Palestrante: Carlile Lavor (IMECC – UNICAMP)

Resumo: O principal problema da Geometria de Distâncias pode ser definido como um problema inverso: dadas algumas distâncias entre pares de objetos, determinar suas posições em algum espaço geométrico. Dentre inúmeras aplicações, passando por astronomia, estatística, nanotecnologia, robótica e telecomunicações, destaca-se o cálculo da estrutura 3D de moléculas de proteínas (as “moléculas da vida”), conhecido na literatura por Molecular Distance Geometry Problem (MDGP). Por conta de propriedades químicas e geométricas das proteínas, o MDGP pode ser representado por um grafo e “resolvido” por um método tipo Branch & Prune. Ao final da palestra, mostraremos a conexão entre o MDGP e a pandemia atual.

Bio: Carlile Lavor é Prof. Titular, desde 2015, do Instituto de Matemática, Estatística e Computação Científica (IMECC – UNICAMP), com graduação em Matemática (UNICAMP, 1996), doutorado em Computação (COPPE – UFRJ, 2001), pós-doutorado em Computação Quântica (LNCC, 2003) e livre-docência em Combinatória (UNICAMP, 2006). Entre 2012 e 2013, foi Chefe do Dep. de Matemática Aplicada e, entre 2015 e 2016, foi Diretor Associado do IMECC-UNICAMP. Com sua pesquisa em GEOMETRIA DE PROTEÍNAS, foi palestrante convidado em diversas instituições internacionais (com destaque para Columbia University, Duke University, École Polytechnique, IBM TJ Watson Research Center, Institut Pasteur, MIT, Princeton University e University of Cambridge) e tem experiência na área de Matemática Aplicada e Ciência da Computação, com ênfase em Geometria de Distâncias e Computação Quântica. Na 1a. edição de 2014 do periódico SIAM REVIEW, juntamente com Liberti, Maculan e Mucherino, foi ARTIGO DE CAPA, premiado como ARTIGO NOTÁVEL pela ACM COMPUTING REVIEWS, em 2015. No biênio 2018-2019, foi Presidente da Sociedade Brasileira de Matemática Aplicada e Computacional (SBMAC).

Palestrante: Serpil Sayın (Koç University’s, Istanbul, Turkey)

Resumo: The solution to a multiobjective optimization problem consists of the nondominated set that portrays all relevant trade-off information. This set is often difficult to obtain and present to a Decision Maker. Therefore it makes sense to try to identify a Decision Maker’s most preferred solution without generating the entire nondominated set; however, Decision Makers may not always be able to express their true preferences without knowing the entire trade-off landscape. Thus the representation idea suggests finding a representative subset of the nondominated set that conforms to some prespecified quality measure.

In this talk, we provide an overview of multiobjective optimization in relation to representation concepts. We then introduce two representation algorithms: one is a modification of an exact algorithm for multiobjective discrete optimization problems and the other uses a bilevel programming- based subproblem that can be applied to continuous problems. The second approach is capable of delivering a nondominated solution that comes from a given set, provided that one exits. If the Decision Maker’s preferences are known a priori, they can be used to specify the given set. Alternatively, we describe how the subproblem can be used to obtain a representation of the nondominated set when the Decision Maker’s preferences are not available. This requires a thorough search of the outcome space and the search can be facilitated by a partitioning scheme similar to the ones used in global optimization. We discuss potential application areas for representations and possibilities for further research.

Bio: Serpil Sayın earned a B.S. degree in Industrial Engineering with a double major in Mathematics at Bogaziçi University in Istanbul in 1988. In 1992, she completed her Ph.D. studies in the department of Decision and Information Sciences at the University of Florida. She worked as an assistant professor in the Faculty of Business Administration at Bilkent University until July 1996. She then joined Koç University’s College of Administrative Sciences and Economics where she currently serves as a professor within the Operations and Information Systems group.

Her current research interests are in multiple objective optimization, data mining, decision support and healthcare.

Palestrante: Leonardo Tomazeli Duarte (FCA – UNICAMP)

Resumo: A inteligência artificial (IA) ocupa atualmente papel central em muitos processos decisórios que impactam diretamente a vida das pessoas. Exemplos nesse sentido se encontram em sistemas de recomendação, intensamente utilizados em redes sociais e plataformas de compras e serviços, e também em modelos de concessão automática de benefícios, como crédito financeiro. O uso da IA na automação de tais processos suscita questões outrora pouco exploradas pelos(as) pesquisadores(as) que atuam no desenvolvimento e análise de métodos de IA. Por exemplo, é importante dispor de mecanismos de interpretabilidade, de modo que uma pessoa submetida a uma decisão tomada por um algoritmo de IA tenha acesso a algum tipo de explicação sobre quais atributos foram os mais relevantes no processo decisório, mesmo quando o modelo utilizado é complexo (e.g. rede neural). Outra questão fundamental diz respeito à propagação de vieses e preconceitos que podem estar presentes (implicitamente ou explicitamente) em bancos de dados utilizados para o treinamento do método de IA. Questões dessa sorte vêm fomentando uma nova área estudo, conhecida com IA ética. Na presente palestra, traçaremos um panorama da IA ética, com foco nas perspectivas relacionadas ao desenvolvimento metodológico. Apontaremos também desafios relevantes na área, bem como o papel da otimização, e, de modo mais geral, da comunidade da pesquisa operacional, na construção de metodologias equânimes de IA.

Bio: Leonardo Tomazeli Duarte graduou-se em Engenharia Elétrica pela Universidade Estadual de Campinas (Unicamp) (2004). É Mestre em Engenharia Elétrica pela Unicamp (2006), Doutor pelo Institut Polytechnique de Grenoble (Grenoble INP – Université Grenoble Alpes, França) (2009), e Livre-Docente pela Unicamp (2020). Atualmente, é Professor Doutor na Faculdade de Ciências Aplicadas (FCA) da Unicamp. É Senior Member do Institute of Electrical and Electronics Engineers (IEEE). Em 2016, foi professor visitante na École de Génie Industriel (Grenoble INP, França). Recebeu da UNICAMP, em 2017, o Prêmio de Reconhecimento Acadêmico “Zeferino Vaz”. É coordenador científico da trilha “Método” do Centro de Pesquisa Aplicada em Inteligência Artificial Brazilian Institute of Data Science (BI0S), recém-aprovado na chamada estratégica FAPESP/MCTI/CGI.Br e sediado na Unicamp. Atua nas áreas de aprendizado de máquina, ciência de dados e métodos de apoio à decisão multicritério.

Palestrante: Davi de Castro Reis (Loggi)

Resumo: In this talk we will draw a parallel of how our relationship with computers have evolved from regular programming to modern machine learning, and how the state of the art solutions for popular problems in the realm of logistics and in general have tagged along. In particular, we show how the techniques and solutions in Loggi have themselves mirrored that history as the company evolved, culminating in bleeding edge solutions like neural network based solutions for the classic combinatorial vehicle routing problem.

Para saber mais sobre a Loggi, acesse: loggi.com/venha.

Bio: Davi, Computer Scientist, started his career working as a developer and white hat hacker in the world of ISPs. During his MSc, working as a database and information retrieval scientist, created the RTDM algorithm, co-authored the CMPH open source library and joined Akwan, the startup that became Google Brazil. Worked ten years at Google, leading projects in Search, Mobile and Social Ads. Brought Orkut from zero revenue to profitability. Led project Google Pigeon, improving local search for billions of people. Co-founded, almost scaled and acquisold WorldSense.

In the last three years, he helped Loggi rebuild the country logistics, by recruiting an amazing team of over 200 engineers and scaling the business 30x, creating one of the largest express delivery companies in the country.

Palestrantes: Priscilla Carvalho, Andrei Garcia, Carlo Itani e Marcelo Figueiredo

Resumo: Em um mundo que está mudando mais rápido do que nunca, o propósito da EY atua como nossa “Estrela do Norte” guiando nossas mais de 260.000 pessoas – fornecendo o contexto e o significado do trabalho que fazemos todos os dias. Ajudamos os pioneiros digitais a combater a pirataria de dados; orientamos os governos nas crises de fluxo de caixa; desbloqueamos novos tratamentos médicos com análise de dados; e buscamos auditorias de alta qualidade para criar confiança nos mercados financeiros e nos negócios. Em outras palavras, trabalhar com empreendedores, empresas e países inteiros para resolver seus desafios mais urgentes. No campo da Pesquisa Operacional, temos colaboradores capacitados e credenciais importantes no tocante ao desenvolvimento de modelos de Simulação e Otimização para subsidiar a tomada de decisão em problemas práticos críticos, de forma a Construir um Mundo de Negócios Melhor. Nessa palestra apresentaremos uma visão geral da EY, cases de sucesso envolvendo aplicação de ferramentas de Pesquisa Operacional em projetos de consultoria executados em multinacionais de grande porte, focando no compartilhamento de principais desafios enfrentados e as respectivas boas práticas referentes ao desenvolvimento dos modelos. Também abriremos um canal para contratação de talentos que tenham interesse em trabalhar na área de Pesquisa Operacional da EY!

Bio: Sócia de Supply Chain: Priscilla Carvalho é Sócia da EY na área de Advisory, com foco em Supply Chain e Operações, com 20 anos de experiência trabalhando em
consultoria, 3PL e 4PL. Em operador logístico, atuou no seguimento automotivo tanto em operações de transporte (inbound e outbound) como de armazenagem. Foi responsável por uma unidade de negócios focada no desenvolvimento de TMS SaaS e prestação de serviços de Torre de Controle para diversos clientes. Já em consultoria, atuou em diversos projetos de planejamento e operações de transporte e armazenagem com grande foco em otimização de redes de distribuição e atualmente lidera a prática de Logística na EY desenvolvendo projetos de otimização da cadeia usando Advanced Analytics. Priscilla possui MBA em Gestão de Negócios Internacionais na Business School of São Paulo e Universidade de Toronto.

Bio: Sócio de Advanced Analytics: Andrei Garcia possui mais de 18 anos de experiência na área de tecnologia, é especialista em Advanced Analytics e soluções digitais. Atualmente é o sócio líder pela prática de Advanced Analytics da linha de serviço de consultoria da EY Brasil. Andrei vem liderando compromissos e iniciativas prioritárias de empresas de grande porte listados na Fortune 500 com amplo uso de tecnologia emergente e inovação. Seu conhecimento de setores é bem diversificada, tais como: mineração, saúde, telecom, mídia & entretenimento, esportes, dentre outros. Andrei possui MBI pela PUC Rio e MBA em Gestão de Negócio pelo Ibmec. Andrei é o autor do artigo Extração de Associações em Bases de Dados de Varejo publicado XXXVIII Simpósio Brasileiro de Pesquisa Operacional (SBPO) em 2006, Goiânia – GO.

Bio: Diretor de Supply Chain: Carlo atua como Executive Director e especialista em Logística na prática de Consultoria em Supply Chain & Operations da EY. Possui 20 anos de experiência em Excelência Operacional, Logística, Integrated Business Planning, Reengenharia de Processos, Procurement e grandes projetos de transformação em empresas multinacionais no Brasil e no exterior. Anteriormente à EY, desenvolveu carreia profissional em consultorias multinacionais e empresas de bens de consumo líderes em seus segmentos. Acumula experiência em diversos setores, com destaque para bens de consumo, varejo, farmacêutico, higiene & beleza e transportes. Carlo é bacharel em Engenharia de Produção Mecânica pela Universidade de São Paulo (Escola Politécnica).

Bio: Gerente de Advanced Analytics: Marcelo é Gerente na prática de Advanced Analytics, com mais de 10 anos de experiência trabalhando com Implementação de Modelos de Otimização como ferramentas de auxílio à tomada de decisão e em projetos Lean Seis Sigma junto a multinacionais de Healthcare, Tecnologia (Hardware e Mobile), Transporte e Logística, Siderurgia, entre outros. Obtenção de excelência operacional por meio do desenvolvimento de modelos para subsidiar a tomada de decisão estratégica em processos críticos, tais como: Alocação de pedidos com foco em redução de custos logísticos e maximização de receita; Balanceamento de capacidade de ativos entre CD’s. Marcelo tem MBA em Gestão da Produção e é doutorando em Eng de Produção com foco em Pesquisa Operacional pela UNESP.

Palestrante: Fernando José Von Zuben

Resumo: Esta apresentação se inicia com uma breve exposição das principais teorias imunológicas que sustentam a concepção de sistemas imunológicos artificiais. Em seguida, são evidenciadas as razões pelas quais meta-heurísticas de otimização, não restritas a propostas imuno-inspiradas, exercem e continuarão a exercer um papel relevante na busca de soluções para problemas práticos contemporâneos. As etapas fundamentais do projeto computacional de meta-heurísticas imuno-inspiradas para otimização em espaços discretos e contínuos são então descritas. Após uma análise comparativa conceitual com outras meta-heurísticas de otimização, serão apresentados exemplos de algoritmos imuno-inspirados voltados para otimização em espaços discretos e contínuos, com ênfase em otimização multimodal, otimização multiobjetivo e otimização dinâmica. Casos de estudo de interesse prático ilustram o potencial e a versatilidade das técnicas de otimização imuno-inspiradas. Por fim, perspectivas futuras para a área de pesquisa são sugeridas.

Bio: Fernando José Von Zuben é Professor Titular da Faculdade de Engenharia Elétrica e de Computação (FEEC/Unicamp). Desenvolve pesquisa na linha de Inteligência Artificial há 30 anos, tendo como principais tópicos de sua pesquisa inteligência computacional, computação bioinspirada, análise multivariada de dados e aprendizado de máquina. Coordena projetos de pesquisa avançados nas áreas de tecnologia da informação, tomada de decisão multicritério e aprendizado a partir de dados.

Palestrante: Ademir Constantino- UEM/PR

Resumo: O software SIGAH foi desenvolvido para auxiliar as escolas na geração de quadro de horários para professores. Este software teve sua origem em uma pesquisa de dissertação de mestrado que investigou a combinação de métodos exatos com heurística. Os métodos exatos foram utilizados para resolver subproblemas dentro de procedimentos de busca local. Os resultados foram bastante promissores, alcançando a solução ótima de alguns casos que desafiam a comunidade científica. Dessa pesquisa surgiu um algoritmo que foi implementado e passou a ser o motor de resolução do software SIGAH. O desenvolvido do SIGAH ocorreu alguns anos após o resultado dessa pesquisa e o qual foi disponibilizado para as escolas no segundo semestre de 2020 neste endereço: https://www.gpea.uem.br/sigah/. Em um período de, aproximadamente, 6 meses o software recebeu o cadastro de mais de 1000 escolas e já se encontra presente em todos os estados do Brasil. O software foi desenvolvido para web e a sua interface gráfica permite a escola se cadastrar, preencher seus dados relativos à geração de horário e, então, gerar o seu quadro de horário com o auxílio do método desenvolvido. A experiência com o software tem permitido identificar possíveis variantes do problema, além de proporcionar a criação de uma grande base de benchmark para pesquisas futuras. O objetivo desta apresentação é expor o software e suas funcionalidades, as fases de sua concepção e as experiências acumuladas com a sua utilização.

Bio: Ademir Aparecido Constantino é graduado em Matemática e possui mestrado e doutorado em Engenharia de Produção com ênfase em otimização. Foi pesquisador visitante de pós-doutorado no Departamento de Ciência da Computação da Universidade Nottingham, Inglaterra. É bolsista produtividade em desenvolvimento tecnológico e inovação do CNPq. É professor titular no Departamento de Informática da Universidade Estadual de Maringá. Sua pesquisa se concentra no desenvolvimento de algoritmos e modelos para problemas de otimização, em especial com a combinação entre métodos exatos e heurísticos aplicados em problemas de planejamento operacional.