LAMIA - Lab. de Aprendizado de Máquina Aplicado à Indústria

Ligar Como chegar Site Entre em contato com a universidade

LAMIA - Lab. de Aprendizado de Máquina Aplicado à Indústria O LAMIA produz ciência e soluções para a indústria através de Inteligência Artificial aplicada.

23/09/2026

Em uma empresa, parte do conhecimento mais valioso não está apenas em documentos ou sistemas. Ele também está na experiência de quem conhece os processos, identifica padrões e sabe interpretar situações que não estão descritas em nenhum manual.

Com a evolução da inteligência artificial, esse conhecimento pode ganhar novas formas de aplicação. Dados históricos, registros operacionais e informações sobre processos podem ser combinados para desenvolver sistemas capazes de reconhecer padrões e apoiar atividades específicas.

Isso abre possibilidades para transformar experiência acumulada em soluções que auxiliem inspeções, análises, previsões, controle de processos e tomada de decisões.

O objetivo não é substituir o conhecimento humano, mas ampliar sua capacidade de gerar valor, tornando parte dessa experiência acessível por meio de sistemas inteligentes.

No LAMIA da UTFPR de Santa Helena, a pesquisa aplicada busca justamente aproximar conhecimento técnico, dados e inteligência artificial para desenvolver soluções voltadas a problemas reais de empresas e organizações.

A próxima geração de soluções de IA pode não depender apenas de modelos cada vez maiores, mas também da capacidade de incorporar aquilo que cada organização aprendeu ao longo de sua própria trajetória.

Experiência também é dado. Conhecimento também pode se transformar em inteligência.

Como combinar a capacidade de aprendizado dos modelos neurais com a precisão das regras e estruturas lógicas?É essa a pr...
21/09/2026

Como combinar a capacidade de aprendizado dos modelos neurais com a precisão das regras e estruturas lógicas?

É essa a proposta da Neuro-Symbolic Artificial Intelligence, uma abordagem que integra técnicas de aprendizado de máquina com métodos de Inteligência Artificial simbólica.

Enquanto modelos neurais aprendem padrões diretamente a partir dos dados, sistemas simbólicos trabalham com conceitos estruturados, regras, relações e conhecimento explícito. A combinação dessas duas abordagens busca aproveitar as vantagens de ambas.

Essa integração pode permitir que sistemas aprendam com exemplos e, ao mesmo tempo, utilizem conhecimento estruturado para realizar inferências, aplicar regras e produzir resultados mais interpretáveis.

Em aplicações complexas, essa capacidade pode ser especialmente relevante quando não basta identificar padrões. É necessário também relacionar conceitos, respeitar restrições e raciocinar sobre o conhecimento disponível.

A IA Neuro-Simbólica vem sendo estudada em áreas como raciocínio automatizado, processamento de linguagem natural, visão computacional, planejamento e sistemas de decisão.

A abordagem também está relacionada a um dos desafios atuais da Inteligência Artificial: desenvolver modelos que combinem a capacidade de generalização dos métodos neurais com formas mais estruturadas de representação e raciocínio.

No LAMIA da UTFPR de Santa Helena, o estudo de diferentes paradigmas de Inteligência Artificial permite explorar abordagens capazes de lidar com problemas complexos e diferentes formas de conhecimento.

Neste conteúdo, detalhamos como a Neuro-Symbolic AI combina aprendizado neural e raciocínio simbólico, e por que essa integração representa uma linha importante de pesquisa para o futuro da Inteligência Artificial.

Acompanhe o carrossel para aprofundar.

Como a IA pode ampliar o suporte pedagógico sem perder qualidade? Esse foi o desafio que o LAMIA se propôs a resolver ju...
17/09/2026

Como a IA pode ampliar o suporte pedagógico sem perder qualidade? Esse foi o desafio que o LAMIA se propôs a resolver junto com a Edubot, empresa de ed-tech que atua com robótica educacional em mais de 500 escolas pelo Brasil.

O resultado foi um assistente virtual com RAG (Retrieval-Augmented Generation), capaz de recuperar conhecimento pedagógico especializado antes de responder professores em tempo real, via Telegram e web. Tudo isso com avaliação contínua da qualidade das respostas usando o framework RAGAS.

De agosto de 2024 a outubro de 2025, o projeto saiu do protótipo para produção, com arquitetura de microsserviços, busca híbrida (vetorial + léxica) e métricas de precisão acima de 85%.

Um projeto que mostra como IA aplicada com rigor técnico pode transformar a escala do suporte educacional no país.

Confira no carrossel como a solução foi construída, do protótipo à produção.

08/09/2026

Todos os dias, empresas geram uma quantidade significativa de informações por meio de suas operações. Dados de processos, máquinas, sistemas, clientes, documentos e atividades internas podem carregar informações valiosas sobre como uma organização funciona.

Com o avanço da inteligência artificial, esses dados passam a ter um potencial ainda maior. Quando combinados com conhecimento sobre o negócio e métodos adequados de análise, podem revelar padrões, antecipar possibilidades e apoiar a criação de soluções para desafios específicos.

Na prática, oportunidades podem surgir em diferentes áreas: processos produtivos, controle de qualidade, logística, atendimento, análise documental, previsão e monitoramento de operações.

Mais do que armazenar informações, empresas passam a ter a possibilidade de transformar dados já presentes em suas operações em conhecimento aplicável e novas oportunidades de inovação.

No LAMIA da UTFPR de Santa Helena, a pesquisa aplicada parte justamente dessa aproximação entre inteligência artificial e desafios reais, explorando como dados e conhecimento de domínio podem contribuir para o desenvolvimento de soluções voltadas às necessidades de empresas e organizações.

A inteligência artificial amplia uma nova perspectiva sobre os dados: informações que antes apenas registravam o que aconteceu podem ajudar a construir o que pode acontecer a seguir.

Projetar uma rede neural eficiente exige diversas decisões: quantas camadas utilizar, como conectá-las, quais operações ...
01/09/2026

Projetar uma rede neural eficiente exige diversas decisões: quantas camadas utilizar, como conectá-las, quais operações aplicar e qual configuração oferece o melhor equilíbrio entre desempenho e custo computacional.

O Neural Architecture Search (NAS) propõe automatizar parte desse processo.

Em vez de depender exclusivamente da definição manual de uma arquitetura, o NAS utiliza algoritmos para explorar diferentes possibilidades, avaliar seu desempenho e identificar configurações mais adequadas para uma determinada tarefa.

Esse processo transforma a própria arquitetura da rede neural em um espaço de busca. Diferentes estruturas podem ser criadas, testadas e refinadas até que soluções mais eficientes emerjam.

Dependendo da abordagem utilizada, essa busca pode envolver estratégias como otimização baseada em gradientes, algoritmos evolutivos, aprendizado por reforço e métodos de otimização probabilística.

O NAS tem se tornado especialmente relevante diante da crescente complexidade dos modelos de Inteligência Artificial, permitindo explorar arquiteturas que poderiam ser difíceis de projetar manualmente.

Além de buscar maior desempenho, essa abordagem também pode considerar fatores como consumo energético, latência, quantidade de parâmetros e limitações de hardware.

No LAMIA da UTFPR de Santa Helena, conceitos relacionados à automação e otimização de arquiteturas são relevantes para o desenvolvimento de sistemas de Inteligência Artificial mais eficientes e adaptados às necessidades de diferentes aplicações.

Neste conteúdo, detalhamos como o Neural Architecture Search funciona e por que permitir que a própria IA participe do processo de criação de novas arquiteturas representa um avanço importante para o desenvolvimento do aprendizado de máquina.

Acompanhe o carrossel para aprofundar.

27/08/2026

A popularização da inteligência artificial tornou modelos avançados cada vez mais acessíveis. Nesse cenário, o diferencial competitivo das empresas pode estar menos no modelo utilizado e mais nos dados que elas já produzem diariamente.

Informações de processos, máquinas, clientes, documentos, imagens e operações carregam características específicas de cada negócio. Quando estruturados e utilizados corretamente, esses dados podem permitir o desenvolvimento de soluções de inteligência artificial adaptadas a problemas que ferramentas genéricas não conseguem resolver da mesma forma.

Isso muda uma questão importante para as empresas. Em vez de perguntar apenas qual modelo de IA utilizar, torna-se necessário entender quais dados estão disponíveis, como eles representam o negócio e quais problemas podem ser solucionados a partir deles.

Na indústria, esse potencial pode aparecer em processos produtivos, inspeção visual, manutenção, qualidade e monitoramento. Em outros setores, pode estar em documentos, atendimento, logística, previsão ou análise de operações.

O valor está justamente na combinação entre dados próprios, conhecimento do processo e inteligência artificial.

No LAMIA da UTFPR de Santa Helena, essa perspectiva faz parte da pesquisa aplicada: transformar problemas reais e dados específicos de organizações em soluções inteligentes que possam ser testadas, validadas e posteriormente incorporadas às operações.

No cenário atual, modelos de IA estão cada vez mais acessíveis. O diferencial pode estar naquilo que nenhuma outra empresa possui da mesma forma: os próprios dados e o conhecimento acumulado sobre sua operação.

Como permitir que diferentes organizações colaborem no desenvolvimento de um modelo de Inteligência Artificial sem compa...
26/08/2026

Como permitir que diferentes organizações colaborem no desenvolvimento de um modelo de Inteligência Artificial sem compartilhar seus dados?

O Federated Learning (Aprendizado Federado) propõe uma abordagem em que os dados permanecem onde foram gerados, enquanto o aprendizado é compartilhado entre diferentes participantes.

Em vez de enviar todos os dados para um servidor central, cada participante treina o modelo localmente utilizando seus próprios dados. Depois, apenas atualizações do modelo são compartilhadas e combinadas para construir uma versão global mais eficiente.

Esse processo permite que diferentes dispositivos, empresas ou instituições contribuam para o treinamento de um mesmo modelo sem precisar reunir seus dados em um único local.

A abordagem é especialmente relevante em cenários nos quais privacidade, segurança e distribuição dos dados são fatores importantes, como saúde, dispositivos móveis, finanças e ambientes corporativos.

Além de reduzir a necessidade de centralização, o Federated Learning possibilita aproveitar informações distribuídas entre diferentes fontes, criando modelos capazes de aprender com uma diversidade maior de dados.

No LAMIA da UTFPR de Santa Helena, abordagens de aprendizado distribuído são relevantes para o desenvolvimento de soluções que precisam lidar com diferentes fontes de dados, considerando requisitos de privacidade, segurança e eficiência.

Neste conteúdo, detalhamos como o Federated Learning funciona na prática e por que essa abordagem representa uma alternativa importante para o desenvolvimento de sistemas de Inteligência Artificial distribuídos.

Acompanhe o carrossel para aprofundar.

21/08/2026

Modelos inteligentes passam a apoiar etapas do projeto de chips, explorando arquiteturas, componentes e configurações com uma escala de possibilidades cada vez maior.

A evolução da inteligência artificial está chegando a uma das camadas mais fundamentais da computação: a engenharia de chips. Modelos inteligentes já podem participar de diferentes etapas do desenvolvimento de hardware, ajudando a explorar arquiteturas e configurações que seriam difíceis de avaliar manualmente.

Projetar um chip envolve milhares de decisões relacionadas à disposição de componentes, consumo de energia, desempenho e área disponível. A utilização de inteligência artificial permite explorar grandes espaços de possibilidades e identificar configurações promissoras com maior velocidade.

Essa mudança é especialmente relevante para a própria evolução da IA. À medida que os modelos se tornam mais complexos, cresce também a necessidade de processadores capazes de executar essas aplicações com maior eficiência.

Na prática, cria-se um ciclo interessante: a inteligência artificial passa a ajudar no desenvolvimento da própria infraestrutura computacional necessária para sua evolução.

Esse avanço pode contribuir para processadores mais eficientes, especializados e adequados a diferentes aplicações, desde grandes sistemas de computação até dispositivos que precisam executar inteligência artificial localmente.

A transformação mostra que a evolução da IA não acontece apenas no desenvolvimento de novos modelos. Ela também está modificando as tecnologias físicas responsáveis por tornar esses modelos possíveis.

A inteligência artificial começa, assim, a participar da construção da própria computação que sustentará sua próxima geração.

Como o cérebro humano processa informações de forma extremamente eficiente, consumindo energia apenas quando determinado...
18/08/2026

Como o cérebro humano processa informações de forma extremamente eficiente, consumindo energia apenas quando determinados estímulos são relevantes?

As Spiking Neural Networks (SNNs) buscam reproduzir parte desse princípio no aprendizado de máquina.

Diferentemente das redes neurais tradicionais, que normalmente trabalham com valores contínuos a cada etapa de processamento, as SNNs utilizam spikes, eventos discretos que ocorrem quando a atividade de um neurônio ultrapassa determinado limiar.

Essa dinâmica introduz uma dimensão temporal ao processamento. A informação não está apenas no valor produzido por um neurônio, mas também em quando esse evento acontece.

Essa característica permite que as SNNs processem informações de maneira orientada a eventos, podendo reduzir significativamente a quantidade de operações realizadas quando comparadas a arquiteturas convencionais em determinados cenários.

As SNNs são especialmente promissoras em aplicações que envolvem processamento contínuo e informações temporais, como robótica, visão computacional, reconhecimento de padrões, sistemas embarcados e dispositivos neuromórficos.

Seu potencial está diretamente relacionado à combinação entre eficiência energética, processamento temporal e computação orientada a eventos, aproximando determinados sistemas artificiais dos princípios utilizados pelo cérebro biológico.

No LAMIA da URFPR de Santa Helena, pesquisas relacionadas a novas arquiteturas de aprendizado de máquina são relevantes para explorar alternativas mais eficientes e adaptáveis para aplicações de Inteligência Artificial.

Neste conteúdo, detalhamos como as Spiking Neural Networks funcionam e por que elas representam uma abordagem promissora para a próxima geração de sistemas inteligentes.

Acompanhe o carrossel para aprofundar.

13/08/2026

A inteligência artificial está ampliando a forma como novos materiais podem ser descobertos e desenvolvidos. Modelos computacionais conseguem analisar grandes espaços de possibilidades e identificar combinações com propriedades específicas, acelerando etapas que tradicionalmente exigem longos ciclos de pesquisa e experimentação.

Em vez de testar cada possibilidade individualmente, pesquisadores podem utilizar IA para direcionar a investigação para alternativas mais promissoras, considerando características como resistência, condutividade, estabilidade e desempenho.

Na indústria, essa abordagem pode contribuir para o desenvolvimento de materiais mais adequados a diferentes aplicações, reduzindo o tempo entre a definição de uma necessidade e a identificação de possíveis soluções. Na pesquisa, permite explorar conjuntos de possibilidades que seriam difíceis de avaliar exclusivamente por meio de experimentos físicos.

A combinação entre inteligência artificial, simulação computacional e experimentação cria um novo caminho para a engenharia de materiais, no qual modelos inteligentes ajudam a ampliar o espaço de possibilidades investigadas.

No LAMIA da UTFPR de Santa Helena, essa perspectiva se conecta à pesquisa aplicada em inteligência artificial e aprendizado de máquina, utilizando métodos computacionais para investigar problemas complexos e apoiar o desenvolvimento de novas soluções.

Entre os principais potenciais, destacam-se:

• Exploração de grandes espaços de possibilidades
• Redução do tempo de investigação
• Identificação de materiais com propriedades específicas
• Apoio à pesquisa e ao desenvolvimento de novas soluções

A inteligência artificial passa a atuar não apenas na análise do que já existe, mas também na busca por novas possibilidades que ainda não foram exploradas.

Endereço

Universidade Tecnológica Federal Do Paraná/Bloco L/LAMIA
Santa Helena, PR
85892000

Telefone

+5545998357976

Site

Notificações

Seja o primeiro a saber: enviaremos um e-mail para você quando LAMIA - Lab. de Aprendizado de Máquina Aplicado à Indústria publicar novidades e promoções. Seu endereço de e-mail não será usado para nenhum outro fim, e você pode cancelar a inscrição a qualquer momento.

Entre Em Contato Com A Universidade

Envie uma mensagem para LAMIA - Lab. de Aprendizado de Máquina Aplicado à Indústria:

Atalhos

Compartilhar