Trabalho de Formatura - BCC (IME / USP)

Propostas de temas (pelos profs) para 2025

Última atualização: 03/03/2025

Abaixo encontram-se temas propostos pelos professores para o TCC 2025.
Para obter mais informações, fale diretamente com eles/elas.

Prof. Marcelo Finger

Investigações sobre o cálculo automático da complexidade de textos em diversas linguagens (direfente da compexidade de línguas)
Investigações sobre a explicabilidade lógica de redes neurais
Detecção de problemas respiratórios por análise de voz

Prof. Roberto Hirata

Contando pessoas e analisando seus comportamentos com aprendizado de máquina
Resumo: A contagem simples de pessoas em imagens estáticas é um problema que está bem resolvido para a maioria das situações. Mas a contagem, perseguição (tracking) e recontagem não. Neste TCC vamos estudar e implementar soluções/modelos para serem testados na biblioteca do IME.

Prof. Paulo Meirelles e Fabio Kon

Projeto BikeSP

Resumo do projeto geral: O uso de bicicletas como meio de transporte traz inúmeros benefícios para a sociedade, sendo fundamental que haja políticas públicas que o fomentem. Dentre as iniciativas existentes para essa promoção há o incentivo monetário para quem pedala, presente em alguns países em que o ciclismo é proeminente. Em 2016, como forma de estimular a migração modal para a bicicleta, a Prefeitura de São Paulo aprovou uma lei para que uma política similar fosse implementada na cidade -- é o chamado "Bike SP", um programa voltado para dar créditos de mobilidade para quem se desloca usando este meio. No entanto, a iniciativa nunca chegou a ser regulamentada. Um dos motivos é a carência de estudos que embasam o programa e ajudem a determinar como ele será executado. Dessa forma, como parte da pesquisa para fundamentar a política cientificamente, será feito um projeto piloto com moradores da cidade de São Paulo. No piloto, busca-se verificar a hipótese de que remunerar ciclistas leva ao aumento do número de viagens funcionais (com motivo de origem ou destino trabalho ou estudo) feitas em bicicleta. A execução do projeto será acompanhada pela Secretaria Municipal de Mobilidade e Trânsito (SMT) da Prefeitura de São Paulo, e será conduzida em parceria com especialistas em ciclomobilidade.

▶ Projeto específico para o TCC: Elaboração de dashboard online interativo para análise de dados das viagens dos ciclistas. Ferramenta de suporte à elaboração de políticas públicas

Prof. Paulo Meirelles

Kernel Linux

Projetos de software livre que envolvem um grande número de desenvolvedores dependem cada vez mais da qualidade dos modelos de contribuição que adotam. Tanto a eficiência quanto a complexidade desses modelos podem impulsionar ou limitar a capacidade do projeto, uma vez que um alto grau técnico, por si só, não é suficiente para garantir seu sucesso. O projeto do kernel Linux não é diferente: ele possui um modelo de contribuição consolidado há décadas, envolvendo milhares de desenvolvedores e mantenedores ao redor do mundo.

Dado o papel essencial do kernel Linux em sistemas operacionais amplamente utilizados - como aqueles que sustentam a infraestrutura da Internet, e a necessidade de manter ou até ampliar o número de desenvolvedores ativos no projeto, é fundamental buscar formas de simplificar e aprimorar seu modelo de contribuição. O fluxo de trabalho dos desenvolvedores do kernel Linux inclui diversos procedimentos que podem ser automatizados ou simplificados sem comprometer a qualidade do código entregue ou as boas práticas do modelo de contribuição. Isso abre espaço para múltiplas oportunidades de estudo e evolução do projeto sob a ótica da engenharia de software.

Evolução da ferramenta kernelWorkflow (kw): kworkflow/kworkflow
Evolução da ferramenta Patch-hub: kworkflow/patch-hub
Evolução da ferramenta Arkanjo (identificação de código duplicado): liparcanjo/arkanjo
Estudo sobre o uso do KUnit para testes automatizados
Mineração das listas de discussão do kernel Linux para identificar gargalos e oportunidades de automação no processo de desenvolvimento
Evolução de um pipeline de Integração Contínua (CI) federado para o kernel Linux
Qualquer outro tópico relacionado ao kernel Linux e ao ecossistema GNU/Linux

LLM para Engenharia de Requisitos

Um dos desafios mais complexos para garantir a qualidade do software é alinhar as visões dos desenvolvedores e usuários. A Engenharia de Requisitos investiga como esse alinhamento pode ser alcançado, analisando a coleta e a manutenção de requisitos de software. No entanto, ainda há incertezas sobre como as equipes de desenvolvimento podem aproveitar grandes volumes de dados gerados pelos usuários em redes sociais, avaliações de lojas de aplicativos e canais de suporte.

Nosso grupo de pesquisa está explorando e desenvolvendo uma abordagem e ferramenta no contexto da Engenharia de Requisitos baseada em Multidão (Crowd-Based Requirements Engineering - CrowdRE) para auxiliar no gerenciamento de issues. Por exemplo, nossa abordagem inicial utiliza um grande modelo de linguagem (Large Language Model - LLM) para recuperar automaticamente análises de usuários com alta similaridade textual semântica (Semantic Textual Similarity - STS) em relação ao conteúdo de uma determinada issue. Com isso, é possível sugerir análises relevantes que auxiliem na compreensão da issue e na priorização de requisitos.

Comparação de diferentes modelos de text embeddings
Extração e análise de feedback de usuários a partir de redes sociais
Identificação automática de templates de issues (ou extraindo informação de Issues com templates)
LLMs para sumarização de comentários de usuários

Software Livre

Software Livre é o termo dado a sistemas de software em que seus usuários são livres para usar, modificar, estudar e redistribuir o código-fonte. Este termo foi criado há mais de 40 anos, com o surgimento do movimento do software livre, em 1983, e da Free Software Foundation, em 1985. Passado pouco mais de uma década, surge a Open Source Initiative, em 1998, um movimento que propõe dissociar o modelo de negócio do "Free Software" do seu ponto de vista filosófico e, para isso, cria o termo "Open Source". Desde então, estudos de engenharia de software buscam formas atraentes para descrever e sintetizar as práticas adotadas em projetos de software livre.

Qualquer trabalho proposto que envolva o desenvolvimento/colaboração ou estudo sobre o ecossistema de um projeto de software livre

Objetos de Aprendizagem e Tecnologia Educacional (parceria com o Prof. Ewout ter Haar, IFUSP)

Recursos Educacionais Abertos (https://aberta.org.br) promovem educação inclusiva, equitativa e de qualidade para todos. Neste projeto trabalharemos com material didático de professores do Instituto de Física, apoiado pelo FAPESP (https://fep.if.usp.br/~fisfoto/), para desenvolver objetos de aprendizagem usando tecnologias de Web moderna (https://h5p.org/developers). O objetivo inicial é criar um novo tipo de conteúdo especializado, usando padrões de tecnologia educacional abertas, que vai permitir a distribuição modularizar do material didático. Além disso, investigaremos a instrumentação dos objetos de aprendizagem para fins de learning analytics e pesquisas educacionais. Todo o projeto será desenvolvido usando tecnologias de código aberto e práticas de desenvolvimento modernas.

Prof. Helder Oliveira (sala 7, bloco C)

1. Aprendizado Federado em IoT para Otimização de Serviços Públicos em Cidades Inteligentes
Resumo: Com o crescente uso de dispositivos IoT em cidades inteligentes, surge a necessidade de gerenciar eficientemente os dados gerados por esses dispositivos sem comprometer a privacidade. O aprendizado federado, uma abordagem de aprendizado de máquina descentralizado, pode ser a chave para permitir a otimização de serviços públicos como iluminação pública, monitoramento de tráfego e segurança, sem a necessidade de centralizar os dados. Este trabalho investigaria a aplicação do aprendizado federado em uma rede de dispositivos IoT para otimizar o consumo de energia em sistemas de iluminação pública e a gestão do tráfego urbano, enquanto analisa os desafios regulatórios e de privacidade associados a políticas públicas de dados.
Objetivos:
- Estudar como o aprendizado federado pode ser aplicado para melhorar a gestão de dados de IoT em cidades inteligentes.
- Propor uma solução de aprendizado federado para otimização de serviços públicos.
- Analisar as implicações de políticas públicas de proteção de dados na implementação dessa solução.

2. Integração de VLC (Visible Light Communication) em Redes IoT para Políticas Públicas de Acessibilidade
Resumo: A comunicação por luz visível (VLC) é uma tecnologia emergente que utiliza luz para transmitir dados, oferecendo uma alternativa eficiente para a conectividade em ambientes públicos. Esta tecnologia pode ser particularmente útil em áreas de baixa cobertura de rede ou em ambientes com alto tráfego de dados. O estudo propõe investigar a integração do VLC em redes IoT para melhorar a acessibilidade digital em espaços públicos como hospitais, escolas e áreas urbanas, com o objetivo de apoiar políticas públicas de inclusão digital e acessibilidade. A pesquisa abordaria a viabilidade técnica e regulamentar do VLC, além de sugerir modelos de implementação e integração com dispositivos IoT para otimizar os serviços públicos e sociais.

Objetivos:
- Investigar como a VLC pode ser integrada em redes IoT para melhorar a conectividade em ambientes públicos.
- Analisar os impactos dessa integração em políticas públicas de acessibilidade digital.
- Propor soluções para a implementação prática da tecnologia VLC com foco em inclusão digital.

3. Aprendizado Federado para Monitoramento Ambiental via IoT: Aplicações e Desafios Regulatórios
Resumo: O monitoramento ambiental é um campo em que a IoT tem se mostrado altamente eficiente, com sensores distribuídos capazes de coletar dados em tempo real sobre a qualidade do ar, níveis de poluição, temperatura e umidade. No entanto, a centralização desses dados pode representar riscos de privacidade e segurança. O aprendizado federado surge como uma solução eficaz para permitir o treinamento de modelos de aprendizado de máquina sem a necessidade de compartilhar dados sensíveis. Este trabalho irá explorar o uso de aprendizado federado para otimizar sistemas de monitoramento ambiental em cidades, propondo soluções que preservem a privacidade dos dados e cumpram as regulamentações e políticas públicas ambientais.

Objetivos:
- Estudar o uso de aprendizado federado para análise e monitoramento de dados ambientais via IoT.
- Propor soluções para melhorar a eficácia dos sistemas de monitoramento em tempo real.
- Avaliar os desafios regulatórios e de privacidade em políticas públicas ambientais.

4. Uso de IoT e VLC para Melhorar Políticas Públicas de Mobilidade Urbana
Resumo: A mobilidade urbana é um dos maiores desafios enfrentados pelas cidades modernas, com congestionamentos, poluição e ineficiência nos sistemas de transporte público. Tecnologias emergentes como IoT e VLC têm o potencial de transformar a mobilidade urbana, otimizando o tráfego, melhorando a comunicação entre veículos e pontos de transporte e aumentando a eficiência do uso de recursos. Este estudo irá investigar como IoT e VLC podem ser utilizados para implementar sistemas inteligentes de transporte (ITS) que melhorem a gestão do tráfego, a segurança e a acessibilidade, enquanto alinham-se com as políticas públicas de mobilidade urbana.

Objetivos:
- Analisar a integração de dispositivos IoT e VLC em sistemas inteligentes de transporte.
- Estudar como essas tecnologias podem ser utilizadas para otimizar o tráfego urbano e melhorar o transporte público.
- Avaliar as implicações de políticas públicas de mobilidade urbana na implementação dessas tecnologias.

5. Soluções de IoT e Aprendizado Federado para Saúde Pública: A Transformação do Monitoramento Remoto
Resumo: O monitoramento remoto de pacientes utilizando dispositivos IoT tem o potencial de transformar a saúde pública, permitindo o acompanhamento de condições de saúde em tempo real e a detecção precoce de doenças. Com o aprendizado federado, é possível treinar modelos de inteligência artificial que analisam os dados de saúde de forma descentralizada, preservando a privacidade do paciente. Este trabalho investigará como a combinação de IoT e aprendizado federado pode melhorar o monitoramento remoto de pacientes, apoiando políticas públicas de saúde digital e aumentando o acesso à saúde em áreas remotas ou com recursos limitados.

Objetivos:
- Estudar a integração de IoT e aprendizado federado em sistemas de monitoramento remoto de pacientes.
- Avaliar os impactos dessa abordagem em políticas públicas de saúde digital e acesso a cuidados médicos.
- Propor soluções para a implementação eficaz de sistemas de monitoramento remoto com foco em saúde pública.

6. Aplicações de Comunicação por Luz Visível (VLC) para Redes IoT em Ambientes Públicos e sua Regulação
Resumo: A VLC oferece uma solução inovadora para comunicação sem fio em ambientes fechados e públicos, utilizando luz visível para transmitir dados. Em ambientes urbanos, como aeroportos, estações de metrô e prédios públicos, o VLC pode ser usado para expandir a cobertura da rede de comunicação sem fio, especialmente em áreas densamente povoadas ou com alta demanda de conectividade. Este trabalho irá explorar como o VLC pode ser implementado em redes IoT para melhorar a conectividade e a comunicação em ambientes públicos, ao mesmo tempo em que analisa as implicações legais e regulamentares relacionadas ao uso de luz visível para transmissão de dados.

Objetivos:
- Investigar as vantagens e desafios da implementação de VLC em redes IoT em ambientes públicos.
- Analisar o impacto de políticas regulatórias sobre o uso de VLC em ambientes urbanos.
- Propor modelos de integração de VLC para melhorar a conectividade em espaços públicos.

7. Otimização de Redes Ópticas na Borda para Aprendizado Federado com Múltiplos Dispositivos Móveis
Resumo: Este trabalho investiga como o aprendizado federado pode ser aplicado em dispositivos móveis na borda de redes ópticas, abordando a alocação eficiente de recursos e a otimização do tráfego de dados. A comunicação eficiente entre dispositivos móveis e a rede de borda é fundamental para melhorar o desempenho do aprendizado em tempo real, garantindo que os modelos possam ser treinados de maneira eficiente enquanto os dispositivos móveis se mantêm conectados e com mínima latência.

Objetivos:
- Analisar o impacto da latência e do tráfego de dados nas redes ópticas de borda em sistemas de aprendizado federado.
- Propor uma arquitetura de rede de borda otimizada para comunicação entre dispositivos móveis no aprendizado federado.
- Avaliar a eficiência de diferentes técnicas de alocação de recursos em redes ópticas para suportar aprendizado federado em múltiplos dispositivos móveis.
- Propor estratégias para reduzir o tráfego de dados entre dispositivos móveis e a borda para melhorar a eficiência do aprendizado.

8. Estratégias de Proteção em Redes Ópticas na Borda para Ambientes de Aprendizado Federado Resilientes
Resumo: Este estudo foca na aplicação de redes ópticas para aumentar a resiliência de ambientes de aprendizado federado, especialmente em cenários onde falhas de clientes ou falhas de comunicação podem interromper o processo de treinamento. A pesquisa explora estratégias de proteção de caminhos dedicados em redes ópticas para garantir a continuidade do aprendizado federado, mesmo em situações de falhas de comunicação.

Objetivos:
- Investigar métodos de proteção de caminhos dedicados em redes ópticas para suportar a continuidade do aprendizado federado.
- Desenvolver um modelo de rede resiliente para aprendizado federado que minimize as falhas de comunicação e falhas de clientes.
- Avaliar o desempenho do aprendizado federado em redes ópticas com diferentes estratégias de proteção.
- Implementar mecanismos para recuperação de falhas em tempo real durante o processo de treinamento federado.

9. Avaliação do Impacto da Latência nas Redes Ópticas de Bordas para Aplicações de Aprendizado Federado
Resumo: Este trabalho examina como a latência nas redes ópticas de borda impacta o desempenho do aprendizado federado, com foco em reduzir essa latência para melhorar o tempo de treinamento dos modelos. Em cenários de aprendizado federado, a latência pode afetar a comunicação entre os dispositivos e a borda, retardando o processo de agregação dos modelos e a atualização dos pesos, o que pode prejudicar a eficiência do sistema.

Objetivos:
- Analisar como a latência nas redes ópticas de borda afeta o desempenho do aprendizado federado.
- Propor métodos para reduzir a latência em redes ópticas de borda sem comprometer a eficiência do sistema.
- Avaliar as métricas de desempenho do aprendizado federado em relação a diferentes níveis de latência nas redes de borda.
- Desenvolver algoritmos para otimizar a comunicação entre dispositivos e a borda, minimizando a latência.

10. Uso de Redes Ópticas Inteligentes para Eficiência de Comunicação em Aprendizado Federado em Edge Computing
Resumo: O estudo investiga como as redes ópticas inteligentes, com tecnologias como multiplexação espacial, espectral e modulação dinâmica, podem ser utilizadas para melhorar a comunicação entre os nós de borda em ambientes de aprendizado federado. A eficiência na troca de dados entre clientes e a borda é crucial para a otimização do treinamento dos modelos federados, permitindo o uso eficiente dos recursos disponíveis.

Objetivos:
- Investigar a aplicação de redes ópticas inteligentes para melhorar a comunicação em sistemas de aprendizado federado.
- Analisar como a multiplexação espacial e a modulação dinâmica podem otimizar a troca de dados entre dispositivos de borda.
- Propor um modelo de rede inteligente para suportar a comunicação em tempo real para aprendizado federado.
- Avaliar o impacto da eficiência espectral das redes ópticas inteligentes no desempenho do aprendizado federado.

11. Integração de Redes Ópticas de Alta Capacidade com Aprendizado Federado na Borda para Aplicações de IoT
Resumo: Este trabalho foca na utilização de redes ópticas de alta capacidade para suportar a crescente demanda de dados gerados por dispositivos IoT em ambientes de aprendizado federado. A integração das redes ópticas com o aprendizado federado pode proporcionar maior eficiência na alocação de largura de banda e recursos de rede, garantindo que os modelos sejam treinados de maneira eficiente, mesmo em cenários de alto volume de dados.

Objetivos:
- Explorar como redes ópticas de alta capacidade podem suportar o aprendizado federado em ambientes IoT.
- Propor modelos para a alocação eficiente de recursos em redes ópticas de borda para aprendizado federado.
- Analisar a escalabilidade do aprendizado federado em redes ópticas de alta capacidade.
- Avaliar o impacto de diferentes técnicas de comunicação sobre o desempenho do aprendizado federado em IoT.

12. Desenvolvimento de Algoritmos de Agregação para Aprendizado Federado em Redes Ópticas de Borda com Controle de Qualidade de Serviço
Resumo: Este estudo investiga novos algoritmos de agregação para aprendizado federado que garantem o controle de qualidade de serviço (QoS) em redes ópticas de borda. O foco é garantir que o processo de agregação de modelos não seja prejudicado por variações na QoS, como latência e largura de banda, o que pode impactar negativamente a eficiência do aprendizado federado.

Objetivos:
- Desenvolver algoritmos de agregação eficientes para aprendizado federado em redes ópticas de borda.
- Garantir que os algoritmos de agregação mantenham a qualidade de serviço (QoS) durante o processo de comunicação.
- Estudar os efeitos de diferentes níveis de QoS sobre o desempenho do aprendizado federado.
- Propor soluções para mitigar problemas de QoS em redes de borda que afetam o treinamento de modelos.

13. Gerenciamento Dinâmico de Recursos Ópticos na Borda para Aprendizado Federado em Cenários de Alta Mobilidade
Resumo: Este trabalho foca no gerenciamento dinâmico de recursos em redes ópticas de borda para suportar o aprendizado federado em cenários de alta mobilidade, como carros autônomos ou drones. A mobilidade constante dos dispositivos pode dificultar a alocação eficiente de recursos, o que demanda novas abordagens para garantir que o aprendizado federado seja realizado de maneira eficiente e resiliente.

Objetivos:
- Estudar o impacto da mobilidade dos dispositivos no gerenciamento de recursos em redes ópticas de borda para aprendizado federado.
- Propor métodos de gerenciamento dinâmico de recursos que adaptem a rede às mudanças de localização dos dispositivos móveis.
- Analisar a eficiência do aprendizado federado em ambientes de alta mobilidade.
- Avaliar o desempenho do modelo de aprendizado federado em cenários de mobilidade elevada e baixa.

14. Impacto da Multiplexação Espacial em Redes Ópticas na Borda para Aceleração de Aprendizado Federado em Tempo Real
Resumo: Este estudo investiga como a multiplexação espacial pode ser usada para acelerar a transmissão de dados entre os nós da borda em sistemas de aprendizado federado. O objetivo é reduzir o tempo de treinamento dos modelos federados ao otimizar a alocação de recursos e a comunicação, utilizando técnicas avançadas de multiplexação espacial em redes ópticas.

Objetivos:
- Analisar como a multiplexação espacial pode melhorar a eficiência da comunicação em aprendizado federado. Propor métodos para aplicar multiplexação espacial de forma eficaz em redes ópticas de borda para acelerar o aprendizado federado. Avaliar o impacto da multiplexação espacial no desempenho e tempo de treinamento de modelos federados. Estudar a integração de multiplexação espacial com outras técnicas de otimização de comunicação em redes de borda.