Publicado em: 24/07/2026

Tese do PPGC conquista 1º lugar em concurso CSBC

O Programa de Pós-Graduação em Computação (PPGC) do Instituto de Informática (INF) da UFRGS conquistou um importante reconhecimento nacional durante o 46º Congresso da Sociedade Brasileira de Computação (CSBC 2026). A tese de doutorado “Sample-Efficient Multi-Task and Multi-Objective Reinforcement Learning by Combining Multiple Behaviors”, de Lucas N. Alegre, recebeu o 1º Lugar na categoria Tese de Doutorado do Concurso de Teses e Dissertações (CTD 2026).

Promovido anualmente pela Sociedade Brasileira de Computação (SBC), o CTD é uma das principais premiações da área no país. O concurso reconhece as melhores teses de doutorado e dissertações de mestrado defendidas em programas brasileiros de pós-graduação em Computação, destacando trabalhos que apresentam contribuições científicas originais, relevância acadêmica e potencial impacto para a sociedade.

Orientada pela Profa. Ana L. C. Bazzan, do Instituto de Informática da UFRGS, e coorientada pelo Prof. Bruno C. da Silva, da University of Massachusetts, a pesquisa aborda desafios fundamentais da Inteligência Artificial por meio do Aprendizado por Reforço (Reinforcement Learning).

Problemática enfrentada 

A pesquisa enfrenta alguns dos principais desafios ainda em aberto no Aprendizado por Reforço, área da Inteligência Artificial dedicada ao desenvolvimento de agentes capazes de aprender por tentativa e erro. Entre eles estão a elevada quantidade de dados normalmente necessária para o treinamento, a dificuldade de reutilizar conhecimentos adquiridos em tarefas anteriores, a otimização simultânea de múltiplos objetivos — como eficiência, segurança e desempenho — e a limitação dos modelos atuais para generalizar seu aprendizado a novos problemas.

Ao propor métodos que combinam comportamentos previamente aprendidos, o trabalho demonstra que é possível resolver novas tarefas de forma ótima sem a coleta de dados adicionais, ampliando o potencial de aplicação da IA em cenários complexos e do mundo real.

Soluções apresentadas

A tese apresenta contribuições inéditas para as áreas de Aprendizado por Reforço Multiobjetivo (Multi-Objective Reinforcement Learning – MORL) e Aprendizado por Reforço Multitarefa (Multi-Task Reinforcement Learning – MTRL), propondo métodos baseados em transferência de políticas capazes de enfrentar alguns dos principais desafios ainda em aberto na literatura científica.

Entre os resultados alcançados, destaca-se o desenvolvimento da primeira técnica de aprendizado por reforço capaz de resolver, de forma ótima e sem a necessidade de coletar novos dados, tarefas inéditas de tomada de decisão. A abordagem representa um avanço significativo para o desenvolvimento de sistemas de IA mais eficientes, robustos, escaláveis e seguros, reduzindo custos computacionais e ampliando o potencial de aplicação da tecnologia em cenários complexos do mundo real.

As contribuições desenvolvidas foram publicadas e apresentadas em três das mais prestigiadas conferências internacionais de Inteligência Artificial e Aprendizado de Máquina: International Conference on Machine Learning (ICML), International Conference on Autonomous Agents and Multiagent Systems (AAMAS) e Conference on Neural Information Processing Systems (NeurIPS).