No último dia 30 de novembro, durante o 11º Congresso Brasileiro de Sistemas Inteligentes (BRACIS), o aluno do mestrado do Programa de Pós-graduação em Ciência da Computação da UFMG, Pedro Henrique Barros, orientado pelo professor do Departamento de Ciência da Computação (DCC), Heitor S. Ramos, venceu o XIII Concurso de Teses e Dissertações em Inteligência Artificial e Computacional. Com a dissertação “A New Similarity Space Tailored for Supervised Deep Metric Learning”, Pedro tirou o 1º lugar no concurso.
O BRACIS é um dos eventos mais importantes do Brasil para pesquisadores interessados em publicar resultados significativos e inéditos relacionados à Inteligência Artificial e Computacional, e surgiu da união dos dois eventos científicos mais importantes do Brasil em Inteligência Artificial (IA) e Inteligência Computacional ( CI): o Simpósio Brasileiro de Inteligência Artificial – SBIA (22 edições), e o Simpósio Brasileiro de Redes Neurais – SBRN (13 edições). O BRACIS é um evento anual da Sociedade Brasileira de Computação (SBC), e é apoiado pelos grupos de interesse especial em Inteligência Artificial (CEIA) e Inteligência Computacional (CEIC).
De acordo com Pedro, o aprendizado de máquina tem se tornado cada vez mais impactante em nossas vidas. “Podemos ver o rápido crescimento das tecnologias de aprendizado de máquina (ML) no aprimoramento de diversas aplicações de inteligência artificial (IA), como visão computacional, reconhecimento automático de fala, processamento de linguagem natural e sistemas de recomendação. À medida que os dispositivos de computação se tornam cada vez mais onipresentes, as pessoas geram enormes quantidades de dados ao longo de suas atividades diárias, sendo esse grande volume de dados fundamental para construção de aplicações avançadas de IA. Nesse contexto, métricas de distância são funções que fornecem uma maneira de quantificar a diferença entre objetos em um determinado conjunto. As métricas de distância são importantes em vários algoritmos de aprendizado de máquina para uma ampla variedade de problemas, como classificação, agrupamento e ranqueamento. No entanto, muitas vezes é difícil projetar medidas de similaridades adequadas para que os dados realizem tarefas específicas. Motivado por este problema, meu trabalho de mestrado propõe desenvolver novas métricas de distância aprendidas a partir dos dados de entrada”, explicou.
Segundo Ramos, o prêmio recebido por Pedro foi motivo de enorme orgulho. “Estou muito feliz e orgulhoso, Pedro é um aluno extremamente dedicado, inteligente e competente, eu não poderia ter alunos mais bacanas! Ser professor é extremamente enriquecedor, ensinamos sim, mas aprendemos sempre!”, disse entusiasmado.
