Dos Modelos aos Sistemas de IA: Engenharia de Inteligência Artificial para a Transformação Digital

Nesta apresentação discute-se a transição da Inteligência Artificial centrada no desenvolvimento de modelos para uma abordagem orientada à engenharia de sistemas de IA. Em particular, explora-se como os recentes avanços em modelos fundacionais estão a redefinir o papel do engenheiro de IA, exigindo competências que vão além do treino de modelos e incluem integração de sistemas, engenharia de dados, infraestrutura computacional e interação humano-sistema. A sessão aborda ainda os principais desafios associados à construção de sistemas de IA fiáveis e escaláveis em contextos reais, bem como as implicações desta mudança para a formação de engenheiros de IA.

Cátia Silva é Professora Associada (Instructional Associate Professor) no Departamento de Engenharia Eletrotécnica e de Computadores da University of Florida (EUA). A sua atividade centra-se nas áreas da Inteligência Artificial, Machine Learning, Ciência de Dados e Engenharia de Sistemas de IA, com especial ênfase na integração de fundamentos matemáticos, desenvolvimento de sistemas inteligentes e inovação pedagógica no ensino da engenharia. Coordena programas de mestrado em Sistemas de Inteligência Artificial e Ciência de Dados Aplicada, promovendo currículos que articulam rigor científico, aplicação prática e colaboração com a indústria. O seu trabalho académico e pedagógico foca-se na conceção, implementação e avaliação de sistemas de IA, bem como na formação da próxima geração de engenheiros preparados para desenvolver soluções de inteligência artificial robustas, responsáveis e com impacto real. Foi distinguida com vários prémios de excelência em ensino na University of Florida, incluindo o UF Undergraduate Teacher of the Year (2025), o UF Rising Star Award (2025), o ECE Excellence Award in Teaching (2022) e o UF IEEE & HKN Faculty of the Year (2021).

Trustworthy AI Under Constraints: From Small Language Models to Adaptive Antibiotic Treatment

This talk presents two current research directions in trustworthy and efficient AI systems for sensitive domains. The first part focuses on small language models as a practical alternative to large language models in settings where cost, energy use, privacy, local deployment, and governance are important. I will present our recent work on privacy risks in chatbots built on small language models, showing that standard template-based evaluations can underestimate personally identifiable information leakage. Our results motivate a broader view of reliability, where prompts, role formatting, decoding choices, and deployment settings are treated as part of the AI system itself. The second part introduces OptiRegi, a project that uses reinforcement learning to study optimized dynamic antibiotic dosing regimens. The goal is to explore how treatment decisions can adapt over time while balancing bacterial killing, toxicity, resistance development, and changing infection dynamics. Together, these two projects highlight a common theme: building AI systems that remain trustworthy under real-world constraints, from privacy and deployment challenges in small language models to safe and adaptive treatment optimization.

Dr. Vi Ngoc-Nha Tran é Professora Associada de Ciência da Computação na UiT The Arctic University of Norway e membro do grupo diretor da NORA.startup, a rede de inovação do Consórcio Norueguês de Pesquisa em Inteligência Artificial. É doutorada em Ciência da Computação pela UiT, foi investigadora visitante na Rutgers University, EUA, e recebeu uma bolsa Erasmus Mundus para um Mestrado europeu em Engenharia de Software. A sua investigação abrange aprendizagem automática, tecnologia da saúde, computação de alto desempenho e computação energeticamente eficiente. Atualmente lidera dois projetos como investigadora principal: um projeto financiado pela UiT sobre modelos de linguagem pequenos e fiáveis para domínios regulados, e o OptiRegi, um projeto financiado pelo Conselho de Investigação da Noruega sobre dosagem dinâmica otimizada de antibióticos através de aprendizagem por reforço.