IA360

Este trabalho apresenta uma plataforma inteligente para criação, aplicação e correção automatizada de avaliações de múltipla escolha. A solução integra Engenharia de Software e visão computacional para reduzir o tempo de correção, padronizar avaliações e melhorar o feedback. O sistema utiliza arquitetura cliente-servidor com módulos de banco de questões, geração de provas, correção por OMR e relatórios. O módulo de correção, implementado com OpenCV, apresentou desempenho satisfatório em testes preliminares. A plataforma também permite o compartilhamento de questões entre docentes. Como trabalhos futuros, prevê-se validação com usuários e uso de IA para questões discursivas e geração adaptativa de provas.

Este relato técnico descreve o uso de inteligência artificial generativa na adaptação de exercícios de cálculos farmacêuticos para uma estudante com discalculia em um curso de Farmácia. As atividades foram reorganizadas em etapas sequenciais, com explicitação de dados e fórmulas, por meio de um processo iterativo conduzido pelo docente com apoio do ChatGPT, resultando em um padrão estruturado de resolução. A aplicação das adaptações promoveu maior autonomia da estudante, redução de erros e melhora no desempenho acadêmico, evidenciando o potencial da inteligência artificial como ferramenta de apoio à educação inclusiva.

O avanço da tecnologia tem impulsionado a geração de dados, isso tornou obrigatório a evolução em seu processamento. Nesse contexto, as arquiteturas de dados surgem para garantir como eles serão processados.
Com a crescente necessidade no processamento de dados das empresas e instituições mantendo a confiabilidade e a escalabilidade, compreender a diferença entre diversas arquiteturas se torna essencial. Nessa perspectiva, destacam-se duas arquiteturas, a Lambda e a Kappa. A primeira com implementação mais fácil no curto prazo mas com aumento de complexidade devido ao aumento na quantidade de dados. A segunda, mais difícil de implementar mas com menos problemas de escalabilidade.
Diante disso, o problema de pesquisa é: quais as principais diferenças entre as arquiteturas Lambda e Kappa e como suas características influenciam a escolha da solução mais adequada para diferentes contextos de processamento de dados?
O objetivo geral deste trabalho foi analisar as arquiteturas Lambda e Kappa, identificando vantagens e limitações. Como método optou-se pela revisão bibliográfica sistemática.

Este estudo apresenta a ANONIMIZADO, uma biblioteca Python para pré-processamento de Processamento de Linguagem Natural. O trabalho aborda o problema da fragmentação e do ruído na ingestão de textos de fontes heterogêneas. Através de uma arquitetura modular a biblioteca oferece um pipeline unificado para limpeza, identificação de idioma por parágrafo e normalização. A principal contribuição reside na ampliação da rastreabilidade e auditabilidade em fluxos de processamento através de relatórios de evidências e gerenciamento dinâmico de modelos linguísticos.

Este trabalho apresenta um sistema de IA voltado à prevenção da
violência contra a mulher em ambientes de lazer, fundamentado no Projeto de
Lei Municipal nº 030/2026 de Toledo/PR. A solução utiliza visão computacional
e OCR via Google Cloud Vision para a extração automatizada de dados de do
cumentos (CNH e medidas protetivas), permitindo o cruzamento de informações
em tempo real. Desenvolvido com Python, FastAPI e PostgreSQL, o sistema va
lidou a viabilidade técnica da identificação automatizada de riscos, conferindo
eficiência à aplicação da legislação. Resultados preliminares indicam maior
segurança operacional, com previsões de evolução para reconhecimento facial,
sob as diretrizes da LGPD.

Este artigo relata a experiência de evolução do SARA (Sistema de
Avaliação e Revisão de Artigos), plataforma web para gestão de eventos científicos e revisão por pares double-blind, partindo de um protótipo construído
em um hackathon de 24 horas rumo a um sistema orientado à produção. O
principal desafio foi a expressiva dívida técnica acumulada durante a prototipação acelerada, incluindo inconsistências arquiteturais, falhas de autenticação,
ausência de notificações automatizadas e documentação escassa. Descreve-se
como agentes de codificação baseados em Modelos de Linguagem de Grande
Escala, especificamente Claude Code (com o modelo Claude Sonnet 4.6) e
OpenCode (com o modelo Kimi K2), foram adotados de forma sistemática como
aliados no esforço de modernização, apoiando geração de documentação, diagnóstico de dívida técnica, planejamento de issues, refatoração de código e
criação de testes. Resultados parciais apontam ganhos em velocidade de desenvolvimento, qualidade de planejamento e descoberta de defeitos, bem como
limitações práticas que exigem supervisão humana.

Identificar componentes propensos a mudanças é essencial para reduzir custos de manutenção de software. Abordagens tradicionais de Machine Learning utilizam métricas estruturais, evolutivas e baseadas em code smells em sua maioria, mas possuem limitações na captura semântica. Este trabalho investiga o uso de Large Language Models (LLMs) para predição de change-proneness com aprendizado em contexto. Os resultados mostram recall de 70,6% e ROC AUC de 79,1%, indicando boa capacidade discriminativa, apesar da baixa precisão (19,4%). Os achados sugerem que LLMs são promissores para priorização de componentes críticos.

Este artigo revisa o Model Context Protocol (MCP), lançado pela Anthropic em novembro de 2024, que padroniza a comunicação entre grandes modelos de linguagem (LLMs) e ferramentas externas via JSON-RPC 2.0, reduzindo o problema N×M para O(N+M). O artigo analisa a arquitetura do MCP, o laço agêntico baseado no paradigma ReAct, os desafios de segurança de 2025 e a adoção pelo ecossistema. Os resultados indicam que o MCP transforma modelos isolados em agentes cognitivos interoperáveis, viabilizando fluxos de trabalho complexos em sistemas heterogêneos.

Este estudo compara Modelos de Linguagem de Grande Escala (LLMs) na tradução Guarani-Português, expandindo análises sobre Phi-2, Phi-3-mini e TinyLLaMA. Utilizaram-se corpus de 719 e 31.208 pares paralelos, integrando bases públicas. Foram testadas três configurações de NLLB-200-distilled-600M e TinyLLaMA com fine-tuning LoRA, avaliadas por BLEU, ROUGE-L, BERTScore e Fuzzy Matching. O NLLB-200 com corpus ampliado atingiu BLEU de 0,2107, superando os 0,170 do Phi-3-mini e 0,151 do TinyLLaMA de estudos prévios. Os resultados demonstram que modelos especializados em tradução multilíngue, somados à ampliação de dados, garantem desempenho superior para línguas de baixo recurso.

Este trabalho investiga o uso de redes neurais convolucionais na classificação automática da retinopatia diabética a partir de imagens de fundo de olho. A doença é uma das principais causas de cegueira evitável, o que torna o diagnóstico precoce essencial. Nesse cenário, métodos baseados em inteligência artificial podem auxiliar na triagem e ampliar o acesso a avaliações iniciais.

Para o estudo, foi utilizado o dataset APTOS 2019, que contém 3.662 imagens classificadas em diferentes níveis de gravidade. Como há desbalanceamento entre as classes, os dados foram reorganizados em três categorias (leve, médio e grave), buscando tornar o problema mais adequado tanto do ponto de vista técnico quanto clínico. Também foram aplicadas etapas de pré-processamento, como redimensionamento, normalização e aumento de dados.

Foram comparadas três arquiteturas conhecidas: ResNet50, VGG16 e EfficientNet-B0. Os modelos foram treinados com transfer learning, utilizando pesos pré-treinados e ajustando as camadas finais para o problema proposto. O treinamento foi conduzido por até 10 épocas, com uso de early stopping para reduzir o risco de overfitting. A avaliação considerou métricas como acurácia, precisão, recall e F1-score.

Os resultados mostraram que a EfficientNet-B0 apresentou o melhor desempenho geral, alcançando 90,84% de acurácia e bom equilíbrio entre as métricas. A ResNet50 também obteve resultados consistentes, enquanto a VGG16 apresentou desempenho inferior, possivelmente devido ao maior número de parâmetros.

De forma geral, os resultados indicam que modelos mais eficientes em termos de arquitetura podem trazer vantagens relevantes em cenários com dados limitados, como é comum na área médica. Assim, a EfficientNet-B0 se mostra uma alternativa promissora para sistemas de apoio à triagem de retinopatia diabética.

Este trabalho apresenta o desenvolvimento e avaliação comparativa de um sistema de triagem automatizada para Retinopatia Diabética baseado em visão computacional e Deep Learning. Três arquiteturas foram avaliadas em ciclos progressivos — EfficientNet-B0, EfficientNet-B4 e ResNet-50 —, com o melhor resultado obtido pelo ResNet-50 treinado em 143.687 imagens: Kappa Quadrático 0,8918 e AUC-ROC 0,9721. A análise de domain shift revelou queda de F1-Macro de 0,8948 para 0,3761 ao testar o modelo na distribuição epidemiológica real (No DR: 73,5%), demonstrando que acurácia em dataset balanceado não prediz generalização real. Ciclos adicionais de mitigação identificaram que regularização excessiva por acumulação causa colapso classificatório e que fine-tuning a partir de modelo pré-treinado em dados diversificados maximiza robustez inter-domínio — Kappa 0,6460 no APTOS 2019 externo, melhor resultado inter-domínio do estudo. O sistema integra CLAHE, GradCAM, API REST e interface web de triagem, com custo estimado de R$ 1.350–4.000 (3%–9% do retinógrafo convencional), alinhado ao PPA Toledo 2026/2029 e ao Programa Bons Olhos Paraná.

Este artigo apresenta uma revisão sistemática da literatura sobre o uso da Inteligência Artificial (IA) na transcrição automática e na geração estruturada de atas de reuniões. O estudo analisa avanços em Processamento de Linguagem Natural (PLN), modelos híbridos e Modelos de Linguagem de Grande Escala (LLMs), identificando lacunas relevantes, em especial na geração de documentos formais com validade institucional. A partir dessas limitações, propõe-se o sistema ReuniON, uma plataforma web integrada voltada ao contexto acadêmico. Os resultados evidenciam um trade-off entre completude semântica e concisão, além de desafios relacionados à privacidade e conformidade, reforçando a necessidade de validação humana e mecanismos robustos de governança de dados.

Este artigo apresenta um sistema para controle de presença em eventos acadêmicos, com foco na melhoria da segurança e da confiabilidade do processo. A proposta busca reduzir inconsistências e possíveis fraudes no registro de participantes, por meio da aplicação de diferentes mecanismos de verificação de identidade. O objetivo é contribuir para uma gestão mais eficiente da presença em ambientes acadêmicos, aumentando a confiabilidade das informações registradas.

Este trabalho investiga o pruning dinâmico via ativação como
estratégia de especialização de modelos de linguagem de larga escala em
domínios específicos. A abordagem estima a relevância dos componentes a partir
da magnitude e da recorrência das ativações, permitindo a remoção adaptativa
de unidades menos úteis durante a inferência. Resultados parciais com um
modelo de 1.1B parâmetros apontam taxas de poda de 30% em Direito, 25% em
Medicina e 20% em Literatura, motivando uma avaliação mais ampla sobre
qualidade das respostas, latência e eficiência computacional.

Este artigo analisa a presença de diretrizes sobre o uso de Inteligência Artificial (IA) em planos de ensino de 15 cursos de Graduação em Administração no Brasil, abrangendo IES públicas, privadas presenciais e EAD das cinco regiões. Foram examinadas 30 disciplinas de Metodologia da Pesquisa e TCC/Projeto Integrador. Os resultados indicam que 90% dos planos analisados não mencionam IA, 3,3% trazem menção vaga ("ética"), e 6,7% apresentam diretrizes técnicas, sem qualquer caso de diretriz ética formalizada. Conclui-se que existe uma lacuna crítica de governança, sugerindo-se a inclusão de cláusulas específicas sobre transparência, limites de uso, citação e sanções nos planos de ensino.

Este resumo expandido analisa a gestão da dívida técnica como uma ferramenta estratégica de geração de valor e alinhamento entre as áreas de negócios e de tecnologia. Busca-se também investigar as lacunas atuais nas ferramentas de análise e o impacto emergente da Inteligência Artificial Generativa e da segurança de software na incorporação e mitigação de dívidas técnicas estruturais.

Este artigo analisa agentes de Inteligência Artificial (IA) em contextos acadêmicos, destacando de que forma esses sistemas podem apoiar atividades (assistência à escrita, organização de conteúdo, acompanhamento da aprendizagem) sem substituir o esforço intelectual do estudante. Sintetizamos componentes centrais, planejamento, memória, integração de ferramentas e avaliação, e discutimos riscos relevantes, como geração de informação não verificada, dependência cognitiva e questões de privacidade. Como contribuição prática, propomos uma arquitetura de referência para uso educacional que incorpora controle humano, verificação de fontes e trilhas de auditoria, além de indicadores para avaliação empírica.

O presente estudo analisa o impacto da Inteligência Artificial no contexto da engenharia social, discutindo como tecnologias generativas contribuem para a sofisticação de ataques cibernéticos, como phishing automatizado e deepfakes. O trabalho evidencia a ampliação dos riscos relacionados ao vazamento de dados sensíveis e à exploração simultânea de vulnerabilidades humanas e tecnológicas. Além disso, discute os desafios crescentes na detecção dessas ameaças em ambientes digitais e destaca a necessidade de estratégias mais robustas de prevenção baseadas em segurança da informação, conscientização dos usuários e uso de tecnologias de defesa.

Este trabalho apresenta o estado atual do desenvolvimento de uma ferramenta educacional gamificada para o ensino de SQL, com foco em consultas complexas como JOINs, GROUP BY, HAVING e subconsultas. A plataforma e uma aplicação offline que utiliza elementos da cultura pop - personagens de jogos como Clash Royale, Pokemon, League of Legends e Minecraft - para engajar o publico jovem. São descritos a metodologia adotada, as decisões de arquitetura, as funcionalidades implementadas e os resultados parciais obtidos, evidenciando os avanços em relação a proposta inicial.

A técnica de Retrieval-Augmented Generation (RAG) integra recuperação de informação com modelos de linguagem natural de grande porte. No domínio jurídico, surgem desafios como a estrutura hierárquica dos documentos e o alto custo computacional causado por contexto irrelevante. Este trabalho apresenta uma revisão bibliográfica sobre estratégias para melhorar a recuperação e reduzir custos. Os resultados indicam que chunking hierárquico, embeddings adaptados ao domínio, busca híbrida e compressão de contexto são fundamentais para eficiência e precisão.

O artigo aborda os desafios de implementar agentes de linguagem em produção, como alucinações e degradação de contexto. Com base no framework CoALA, propõe uma arquitetura de dupla camada que introduz um Agente Supervisor de Memória. Este supervisor atua de forma assíncrona realizando a curadoria do contexto, consolidando experiências e detectando contradições via RAG. O objetivo é otimizar a memória e garantir um sistema mais resiliente, veloz e confiável.

O presente Relato de Técnico apresenta o NeuroIA, um sistema tecnológico desenvolvido para atuar como ferramenta de apoio aos terapeutas no acompanhamento clínico de crianças neurodivergentes (como as diagnosticadas com TEA e TDAH). Diante da alta demanda por atendimento especializado e do risco de identificação tardia na regressão de habilidades já adquiridas, a solução foi construída em torno de três módulos integrados: (1) um sistema de recomendações terapêuticas fundamentadas em evidências, utilizando Retrieval-Augmented Generation (RAG) e Large Language Models (LLMs) com validação rígida de segurança clínica; (2) um gerador automatizado de relatórios e sumários evolutivos; e (3) um detector precoce de regressão do desenvolvimento temporal, que combina análise de tendência por regressão linear e o algoritmo de detecção de anomalias Isolation Forest. A avaliação de desempenho, conduzida via simulações de Monte Carlo, demonstrou alta sensibilidade clínica: o sistema alcançou uma Taxa de Verdadeiro Positivo de 97,5% na detecção de declínios severos, mantendo a Taxa de Falsos Positivos em apenas 2,3% para pacientes estáveis. Toda a arquitetura foi desenhada nativamente para conformidade com a Lei Geral de Proteção de Dados (LGPD), garantindo a anonimização de dados sensíveis e mantendo, em todas as etapas, o profissional de saúde humano como o validador e decisor final.

Apesar dos avanços em segurança da informação, ataques de engenharia social potencializados por Inteligência Artificial continuam explorando falhas nos mecanismos de detecção em ambientes corporativos. Técnicas como LLMs e deepfakes possibilitam a criação de campanhas altamente realistas e difíceis de identificar. Diante desse cenário, estratégias tradicionais de detecção mostram-se insuficientes. Este trabalho analisa as limitações dessas abordagens, com foco no fator humano e nas vulnerabilidades organizacionais. Os resultados indicam a necessidade de estratégias integradas que combinem tecnologia e conscientização para mitigar esses riscos.

Este trabalho apresenta uma análise e exploração controlada de vulnerabilidades em aplicações web, utilizando o OWASP Juice Shop como objeto de estudo. Com base nas diretrizes do OWASP Top 10 (2021), foram identificadas e exploradas falhas críticas nas categorias de Injeção de SQL, Controle de Acesso Quebrado, Cross-Site Scripting (XSS) e Configuração Incorreta de Segurança, por meio de teste de penetração black box em ambiente isolado com Docker e Kali Linux, empregando as ferramentas Burp Suite, sqlmap, Gobuster e cURL.
A motivação para este estudo parte do crescimento expressivo dos ataques a aplicações web e da recorrência de falhas elementares em sistemas em produção, conforme evidenciado pelo OWASP Top 10 (2021), que aponta o Broken Access Control como a categoria mais prevalente, presente em 94% das aplicações avaliadas. O OWASP Juice Shop, por ser uma aplicação intencionalmente vulnerável e amplamente utilizada para fins educacionais, constitui um ambiente representativo e eticamente adequado para a condução de testes ofensivos controlados.
Os testes foram estruturados em quatro fases: reconhecimento de superfícies de ataque, análise de tráfego HTTP, exploração ativa de vulnerabilidades e documentação dos achados. Na categoria de SQL Injection (A03:2021), a ausência de sanitização nos campos de entrada permitiu o contorno do mecanismo de autenticação por meio de payload clássico, além da extração completa da base de dados de usuários via sqlmap, com exposição de senhas em texto claro e hashes MD5. No Broken Access Control (A01:2021), a vulnerabilidade IDOR possibilitou acesso e modificação de dados de terceiros por manipulação de identificadores na URL, enquanto o painel administrativo mostrou-se acessível por navegação direta, sem controle de autorização no backend. O XSS persistente (A03:2021) foi identificado no campo de comentários, permitindo a injeção de scripts armazenados e executados no navegador de todos os usuários da página afetada. Por fim, a Security Misconfiguration (A05:2021) revelou listagem ativa de diretórios e endpoint de métricas exposto publicamente, facilitando o reconhecimento para ataques baseados em CVEs conhecidas.
Os resultados demonstram que vulnerabilidades amplamente documentadas permanecem exploráveis com ferramentas acessíveis, reforçando a necessidade de integração da segurança ao longo de todo o ciclo de desenvolvimento de software, conforme preconizado pelo modelo DevSecOps. Como medidas de mitigação, destacam-se o uso de consultas parametrizadas para SQL Injection, controles de autorização no servidor para Broken Access Control, sanitização de entradas e adoção de Content-Security-Policy para XSS, e restrição de endpoints sensíveis para falhas de configuração.
Discute-se ainda o potencial de técnicas de inteligência artificial na detecção e priorização automatizada de vulnerabilidades, tema de crescente relevância no contexto da segurança ofensiva e alinhado ao escopo do evento IA 360º. Conclui-se que a realização periódica de testes de penetração, combinada à adoção de práticas seguras desde as fases iniciais do desenvolvimento, é essencial para a construção de sistemas mais resilientes frente ao cenário atual de ameaças cibernéticas.

O crescimento exponencial de dados pessoais e a rápida adoção de
sistemas de Inteligência Artificial (IA) intensificaram os riscos de violação de
privacidade e discriminação algorítmica. A Lei Geral de Proteção de Dados
(LGPD, Lei n.º 13.709/2018) estabelece obrigações que impactam diretamente
como sistemas de IA coletam, processam e armazenam informações pessoais.
Este trabalho analisa a intersecção entre LGPD e IA por meio de revisão bibliográfica de 10 trabalhos selecionados, categorizados em três grupos temáticos:
impactos regulatórios sobre decisões automatizadas, privacy by design em pipelines de aprendizado de máquina e desafios de conformidade em organizações
de diferentes portes. Os resultados indicam que práticas estruturadas de Engenharia de Software, especialmente versionamento, integração contínua e testes
automatizados, correlacionam-se positivamente com o nível de conformidade à
LGPD, independentemente do porte da organização, e que estudos empíricos
com métricas objetivas de conformidade ainda são escassos no contexto brasileiro

A popularização das ferramentas de Inteligência Artificial generativa no ambiente corporativo trouxe ganhos de produtividade, mas também introduziu riscos ligados ao comportamento dos colaboradores. No Brasil, 54% dos usuários já adotam IA generativa, acima da média global de 48%, enquanto a maioria das pequenas empresas não possui políticas formais de governança. Esse cenário favorece o Shadow AI, uso não autorizado de ferramentas de IA fora do controle organizacional, que pode expor dados sensíveis e configurar infração à Lei Geral de Proteção de Dados (LGPD). Fundamentado na ISO/IEC 42001:2023, no IEEE 7002-2022 e na LGPD, este trabalho propõe um guia de boas práticas para o uso seguro de IA voltado a colaboradores de pequenas empresas brasileiras.

Este artigo identifica lacunas técnicas num sistema de missão crítica legado e propõe soluções arquiteturais focadas em Engenharia de Domínio e recursos do Java Moderno. A partir da metáfora da Dívida Técnica de Martin Fowler, diagnosticamos "bad smells" como métodos longos e duplicação de código. A proposta de modernização utiliza Records, Sealed Interfaces e padrões de projeto (Strategy e Factory) para restaurar os princípios SOLID, em especial o OCP e SRP, reduzindo o custo de manutenção a longo prazo.

A automação proporcionada pela Inteligência Artificial (IA) Generativa acelera o desenvolvimento de software, contudo, levanta preocupações sobre a confiabilidade das soluções geradas. Esta pesquisa tem como objetivo avaliar e analisar quantitativamente a recorrência de vulnerabilidades em códigos para aplicações Software as a Service (SaaS). A metodologia consistirá em um estudo experimental onde 30 cenários padronizados serão submetidos ao ChatGPT-4o e GitHub Copilot. Como resultados parciais, apresenta-se a integração teórica das métricas OWASP e CWE em um protocolo de Análise Estática (SAST).

Este trabalho apresenta um sistema para geração automatizada de dietas a partir de metas nutricionais definidas pelo usuário. O problema é tratado como uma tarefa de otimização sob restrições. Foram comparadas duas abordagens: Algoritmo Genético (GA) e Simulação de Monte Carlo (MC). A avaliação foi baseada em métricas de erro, desempenho e taxa de soluções válidas. O trabalho evidenciou diferenças relevantes entre os métodos, com o GA apresentando melhor desempenho ao longo das iterações, demonstrando evolução progressiva da qualidade das soluções.

O avanço das ferramentas de IA generativa tem gerado desafios éticos no ambiente acadêmico, especialmente pela ausência de diretrizes institucionais consolidadas. Este estudo investiga quais critérios estudantes de graduação utilizam para decidir sobre o uso ético ou não dessas ferramentas, bem como o papel da autonomia e da insegurança nesse processo. Por meio de um estudo de caso com 51 estudantes de graduação, aplicou-se um questionário misto para identificar situações de uso consideradas aceitáveis, fontes de insegurança e demandas por orientação. Os resultados indicam que 68% dos estudantes desenvolvem critérios próprios, enquanto 71% demonstram insegurança quanto à legitimidade de suas escolhas, e 84% dos alunos apontam a necessidade de diretrizes institucionais. Conclui-se que há demanda institucional por diretrizes claras, sem as quais os estudantes operam em um limbo ético.

Este estudo analisa o uso do Obsidian como uma camada de memó-
ria externa estruturada para agentes de codificação baseados em Modelos de
Linguagem. O problema investigado é o crescimento linear do histórico conver-
sacional, que aumenta o consumo de tokens e pode degradar a qualidade das
respostas em contextos longos. Metodologicamente, foi construído um protótipo
baseado em arquivos Markdown interconectados, organizados em tipos semân-
ticos e acessados por injeção seletiva de subgrafos relevantes. Os resultados
preliminares não confirmaram o cenário de redução de tokens. Ainda assim, a
abordagem demonstrou viabilidade operacional como repositório persistente e
consultável de conhecimento de projeto, indicando caminhos para refinamentos
baseados em filtragem, sumarização e controle de contexto.

A ascensão dos mercados autônomos (smart-markets) representa uma evolução significativa no varejo, impulsionada pela automação e conveniência. No entanto, a ausência de supervisão humana introduz vulnerabilidades críticas, como furtos e vandalizações, que impactam a viabilidade do modelo de negócio. Este trabalho apresenta a implementação de uma solução tecnológica para mitigar esses riscos. Ao integrar monitoramento inteligente e controle de acesso, o projeto visa reduzir perdas e fortalecer a segurança em ambientes varejistas desassistidos.

O crescimento dos diagnósticos de neurodivergência no Brasil tem ampliado a demanda por suporte especializado às famílias, evidenciando uma lacuna crítica de recursos digitais acessíveis. Este trabalho apresenta o projeto Pais Ouvindo Pais, uma plataforma web participativa voltada ao acolhimento informacional, emocional e comunitário de famílias de crianças neurodivergentes em âmbito nacional. A proposta adota o Design Thinking como metodologia central, envolvendo famílias e profissionais da saúde e educação no levantamento de requisitos, prototipagem e desenvolvimento modular. Os resultados esperados incluem uma plataforma funcional e acessível, com módulos de FAQs, grupos de apoio, agenda de eventos e repositório de materiais educativos, contribuindo para a redução do isolamento informacional dessas famílias e para a formação prática de estudantes de tecnologia.

Este trabalho apresenta o desenvolvimento do Re-Ciclagem, um jogo educativo do gênero clicker incremental, voltado ao apoio da educação ambiental. O projeto utiliza a gamificação como estratégia pedagógica baseada no “aprender fazendo”, buscando superar limitações de modelos tradicionais centrados na transmissão de informação. O referencial teórico aborda conceitos como autoeficácia ambiental, retórica procedural e os riscos da gamificação superficial. A metodologia é estruturada em três pilares: coleta de resíduos, sistema de upgrades e coleção de itens, integrando mecânicas de jogo ao aprendizado. Como resultado, foi desenvolvido um protótipo com mecânicas que incorporam conteúdos ecológicos à experiência do jogador.

O cenário da Inteligência Artificial atravessa uma transição crítica com o surgimento da Agentic AI. Ao contrário de modelos tradicionais, agentes autônomos como o OpenClaw executam operações reais em sistemas operacionais, manipulando arquivos, acionando scripts e interagindo com APIs externas sem intermediação humana. Por meio de revisão analítica dos frameworks OWASP, NIST e Microsoft, este estudo identifica os principais desafios arquiteturais e vetores de ataque da Agentic AI, sistematizando um modelo de defesa em camadas que abrange Zero Trust, sandboxing e privilégio mínimo. Os resultados indicam que a ausência de controles Zero Trust e a integração não filtrada com o sistema operacional representam os riscos estruturalmente mais significativos.

A Inteligência Artificial evoluiu rapidamente, trazendo avanços expressivos em produtividade, automação e tomada de decisões. No entanto, esse avanço introduz desafios críticos como viés algorítmico, vigilância digital, automação de desinformação, ameaças à cibersegurança e concentração de poder em grandes corporações. Este trabalho discute o “lado sombrio” da IA, os riscos e dilemas éticos decorrentes de sua adoção, com ênfase em privacidade, preconceito social, automação de tarefas maliciosas e os limites do controle humano sobre sistemas cada vez mais autônomos. A discussão é fundamentada em casos reais e desenvolvimentos atuais, demonstrando que o uso responsável e ético da IA não é opcional, mas imperativo para a sociedade.

O artigo "Sistema Inteligente para Triagem e Encaminhamento de Pacientes em Aplicações Mobile", de autoria de Jefferson Vorpagel e Caue Ribas Apolinário, propõe uma solução tecnológica para otimizar o fluxo de admissão em unidades de saúde. O problema central abordado é a ineficiência da triagem médica tradicional, cujos gargalos operacionais frequentemente resultam em longas filas de espera e encaminhamentos equivocados. Para solucionar esse cenário, os autores apresentam o modelo conceitual de um aplicativo móvel de pré-triagem fundamentado em Processamento de Linguagem Natural (PLN).

A fundamentação teórica baseia-se em três pilares: a eficácia da triagem digital para reduzir o tempo de admissão; a adoção de práticas sólidas de engenharia de software mobile, utilizando o framework multiplataforma Flutter e o padrão de arquitetura MVVM; e o uso de PLN especializado em saúde. Destaca-se a escolha da arquitetura ClinicalBERT, que, por ser pré-treinada em anotações clínicas reais, supera algoritmos genéricos na capacidade de interpretar o contexto, as equivalências e os jargões médicos.

Metodologicamente, o trabalho é estruturado como um estudo bibliográfico e descritivo que embasa a modelagem de um fluxo tecnológico direto. O sistema funciona da seguinte forma: o paciente relata seus sintomas em texto livre pelo aplicativo; os dados são enviados para uma API em FastAPI e processados pelo modelo de PLN no servidor. Após a análise, o sistema devolve uma classificação preliminar de gravidade e uma sugestão de especialidade médica, atuando como uma ferramenta de apoio à priorização, e não como um sistema diagnóstico autônomo.

A avaliação técnica do modelo demonstra que queixas detalhadas, como "dor no peito e falta de ar", são corretamente classificadas como urgência alta (ex: Cardiologia), enquanto relatos como "dor de garganta e febre baixa" indicam urgência menor (ex: Clínico Geral). Para mensurar esse desempenho, propõe-se o uso de métricas como acurácia, precisão, recall e F1-score, além do tempo de resposta da API.

Por fim, os resultados e discussões apontam para a principal limitação do sistema: a imprecisão diante de relatos muito vagos, como "estou mal". Para mitigar esse risco e garantir a segurança, o aplicativo foi projetado para intervir ativamente com perguntas complementares (sobre intensidade da dor, tempo dos sintomas e presença de febre). Conclui-se que a ferramenta viabiliza uma triagem inicial rápida e objetiva, contribuindo ativamente para a gestão de filas e a redução de erros de encaminhamento hospitalar.