1002/cpe.7108.
• M. Carvalho and D. F. Macedo, "Container scheduling in co-located environments using QoE awareness," IEEE Trans. Netw. Serv. Manage., vol. 20, no. 3, pp. 3247–3260, 2023, doi: 10.1109/TNSM.2023.3244090.
• T. Menouer, "KCSS: Kubernetes container scheduling strategy," J. Supercomput., vol. 77, no. 5, pp. 4267–4293, 2021, doi: 10.1007/s11227-020-03427-3.