Navegando por Assunto "Fine-tuning"
Agora exibindo 1 - 2 de 2
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Artigo Acesso aberto (Open Access) Desenvolvimento de uma plataforma web assistida por inteligência artificial para o ensino da língua inglesa(0026-07-17) BEZERRA, Romulo Lobato; MEDEIROS, Iago Lins de; http://lattes.cnpq.br/7024608706674939; https://orcid.org/0000-0003-4758-0519Este trabalho apresenta o desenvolvimento, a arquitetura e a homologação da plataforma ChatEP, um ecossistema web open source pro jetado para o aprendizado auônomo de inglês. Baseado na abordagem pedagógica Task-Based Language Teaching (TBLT), o sistema orquestra modelos heterogêneos de Inteligência Artificial (Flan-T5 Large, Whisper e TinyLlama 1.1B) especializados e refinados via Low-Rank Adaptation (LoRA), visando o aprimoramento de listening, writing, speaking e reading. A validação quantitativa baseou-se em métricas de telemetria de dados, aplicando o índice BLEU para correção textual, a taxa WER para o pipeline acústico e o BERTScore para avaliar a similaridade semântica do tutor virtual. Complementarmente, um estudo piloto com usuários reais validou a usabilidade e mapeou trade-offs de latência de inferência síncrona em ambiente de nuvem. Os resultados experimentais obtidos demonstram elevados índices de precisão e conformidade técnica do ecossistema frente aos requisitos e regras de negócio especificados.Trabalho de Curso - Graduação - Artigo Acesso aberto (Open Access) Rede neural convolucional EfficientNet: uma proposta de classificação de fogo usando tranferência de aprendizado(2025-09-15) MELO, Ítalo José da Silva; FERREIRA JUNIOR, José Jailton Henrique; http://lattes.cnpq.br/9031636126268760O crescimento alarmante das queimadas no Brasil, em 2024, reforça a urgência de sistemas automáticos de detecção de incêndios em tempo real. Este trabalho propõe um classificador binário baseado na arquitetura EfficientNet, pré-treinada no ImageNet e ajustada por fine-tuning, utilizando técnicas de transfer learning e data augmentation. O modelo foi treinado e avaliado em um conjunto de dados público, obtendo acurácia de 98% e revocação de 100% para a classe fogo, garantindo que nenhum caso de incêndio passasse despercebido. Os resultados confirmam a robustez e a leveza da solução, que se mostra adequada para integração em dispositivos embarcados e aplicações de alerta precoce. Apontam-se, como trabalhos futuros, a expansão das bases de dados, a redução de falsos positivos e a realização de testes em cenários de campo para validação prática.