Allan Gonçalves De Oliveira

Abordamos o projeto de pesquisa “Aplicação de tecnologias em nuvem computacional aplicado a ambientes de gestão educacional”, desenvolvido no âmbito do Instituto de Computação da Universidade Federal de Mato Grosso, em parceria com a Secretaria de Estado de Ciência, Tecnologia e Inovação (SECITECI), para a instalação de sistema computacional, em ambiente virtualizado, com vistas ao aprimoramento da gestão escolar. Ademais, o projeto abarca formações junto aos sujeitos envolvidos com o uso do sistema: docentes e técnico-administrativos da SECITECI. Os resultados tratam das formações realizadas, de maneira que o sistema contribua com o cotidiano laboral e administrativo no contexto educacional especificado.

O objetivo deste trabalho é apresentar uma revisão bibliográfica de como incidentes de segurança da informação podem impactar a reputação de uma marca e a propriedade intelectual. Os artigos foram selecionados a partir de um mapeamento bibliográfico aplicando a técnica de snowballing. Como resultado obteve-se os principais impactos causados em uma marca e em sua propriedade intelectual, as principais medidas adotadas pelas corporações após um incidente de segurança e quais recursos computacionais podem atuar na prevenção deste cenário.

To create a bird classification model, it is necessary to have training datasets with thousands of samples. Automating this task is possible, but the first step is being able to segment soundscapes by identifying bird vocalizations. In this study, we address this issue by testing four methods for audio segmentation, the Librosa Library, Few-Shot Learning technique: the BirdNET Framework, and a Bird Classification Model called Perch. The results show that the best method for the purpose of this work was BirdNET, achieving the highest values for precision, accuracy, and F1-score.

Automated acoustic recognition of birds is considered an important technology in support of biodiversity monitoring and biodiversity conservation activities. These activities require processing large amounts of soundscape recordings. Typically, recordings are transformed to a number of acoustic features, and a machine learning method is used to build models and recognize the sound events of interest. The main problem is the scalability of data processing, either for developing models or for processing recordings made over long time periods. In those cases, the processing time and resources required might become prohibitive for the average user. To address this problem, we evaluated the applicability of three data reduction methods. These methods were applied to a series of acoustic feature vectors as an additional postprocessing step, which aims to reduce the computational demand during training. The experimental results obtained using Mel-frequency cepstral coefficients (MFCCs) and hidden Markov models (HMMs) support the finding that a reduction in training data by a factor of 10 does not significantly affect the recognition performance.

Os sensores instalados em estações meteorológicas podem gerar uma grande quantidade de dados todos os dias. Esses dados, eventualmente, precisam ser processados antes de serem analisados. Nesse processo, a quantidade de dados pode dificultar a sua manipulação, controle e interpretação. Inclusive para técnicas computacionais, a quantidade de dados são consequências de um maior tempo de processamento. Dessa forma, espera-se que reduzir a quantidade de dados possa facilitar, do ponto de vista computacional, a manipulação desse tipo de dado. Entretanto, a redução pode gerar perda de informação importante na série. Este trabalho avaliou a utilização de técnicas de representação de dados, com o intuito de reduzir a série de dados ao mesmo tempo que as características da série sejam conservadas. Testes foram realizados para avaliar a conservação das características da série de dados após a redução. Mesmo com a série reduzida em 80%, operações de tratamento de dados microclimáticos puderam ser realizadas com a mesma eficácia do que se fossem realizadas com a série original, indicando que as características originais da série foram mantidas. As técnicas de representação de dados com melhor desempenho foram Amostragem e Perceptually Important Points.