Cookies
O website necessita de alguns cookies e outros recursos semelhantes para funcionar. Caso o permita, o INESC TEC irá utilizar cookies para recolher dados sobre as suas visitas, contribuindo, assim, para estatísticas agregadas que permitem melhorar o nosso serviço. Ver mais
Aceitar Rejeitar
  • Menu
Factos & Números
000
Apresentação

Laboratório de Inteligência Artificial e Apoio à Decisão

O LIAAD investiga na área estratégica de Data Science, que tem verificado um crescente interesse por todo o mundo, sendo fundamental para todas as áreas da atividade humana.

As enormes quantidades de dados recolhidos (Big Data) e a generalização de dispositivos com sensores e/ou poder de processamento oferecem cada vez mais oportunidades e desafios a cientistas e engenheiros.

Além disso, a procura por modelos complexos de apoio à decisão está a generalizar-se em áreas como negócios, saúde, ciência, governo eletrónico e e-learning, o que nos encoraja a investir em diferentes abordagens.

A nossa estratégia geral é tirar proveito do fluxo e diversificação de dados e investir em linhas de investigação que ajudarão a reduzir a lacuna entre dados recolhidos e dados úteis, oferecendo diversas soluções de modelação.

No LIAAD o trabalho científico centra-se nas seguintes áreas: machine learning, estatística, otimização e matemática.

Últimas Notícias
Ciência e Engenharia dos Computadores

As variedades linguísticas com menor peso também têm espaço na era da IA – dois artigos INESC TEC em conferência de topo provam-no

É difícil conceber muitas das tecnologias ou inovações mais recentes sem o recurso a Modelos de Linguagem (ML) ou Processamento da Linguagem Natural (PLN). A sua presença e incorporação em diversas esferas da sociedade – algumas com muita relevância, como é o caso da esfera legal ou médica – tem levantado questões (e preocupações) que acabam muitas vezes a bater na mesma parede de interrogação: estarão as tecnologias baseadas em ML a abranger todas as comunidades? Recentemente, dois artigos científicos com assinatura INESC TEC – ambos aceites no AAAI, uma conferência A* – procuraram resolver alguns dos desafios que se vislumbram nesta nova era e que impactam diretamente a língua portuguesa.

28 fevereiro 2025

Ciência e Engenharia dos Computadores

Diz-me quando procuras, dir-te-ei o que precisas. Colaboração INESC TEC-Amazon otimiza resultados dos motores de busca para datas comemorativas

A sazonalidade das pesquisas nos motores de busca pode ser um fator a considerar pelo comércio online para melhorar o posicionamento dos seus resultados. Um novo artigo-demo com assinatura INESC TEC partiu da criação de uma base de dados para apresentar a solução Occasion-aware Recommender, na tradução direta para português, um recomendador sensível ao contexto da ocasião.

26 fevereiro 2025

Ciência e Engenharia dos Computadores

INESC TEC desenvolve recursos de processamento de linguagem natural para a língua portuguesa

Expandir e construir novos recursos de processamento de linguagem natural (em inglês, Natural Language Processing - NLP) para a língua portuguesa foi o grande objetivo do projeto PTicola. Os resultados deste projeto, que incluem, por exemplo, um tradutor de inglês-português europeu e um identificador de variantes PT-BR/PT-PT, permitem responder à lacuna nos recursos de NLP disponíveis para o PT-PT, comparativamente ao PT-BR.

14 fevereiro 2025

Inteligência Artificial

A maior conferência de Machine Learning da Europa acontece no Porto e está a aceitar artigos

Chama-se ECML PKDD – ou, por extenso e em inglês European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases – e é a maior conferência da Europa na área da aprendizagem automática. Em 2025 acontece no Porto, pela mão do INESC TEC, entre 15 e 19 de setembro e a submissão de artigos está aberta até março.

09 janeiro 2025

Inteligência Artificial

“De onde vimos? Para onde vamos?” – foi assim que João Gama - um dos cientistas mais citados do mundo - se despediu da sua atividade de docência

35 anos separam o início e o fim da carreira de docente de João Gama, um dos cientistas mais citados do mundo. O investigador do INESC TEC, que deu a sua última aula a 25 de novembro, despediu-se, assim, das salas de aula da Faculdade de Economia da Universidade do Porto (FEP). O mote? “De onde vimos? Para onde vamos?” – o culminar de uma carreira académica repleta de reconhecimentos, em particular, nas áreas de Inteligência Artificial (IA) e Machine Learning.

28 novembro 2024

093

Projetos Selecionados

CitiLink

CitiLink - Enhancing municipal transparency and citizen engagement through AI: from unstructured to structured data

2025-2026

OBSERVA

Observatório de Sinais Ópticos e Vigilância Acústica

2025-2026

EnSafe

Enhancing Environmental Protection: Anomaly Detection in Waste Transportation using Network Science

2025-2026

TSP2Net

Time Series Privacy-Preserving: New Approaches via Complex Networks

2025-2026

NuClim

Nuclear observations to improve Climate research and GHG emission estimates

2024-2028

HALM

Humanitarian Accounting Logistics with Machine learning

2024-2024

AI4REALNET

AI for REAL-world NETwork operation

2023-2027

AIBOOST

Artificial intelligence for better opportunities and scientific progress towards trustworthy and human-centric digital environment

2023-2027

AzDIH

Azores Digital Innovation Hub on Tourism and Sustainability

2023-2025

PAPVI2

Previsão Avançada de Preços de Venda de Imóveis

2023-2025

PFAI4_4eD

Programa de Formação Avançada Industria 4 - 4a edição

2023-2023

StorySense

Reaching the Semantic Layers of Stories in Text

2023-2026

ATTRACT_DIH

Digital Innovation Hub for Artificial Intelligence and High-Performance Computing

2022-2025

Produtech_R3

Agenda Mobilizadora da Fileira das Tecnologias de Produção para a Reindustrialização

2022-2025

EMERITUS

Environmental crimes’ intelligence and investigation protocol based on multiple data sources

2022-2025

FAIST

Fábrica Ágil Inteligente Sustentável e Tecnológica

2022-2025

ADANET

Internet das Coisas Assistida por Drones

2022-2025

PFAI4_3ed

Programa de Formação Avançada Industria 4 - 3a edição

2022-2022

FORM_I40

Formação Indústria 4.0

2022-2022

DAnon

Supervised Deanonymization of Dark Web Traffic for Cybercrime Investigation

2022-2023

THEIA

Automated Perception Driving

2022-2023

City Analyser

An agnostic platform to analyse massive mobility patterns

2021-2023

HfPT

Health from Portugal

2021-2025

AgWearCare

Wearables para Monitorização das Condições de Trabalho no Agroflorestal

2021-2023

SADCoPQ

Sistema de Apoio à Decisão no Controlo Preditivo da Qualidade na Indústria Metalomecânica da Precisão

2021-2023

SIGIPRO

Sistema inteligente de gestão de processos habilitados espacialmente

2021-2023

DigitalBudget_VE

Aplicação computacional para orçamentação automática de postos de carregamento de VE

2021-2021

XPM

Manutenção Preditiva Explicável

2021-2024

SSPM

Student Success Prediction Model

2021-2022

OnlineAIOps

Online Artificial Intelligence for IT Operations

2021-2023

AI_Sov

AI Sovereignty

2021-2021

PORT XXI

Space Enabled Sustainable Port Services

2020-2022

Training4DS

Formação Avançada em Data Science - Altice Labs

2020-2020

PFAI4.0

Programa de Formação Avançada Industria 4.0

2020-2021

HumanE-AI-Net

HumanE AI Network

2020-2024

MetaFLow

A Meta Learning work-flow for a Low Code Platform

2020-2021

PAIQAFSR

Provision of advisory inputs and quality assurance of the final study report.

2020-2020

Continental FoF

Fábrica do Futuro da Continental Advanced Antenna

2020-2023

PAFML

Investigação e desenvolvimento para aplicação de Machine Learning a dados de pacientes com Paramiloidose

2020-2023

AIDA

Adaptive, Intelligent and Distributed Assurance Platform

2020-2023

SLSNA

Prestação de Serviços no ambito do projeto SKORR

2020-2021

MINE4HEALTH

Text mining e clinical decision-making

2020-2021

Text2Story

Extração de narrativas jornalísticas a partir de textos e sua representação numa linguagem de modelos narrativos

2019-2023

T4CDTKC

Training 4 Cotec, Digital Transformation Knowledge Challenge - Elaboração de Programa de Formação “CONHECER E COMPREENDER O DESAFIO DAS TECNOLOGIAS DE TRANSFORMAÇÃO DIGITAL”

2019-2021

PROMESSA

PROject ManagEment intellingent aSSistAnt

2019-2023

NDTECH

NDtech 4.0 - Smart and Connected - Estudo e Caderno de Encargos

2019-2019

RISKSENS

Market Risk Sensitivities

2019-2020

RAMnet

Risk Assessment for Microfinance

2019-2021

HOUSEVALUE

Estimativa de Valor de Avaliação de Imóveis

2019-2019

MLABA

Machine Learn Based Adaptive Business Assurance

2019-2019

Humane_AI

Toward AI Systems That Augment and Empower Humans by Understanding Us, our Society and the World Around Us

2019-2020

Moveo

Prestação de serviços de investigação e desenvolvimento relativos ao sistema MOVEO

2019-2019

FIN-TECH

A FINancial supervision and TECHnology compliance training programme

2019-2021

FailStopper

Deteção precoce de avarias de veículos de transporte público em ambiente operacional

2018-2021

TerraAlva

Terr@Alva

2018-2019

MDG

Modelação, dinâmica e jogos

2018-2022

NITROLIMIT

Definir os limites do ciclo do azoto nos ambientes extremos da Antártida

2018-2022

RUTE

Randtech Update and Test Environment

2018-2020

MaLPIS

Aprendizagem Automática para Deteção de Ataques e Identificação de Perfis Segurança na Internet

2018-2022

SKORR

Advancing the Frontier of Social Media Management Tools

2018-2021

FAST-manufacturing

Manufatura flexível e sustentável

2018-2022

FLOWTEE

Desenvolvimento de um programa que monitorize automaticamente os níveis de bem-estar (ou felicidade) dos funcionários, a partir de dados disponíveis online

2018-2019

MDIGIREC

Context Recommendation in Digital Marketing

2017-2018

NEXT-NET

Next generation Technologies for networked Europe

2017-2019

RECAP

Research on European Children and Adults born Preterm

2017-2021

SmartFarming

Ferramenta avançada para operacionalização da agricultura de precisão

2016-2018

PANACea

Perfis para Anomalias Consumo

2016-2019

BI4UP2

Ferramenta de Business Intelligence (BI)

2016-2017

Dynamics2

Dinâmica, optimização e modelação

2016-2019

CORAL-TOOLS

CORAL - Sustainable Ocean Exploitation: Tools and Sensors

2016-2018

MarineEye

MarinEye - A prototype for multitrophic oceanic monitoring

2015-2017

FOUREYES

TEC4Growth - RL FourEyes - Intelligence, Interaction, Immersion and Innovation for media industries

2015-2019

NanoStima-RL5

NanoSTIMA - Advanced Methodologies for Computer-Aided Detection and Diagnosis

2015-2019

iMAN

TEC4Growth - RL iMAN - Intelligence for advanced Manufacturing systems

2015-2019

NanoStima-RL3

NanoSTIMA - Health data infrastructure

2015-2019

NanoStima-RL4

NanoSTIMA - Health Data Analysis & Decision

2015-2019

SMILES

TEC4Growth - RL SMILES - Smart, Mobile, Intelligent and Large scale Sensing and analytics

2015-2019

FOTOCATGRAF

Fotocatalisadores baseados em grafeno e semicondutores para um sistema de abastecimento de água sustentável e seguro: uma tecnologia avançada para a remoção de poluentes emergentes

2015-2018

SEA

SEA-Sistema de ensino autoadaptativo

2015-2015

MAESTRA

Aprendizagem a partir de Grandes Quantidades de Dados Estruturados e Parcialmente Anotados

2014-2017

BI4UP

Ferramenta de Business Intelligence (BI)

2014-2014

SIBILA

Blocos Interativos Inteligentes para uma Melhor Aprendizagem

2013-2015

SmartManufacturing

Produção e Logística Inteligentes

2013-2015

SmartGrids

Redes Elétricas Inteligentes

2013-2015

Dynamics

Dinâmica e Aplicações

2012-2015

e-Policy

Engenharia para a avaliação do Ciclo de Vida de Decisões Políticas (ePolicy)

2011-2014

SIMULESP

Sistema para apoio à decisão da operação de redes de sub-transmissão de energia eléctrica numa situação de contingência

2011-2015

CRN

Confiança e Reputação na Negociação de Contratos Electrónicos por agentes em ambientes normativos adaptáveis

2010-2013

KDUS

Extracção de Conhecimento de Fluxos de dados distribuídos

2010-2013

Palco3.0

Sistema web inteligente de apoio à gestão de uma rede social na área da música

2008-2011

Argos

Sistema de previsão de potência eólica

2008-2012

MOREWAQ

Monitorização e Previsão de Parâmetros da Qualidade da Água

2008-2011

ORANKI

Detecção de Casos Raros usando recursos limitados

2008-2011

Equipa
Publicações

LIAAD Publicações

Ler todas as publicações

2025

Anomaly Detection in Pet Behavioural Data

Autores
Silva, I; Ribeiro, RP; Gama, J;

Publicação
MACHINE LEARNING AND PRINCIPLES AND PRACTICE OF KNOWLEDGE DISCOVERY IN DATABASES, ECML PKDD 2023, PT II

Abstract
Pet owners are increasingly becoming conscious of their pet's necessities and are paying more attention to their overall wellness. The well-being of their pets is intricately linked to their own emotional and physical well-being. Some veterinary system solutions are emerging to provide proactive healthcare options for pets. One such solution offers the continuous monitoring of a pet's activity through accelerometer tracking devices. Based on data collected by this application, in this paper, we study different time aggregation and three unsupervised machine learning techniques to identify anomalies in pet behaviour data. Specifically, three algorithms, Isolation Forest, Local Outlier Factor, and K-Nearest Neighbour, with various thresholds to differentiate between normal and abnormal events. Results conducted on ten pets (five cats and five dogs) show that the most effective approach is to use daily data divided into periods. Moreover, the Local Outlier Factor is the best algorithm for detecting anomalies when prioritizing the identification of true positives. However, it also produces a high false positive ratio.

2025

Data Science for Fighting Environmental Crime

Autores
Barbosa, M; Ribeiro, C; Gomes, F; Ribeiro, RP; Gama, J;

Publicação
MACHINE LEARNING AND PRINCIPLES AND PRACTICE OF KNOWLEDGE DISCOVERY IN DATABASES, ECML PKDD 2023, PT II

Abstract
The rise of environmental crimes has become a major concern globally as they cause significant damage to ecosystems, public health and result in economic losses. The availability of vast sensor data provides an opportunity to analyze environmental data proactively. This helps to detect irregularities and uncover potential criminal activities. This paper highlights the critical role played by machine learning (ML) and remote sensing technologies in the continuously evolving scenarios of environmental crime. By examining some case studies on detecting illegal fishing, illegal oil spills, illegal landfills, and illegal logging, we delve into the practical implementation of data-driven approaches for environmental crime detection. Our goal with this study is to provide an overview of the existing research in this area and foster the use of ML and data science techniques to enhance environmental crime detection.

2025

Parametric models for distributional data

Autores
Brito, P; Silva, APD;

Publicação
ADVANCES IN DATA ANALYSIS AND CLASSIFICATION

Abstract
We present parametric probabilistic models for numerical distributional variables. The proposed models are based on the representation of each distribution by a location measure and inter-quantile ranges, for given quantiles, thereby characterizing the underlying empirical distributions in a flexible way. Multivariate Normal distributions are assumed for the whole set of indicators, considering alternative structures of the variance-covariance matrix. For all cases, maximum likelihood estimators of the corresponding parameters are derived. This modelling allows for hypothesis testing and multivariate parametric analysis. The proposed framework is applied to Analysis of Variance and parametric Discriminant Analysis of distributional data. A simulation study examines the performance of the proposed models in classification problems under different data conditions. Applications to Internet traffic data and Portuguese official data illustrate the relevance of the proposed approach.

2025

Forecasting with Deep Learning: Beyond Average of Average of Average Performance

Autores
Cerqueira, V; Roque, L; Soares, C;

Publicação
DISCOVERY SCIENCE, DS 2024, PT I

Abstract
Accurate evaluation of forecasting models is essential for ensuring reliable predictions. Current practices for evaluating and comparing forecasting models focus on summarising performance into a single score, using metrics such as SMAPE. We hypothesize that averaging performance over all samples dilutes relevant information about the relative performance of models. Particularly, conditions in which this relative performance is different than the overall accuracy. We address this limitation by proposing a novel framework for evaluating univariate time series forecasting models from multiple perspectives, such as one-step ahead forecasting versus multi-step ahead forecasting. We show the advantages of this framework by comparing a state-of-the-art deep learning approach with classical forecasting techniques. While classical methods (e.g. ARIMA) are long-standing approaches to forecasting, deep neural networks (e.g. NHITS) have recently shown state-of-the-art forecasting performance in benchmark datasets. We conducted extensive experiments that show NHITS generally performs best, but its superiority varies with forecasting conditions. For instance, concerning the forecasting horizon, NHITS only outperforms classical approaches for multi-step ahead forecasting. Another relevant insight is that, when dealing with anomalies, NHITS is outperformed by methods such as Theta. These findings highlight the importance of evaluating forecasts from multiple dimensions.

2025

PrivateCTGAN: Adapting GAN for Privacy-Aware Tabular Data Sharing

Autores
Lopes, F; Soares, C; Cortez, P;

Publicação
MACHINE LEARNING AND PRINCIPLES AND PRACTICE OF KNOWLEDGE DISCOVERY IN DATABASES, ECML PKDD 2023, PT II

Abstract
This research addresses the challenge of generating synthetic data that resembles real-world data while preserving privacy. With privacy laws protecting sensitive information such as healthcare data, accessing sufficient training data becomes difficult, resulting in an increased difficulty in training Machine Learning models and in overall worst models. Recently, there has been an increased interest in the usage of Generative Adversarial Networks (GAN) to generate synthetic data since they enable researchers to generate more data to train their models. GANs, however, may not be suitable for privacy-sensitive data since they have no concern for the privacy of the generated data. We propose modifying the known Conditional Tabular GAN (CTGAN) model by incorporating a privacy-aware loss function, thus resulting in the Private CTGAN (PCTGAN) method. Several experiments were carried out using 10 public domain classification datasets and comparing PCTGAN with CTGAN and the state-of-the-art privacy-preserving model, the Differential Privacy CTGAN (DP-CTGAN). The results demonstrated that PCTGAN enables users to fine-tune the privacy fidelity trade-off by leveraging parameters, as well as that if desired, a higher level of privacy.

Factos & Números

14Artigos em conferências indexadas

2020

29Investigadores Séniores

2016

23Docentes do Ensino Superior

2020