Tecnologia. Inteligente.

Caros leitores,

esperamos que todos tenham tido um ótimo Natal e uma bela passagem de ano.

2010 é um ano promissor, e estamos preparando algumas surpresas para este blog. Aguardem.

Estamos de volta.

É notável o crescimento da quantidade de informação disponível na Web nos últimos anos. Além dos conteúdos disponibilizados por empresas de notícias, os usuários passaram a compartilhar na Web seus conhecimentos, críticas e opiniões em blogs pessoais, sites de relacionamentos, microblogs, dentre outros meios. Com esse aumento da participação dos usuários nos conteúdos da Web, surgiu também uma nova área de pesquisa relacionada ao Processamento de Linguagem Natural, chamada de Mineração de Opinião e também conhecida como Análise de Sentimento.

A Mineração de Opinião visa identificar o sentimento que os usuários apresentam a respeito de alguma entidade de interesse (um produto específico, uma empresa, um lugar, uma pessoa, dentre outros) baseado nos conteúdos divulgados na Web. O objetivo principal é permitir que um usuário obtenha um relatório contendo o que as pessoas andam dizendo sobre algum item sem precisar encontrar e ler todas as opiniões e notícias a respeito.

Existem diversas aplicações para o uso da Mineração de Opinião, sendo algumas listadas abaixo:

• análise de empresas na bolsa de valores: quem acompanha nosso Blog deve se lembrar do projeto stockmood.com, cujo objetivo é identificar o humor do mercado em relação às empresas negociadas na bolsa de valores baseado nas opiniões dos analistas, com o intuito de identificar a tendência dos preços das mesmas;

• análise de um produto: uma empresa pode ter interesse na opinião dos usuários sobre um determinado produto. Por exemplo, a Apple (ou uma concorrente) pode realizar uma mineração de opinião para saber o que as pessoas andam dizendo sobre o iPhone 3G. Esses resultados podem ser usados com o intuito de melhorar os produtos ou mesmo para identificar estratégias de marketing. Uma aplicação desse tipo chamada Sentweet foi desenvolvida aqui no Labs para classificar a opiniões postadas no microblog Twitter;

• análise de lugares: uma pessoa que vai viajar pode utilizar as opiniões de outras sobre o lugar pretendido para planejar o roteiro da viagem, evitando passeios desinteressantes;

• análise de políticos: os eleitores podem identificar qual a opinião de outros eleitores sobre um determinado candidato político;

• análise de filmes e jogos: também é possível minerar a opinião sobre filmes e jogos eletrônicos;

Basicamente, os passos envolvidos no processo de mineração de opinião são:

1. coleta de conteúdos: visa buscar na Web conteúdos sobre o item de interesse, e também identificar se esse conteúdo é relativo a um fato ou uma opinião. Fatos devem ser descartados, já que o interesse  é nas opiniões dos usuários;
2. classificação: a polaridade do conteúdo recuperado deve ser identificada. Geralmente, as polaridades usadas são positiva, negativa ou neutra;
3. sumarização dos resultados: as classificações das diversas opiniões devem ser sumarizadas para o usuário, com o intuito de facilitar o seu entendimento sobre as mesmas. Essa sumarização pode ser em forma de texto ou gráfico.

O passo de coleta dos conteúdos está relacionado com recuperação da informação. Porém, deve utilizar técnicas mais avançadas capazes de identificar se o conteúdo é uma opinião ou um fato, o que não é uma tarefa trivial. No entanto, nem todo fato deve ser descartado, já que mesmo fatos podem conter algum tipo de opinião, e vice-versa. Essa distinção é importante para se ter uma acurácia maior no passo seguinte, de classificação.

Basicamente, a etapa de classificação dos conteúdos pode ser realizada com três técnicas diferentes, que são brevemente descritas abaixo:

• aprendizagem de máquina: essa técnica requer que um conjunto de conteúdos seja previamente classificado para servir de base para o treinamento do modelo. A partir desse modelo treinado, novos conteúdos são classificados. Uma vantagem dessa abordagem é a utilização de algoritmos já consolidados e eficientes. Como desvantagens, podemos citar a necessidade do conjunto ser classificado para treinamento e que, para diferentes tópicos, diferentes conjuntos de treinamento são necessários. Por exemplo, um modelo treinado com um conjunto de conteúdos relacionados ao mercado financeiro não é adequado para classificar conteúdos sobre política;

• seleção de palavras: essa abordagem envolve avaliar as palavras dos conteúdos e identificar aquelas positivas e negativas com base em uma lista de palavras previamente selecionadas. Com isso, é possível executar algoritmos para classificar o conteúdo como positivo, negativo ou neutro. Vantagens dessa técnica são a sua simplicidade e o fato de ser desnecessário classificar documentos previamente para treinamento, como na abordagem anterior. No entanto, o conjunto de palavras positivas e negativas deve ser selecionado e deve ser específico para cada tópico;

• análise sintática: essa abordagem envolve analisar o conteúdo sintaticamente, identificando adjetivos e/ou advérbios (principalmente) que podem indicar polaridades dos textos. Como vantagem dessa abordagem, pode-se citar não ser necessário classificar previamente um conjunto de textos.   Porém, ela requer um analisador sintático eficiente e que os conteúdos sejam compostos por sentenças sintaticamente corretas.

Essas três abordagens podem ser adotadas em conjunto, formando um modelo híbrido, para tentar aumentar a acurácia da classificação.

O último passo, de sumarização dos resultados, pode ser apresentado de forma textual ou gráfica. A sumarização em forma de texto não é uma tarefa trivial, e é um tópico de pesquisa por si só. Ela envolve geração de linguagem natural com base em diversos conteúdos e existem várias propostas de pesquisadores para tal. Porém, ainda é um tópico em aberto, com várias dificuldades para serem enfrentadas. A sumarização em forma de gráfico é mais simples, e exige somente que uma forma fácil de ser lida e interpretada seja adotada.

Existem diversos desafios na área que devem ser tratados para que a mineração de opinião seja obtida com uma acurácia representativa. Várias dessas dificuldades estão relacionadas ao processamento de linguagem natural, que está diretamente  relacionado à mineração de opinião. Abaixo são descritas alguns desses desafios:

• não é trivial distinguir se um texto é opinião ou fato, e principlamente identificar em um fato se existem opiniões embutidas;
• textos podem conter sarcasmos e ironias, o que também não são fáceis de serem identificados e podem impactar os resultados;
• um texto pode referenciar mais de um item de interesse (pode citar iPhone e iPod) com opiniões diferentes sobre os itens, o que pode confundir a classificação;
• uso de pronomes para referenciar itens pode dificultar a identificação de sentenças que mencionam o item de interesse;
• textos com palavras escritas erradas e com sentenças sintaticamente mal formadas (o que é bastante comum nos Blogs e redes sociais atualmente) dificultam a busca e classificação dos mesmos;
• uso de termos do “Internetês”, como por exemplo “vc”, “fds” e “:)”, devem ser considerados no vocabulário;
• propaganda disfarçada, em que blogueiros recebem dinheiro para falar bem de alguma empresa ou produto pode impactar os resultados.

Podemos perceber que a mineração de opinião é uma tendência da web com diversas aplicações interessantes, dado o grande número de dados disponibilizados pelos usuários. Porém, não é uma tarefa trivial de ser realizada, já que envolve vários desafios como os descritos nesse post. Esperamos que um dia seja possível termos um sumário automático das opiniões divulgadas pelos diversos internautas, com uma qualidade alta para nos ajudar nas diversas tomadas de decisões sobre os mais diferentes temas.

A notícia e o mp3 com a discussão no Talk Show estão disponíveis para download em

http://ieet.org/index.php/IEET/more/ffr0809/

O programa tem cerca de 1 hora e meia e conta com a participação de Eliezer Yudkowsky, James Hughes e, claro, Ben Goertzel.

Bem no início deste blog, falamos do famoso desafio da Netflix, em que um prêmio substancial seria dado para quem conseguisse melhorar o desempenho do engine de recomendação de filmes da empresa.

E esse modelo de competição é tão bom que várias outras empresas também publicam seus “desafios” para quem quiser tentar resolver problemas não-triviais de classificação de dados multimídia. Empresas como a HP, a Accenture, a Nokia e mais tantas outras que identificam não só oportunidades de negócios como adorariam encontrar times de gente capacitada por aí. Nada mais fácil que um prêmio - que não é lá grandes coisas, alguns milhares de dólares - e visibilidade, já este um prêmio bem melhor - para atrair essas cabeças pensantes.

Um dos mapas da mina para este tipo de iniciativa é este interessante blog, da ACM Multimedia 2009 - talvez o evento acadêmico mais importante nesta área, de onde constam desafios como

1. Onde esta foto foi tirada? Pela Nokia

2. Identificação de eventos envolvendo objetos em vídeos (especialmente em câmeras de vigilância), pela Accenture

3. Particionamento automático de vídeos em elementos narrativos (e consequentemente fazer busca sobre este conteúdo), pelo Yahoo!

4. Identificação automática de gênero em vídeos, pelo Google

5. Identificação, monitoramento e análise de grandes eventos (prêmios, jogos, notícias, etc) em redes sociais, pela Current TV

dentre vários outros.

fica a dica

Já tem algum tempo, uma amiga minha que estava fazendo a pós em Usabilidade & Design de Interação pela PUC-MG me deu o toque para ficar de olho no trabalho do Koji Pereira

Parece que o trabalho dele foi em cima de interfaces multi-toque, e ele continua experimentando, agora usando o famigerado “Processing“. Prá quem não sabe, o Processing é um framework de desenvolvimento open source usado principalmente por artistas plásticos, para programar sensores, desenvolvido por gente da Estética e da Computação do MIT, aproximando então os artistas da eletrônica e da programação.

Nada mais justo numa época em que a usabilidade ganha força, com os iphones e reactables da vida.

Vale a pena ficar de olho no trabalho do Koji, e participar do recente grupo de discussão que ele criou.

Abaixo, algumas amostras de aplicações simples usando Processing.

O excelente post do Murilo sobre fluídica comentou, brevemente, sobre o uso de computação líquida para diagnósticos. Empresas inovadoras na área de saúde estão trabalhando nos chamados “labs on a chip”, que são pequenos dispositivos baseados para diagnóstico de uma ou mais doenças, em geral com base em uma pequena amostra de sangue ou saliva.

Em áreas remotas de países em desenvolvimento, dificilmente há equipamentos e profissionais de saúde com condições adequadas para o tratamento da população. Exames periódicos então, nem pensar. Por isso, muitas fatalidades são causadas por doenças facilmente tratáveis, mas que não são diagnosticadas até que seja tarde demais. Daí o investimento de pesquisadores e empresas em tecnologia que facilite e barateie o diagnóstico de doenças comuns o mais cedo possível.

A Diagnostics for All, uma startup americana criada por pesquisadores do MIT e de Harvard, criou um chip desses com diversos aspectos interessantes:

• O chip usa microfluídica para direcionar o movimento de uma amostra de sangue para diversos pontos onde reagentes químicos específicos estão depositados para o diagnóstico de cada doença. Assim, não há a necessidade de energia para execução dos testes.
• Os diagnósticos são visuais: se uma doença é detectada, um pedaço do chip muda de cor. Assim, não é preciso equipamento nem pessoal especializado para análise da amostra de sangue. O próprio paciente pode interpretar seu exame, como naqueles kits de gravidez de farmácia.
• O chip é feito de *papel comum*, o que torna sua produção muito mais barata que a de chips feitos de materiais tradicionais, e facilita seu armazenamento e distribuição em lugares remotos.

A Diagnostics for All ganhou um prêmio de inovação de US$100 mil em 2008, numa prestigiosa competição de planos de negócios organizada pelo MIT. Ah, eles são uma organização sem fins lucrativos, e foi a primeira vez que essa c0mpetição teve um vencedor desse tipo. O chip ainda não está no mercado, mas o potencial é enorme.

No meu artigo anterior falei sobre a idéia de computadores completamente mecânicos, falando um pouco da Máquina de Turing (um modelo matemático de um computador abstrato) e das Máquinas Diferencial e Analítica de Charles Babbage (inclusive sobre implementações em LEGO). Depois que publiquei me lembrei que poderia ter citado também o Mecanismo de Anticítera - então agora remeto vocês para o artigo sobre ele escrito pelo amigão Kentaro Mori.

Depois dos computadores mecânicos, no final eu prometia falar de computadores fluídicos - computadores sem partes móveis em que o fluxo de elétrons é substituído por fluidos como ar, água ou óleo, com tubos, canos e mangueiras ao invés de fios. Ao assunto, então!

Fluídica na Ficção Científica

Provavelmente o primeiro contato com de muita gente com a idéia foi assistindo ao clássico Rollerball - Os Gladiadores do Futuro (1975). No filme existe Zero, um supercomputador fluídico baseado em lógica fuzzy que armazena toda a informação de todos os livros do mundo:

Livros, livros ? Mudaram completamente. Todos foram transcritos. Toda a informação está aqui. Temos o Zero, é claro. Ele é o cérebro central, o cérebro do mundo. Mecânica de fluidos, fluídica. Ele é líquido, vê ? Suas águas tocam todo o conhecimento do mundo. [...] Ele flui por todos os nossos sistemas de armazenamento. Ele considera tudo. Tornou-se tão ambíguo hoje em dia que parece não ter certeza de nada.

Hoje em dia, mesmo sem o Zero é fácil encontrar o trecho de Rollerball em que Zero aparece (vídeo em inglês, sem legendas em português) e também o script original do filme.

Rollerball é 1975, e na época a Fluídica estava bombando - uma quantidade enorme de verbas foi investida em sua pesquisa, nos Estados Unidos (falaremos disso mais tarde) - e provavelmente por isso ela foi a tecnologia escolhida para aumentar a suspensão de descrença do filme.

Água x Elétrons

Quando estudava eletrônica (e até hoje, quando preciso explicar pra alguém) eu costumava imaginar que os elétrons se comportavam como água. Carga elétrica (em Coulombs) virava quantidade de água (em litros). A corrente (em Ampère, Coulomb por segundo) virava o fluxo de água (litros por segundo). A tensão da corrente (em Volts) é equivalente à pressão da água, e a resistência de um fio, à espessura do cano que transporta o líquido.

Uma bateria armazena energia potencial química, que causa uma diferença de potencial elétrico nos terminais (que faz com que a corrente elétrica circule). No nosso exemplo didático, temos uma caixa d’água, e a diferença de pressão entre a caixa d’água e um cano no térreo é o potencial que coloca a água nos canos em movimento (usando a energia potencial gravitacional). Quando você abre a torneira (o interruptor) a diferença de pressão (potencial) faz com que a água (elétrons) fluam da caixa d’água (pólo positivo) pelo cano (fio) até o ralo (pólo negativo / “terra”).

Pensar desse jeito torna o básico que se aprende de eletrônica e eletricidade no ensino médio algo bem concreto - a maioria das pessoas já brincou mais com mangueiras de jardim e torneiras do que com fios e baterias. Fica fácil entender porque uma tensão (pressão d’água) muito alta danifica um aparelho (ao ligar um aparelho 110V numa tomada 220V) mas uma bateria com capacidade de fornecer muita corrente não danifica aparelhos de baixo consumo (você simplesmente tem mais água na caixa d’água).

De qualquer forma, eu imaginava que esse raciocínio era só um recurso didático, e não poderia ser aplicado em nada mais sofisticado. Por exemplo, eu sempre imaginava torneiras - dispositivos mecânicos, móveis, que controlam o fluxo, da mesma forma que interruptores fazem com a corrente elétrica. Mas o mais interessante da eletrônica (pelo menos pra mim, na época) era usar a eletricidade para controlar eletricidade: usando um transistor (o amplificador mais simples que existe) uma corrente elétrica de baixa intensidade controla uma corrente elétrica muito mais forte (e.g. a corrente baixíssima induzida por um microfone controla a corrente muito mais alta consumida pelas caixas de som enormes no seu show de rock preferido).

Descobri que meu problema era fazer um transistor de água. Anos mais tarde eu iria aprender como fazer um, lendo sobre uma feira de ciências de 1962!

Os Circuitos de Água de Murray O. Meetze, Jr.

Em 1962, o estudante de segundo grau Murray O. Meetze, Jr, ganhou a Feira Nacional de Ciências de 1962, nos Estados Unidos. O projeto dele era o equivalente a uma válvula triodo a água, sem partes móveis. A válvula triodo foi aposentada há décadas; hoje em dia ninguém a usa (exceto uns poucos audiófilos, entusiastas de rádios e TVs antigos, ou interessados em aplicações muito específicas). Ela foi substituída pelo seu equivalente de estado sólido (feito apenas com metais semicondutores, sem necessidade de tubo de vidro a vácuo), o transistor.

Certa vez, completamente por acaso, eu me deparei com uma longa reportagem numa Scientific American da época, descrevendo o tabalho de Meetze. Eu fiquei maravilhado; as soluções dele eram incrivelmente simples, e com elas daria pra aumentar meu “laboratório fluídico imaginário” de uma forma que não achava que seria possível. Além do transistor, Meetze mostrava como fazer um flip-flop (ou multivibrador bi-estável) fluídico, o equivalente a um bit de memória RAM, e também um amplificador (com funcionamento igual ao de um amplificador eletrônico de som).

Depois de vários anos procurando, enquanto me preparava para escrever esse artigo eu encontrei novamente a deliciosa matéria da Scientific American. A qualidade do scan está bem baixa, mas a leitura é recomendadíssima. Uma curiosidade: a página sobre Fluídica da Wikipedia em inglês cita Murray O. Meetze como criador da válvula triodo fluídica, mas não dá referências! Vou tentar editar o post para incluir isso, mas é preciso uma correção: o próprio Meetze diz à Scientific American que a tecnologia havia sido desenvolvida pelo Diamond Ordnance Fuze Laboratories, do exército americano, mas quase tudo era confidencial na época.

Com transistores fluídicos eram possível criar portas lógicas fluídicas. Com portas lógicas e flip-flops, a única coisa que impedia a construção de um computador completamente fluídico era o tamanho ! Aliás, recentemente um estudante do MIT pôs a mão na massa e resolveu fazer algo parecido, usando - é claro - peças de LEGO! O projeto, bem simples, foi feito com fins exclusivamente didáticos - bem alinhado com o que me despertou o interesse por fluídica (e também com o trabalho de Meetze).

Ao revisar esse artigo, o Kentaro me falou de um outro tipo de computador baseado em água, o MONIAC. Ele também foi construído originalmente com fins didáticos, mas era capaz de fazer simulações bem complexas da economia do Reino Unido. O MONIAC é um computador analógico que usa quantidade de água para representar os dados, como os integradores a água da União Soviética dos anos 1930, que eram capazes de resolver equações diferenciais parciais não-homogêneas - se você sabe o que é isso vai entender a importância da coisa! Mas o MONIAC era baseado em hidráulica, não em fluídica. A diferença é que sistemas hidráulicos têm várias partes móveis, mecânicas - êmbolos, pistões, “torneiras”, etc.  - uma abordagem bem diferente da fluídica, onde só o que se move é o próprio fluido.

A Fluídica nos Anos 1960-1980

Assim como eu, muita gente ficou animadíssima com as possibilidades que a Fluídica trazia. Nos anos 1960 e 1970 computadores eletrônicos eram frágeis, caros e lentos, e a robustez e simplicidade dos circuitos fluídicos era muito atrativa. Esse entusiasmo é fica claro ao ler artigos da época, publicados em revistas como Popular Mechanics e Popular Science. O divertido é que o conteúdo integral dessas revistas está disponível on-line, gratuitamente; o Google, mesmo sem tecnologia fluídica, faz o papel do Zero de Rollerball, hoje em dia! Além disso, os artigos são extremamente acessíveis, explicando de forma bem clara o funcionamento dessa Fluídica de primeira geração.

Na época falavam-se, por exemplo, de circuitos fluídicos para controlarem o câmbio automático e a injeção de combustível em automóveis (ao invés da moderna injeção eletrônica que temos hoje), e substitutos fluídicos dos giroscópios dos sistemas de navegação pré-GPS.

Fluídica: Como Ensinaram uma Corrente de Ar a Pensar. Popular Science, junho de 1967

Controle Potência com Fluido. Popular Mechanics, julho de 1967

Mais tarde, outras aplicações envolviam aviônicos e circuitos de controle de mísseis e aviões militares; a idéia é que no caso de um ataque nuclear, o pulso eletromagnético gerado pelas bombas danificaria qualquer aparelho eletrônico, tornando impossível o vôo de caças aerodinamicamente instáveis. Caças aerodinamicamente instáveis precisam de auxílio de computador o tempo todo durante o vôo; um dos primeiros exemplos famosos foi o Grumman F-14 Tomcat, cujo ângulo das asas e outras superfícies de vôo é controlado por um dos primeiros microprocessadores eletrônicos integrados (desenvolvido secretamente antes do histórico Intel 4004).

Em 1985 a mesma Grumman investia pesadamente em sistemas fluídicos de controle de vôo, e nem tudo ficou só na especulação ou em projetos militares de pesquisa; chegaram a ser produzidos modelos do Honda Accord com esses sistemas de navegação, por exemplo.

Fluídica: Computação sem Eletrônica. Popular Science, fevereiro de 1985

Mas apesar do oba-oba a Fluídica nunca obteve o sucesso previsto, muito provavelmente por causa do avanço rápido da eletrônica. Válvulas eram caras e frágeis, mas com o advento do transistor e, mais tarde, do circuito integrado tornou-se possível o uso de eletrônica em cenários muito mais críticos e extremos, e o chão de fábrica foi um dos primeiros alvos. A velocidade dos circuitos eletrônicos - milhares ou milhões de vezes superior a dos fluídicos - foi outro fator decisivo para a tecnologia ser esquecida ou relegada a nichos muito específicos.

1990s: Microfluídica

A Fluídica clássica não cumpriu todas as promessas, mas nos anos 1990 surgiram vários produtos baseados na sua prima de menor escala, a Microfluídica. A diferença está na escala: circuitos cujos dutos são da ordem de micrômetros (e não milímetros ou centímetros) apresentam comportamentos muito diferentes, porque nessa escala efeitos antes desprezíveis como tensão superficial e fluxo laminar tornam-se importantíssimos. Essa escala menor permite, por exemplo, que construam circuitos fluídicos “digitais”, em que se manipulam não um fluxo contínuo de fluido mas minúsculas gotas individuais.

Uma das tecnologias mais populares que foram muito influenciadas pela microfluídica foram as células de combustível. Células de combustível produzem eletricidade diretamente a partir de oxidante e combustível (oxigênio e hidrogênio, na maioria das vezes), sem a necessidade da tradicional combinação de motor a explosão e gerador elétrico (como nos carros). A microfluídica é usada para controlar o fluxo de oxidante e combustível, tornando essas células muito mais eficientes.

Mas, de longe, a aplicação de microfluidica que mais me interessa são os microarrays de DNA. Microarrays são chips, produzidos por processos microfluídicos, que contém milhares de fragmentos de material genético, organizados em forma de matriz. Quando se deposita material genético nesse chip, ele identifica exatamente quais trechos de material genético - quais genes - estão ativos naquela amostra. Isso permite a criação em larga escala de perfis de expressão genética, ou seja, perfis que mostrem quais genes do DNA estão “funcionando” num determinado momento. Simplesmente saber a seqüência de genes de um organismo (o objetivo do projeto Genoma) não é tudo; é muito mais importante descobrir como esses genes interagem entre si e a dinâmica deles ao longo da vida. Doenças, atividade física e intelectual, e vários outros fatores ativam e desativam a expressão genética em questão de horas, e os microarrays permitem que se tire uma “foto” dos genes em atividade.

Aqui no Vetta Labs trabalhamos há vários anos desenvolvendo software para análise de perfis de expressão genética produzidos por experimentos com microarrays. A maior parte desse esforço é feito em conjunto com a empresa americana Biomind, e desse esforço surgiu também um projeto opensource de ferramentas de bioinformática, o OpenBiomind, cujo principal mantenedor é o amigão Lúcio “Dr. Omni” Coelho.

O Futuro: Nanofluídica

Quando reduzimos ainda mais a escala saímos da microfluídica e entramos em algo ainda mais complexo, a nanofluídica. Agora os “canos” dos circuitos fluídicos são tão pequenos que sua espessura pode ser medida em moléculas dos fluidos que passam por eles (são usados, por exemplo, nanotubos de carbono). Nessa escala a noções como viscosidade e as propriedades elétricas das moléculas envolvidas são completamente diferentes do que se observa em circuitos fluídicos e microfluídicos, produzindo efeitos extremamente interessantes, como a dupla camada elétrica produzida usando nanocapilares.

As pesquisas em nanofluídica despertam muito interesse hoje; os planos são o desenvolvimento, por exemplo, de “laboratórios em um chip”, um circuito nanofluídico e microfluídico capaz de realizar uma série de experimentos bioquímicos de forma autônoma, usando amostras reduzidíssimas de material. Esses laboratórios poderiam ser utilizados em diagnóstico de doenças, monitoramento e análise de ambientes, aplicações de segurança como detecção de armas químicas e explosivos.

A Fluídica não é mera curiosidade histórica ou recurso didático. Como a maioria das tecnologias, as previsões feitas a respeito de como ela seria utilizada se mostraram bem distantes da realidade; ao mesmo tempo, as aplicações reais desenvolvidas acabam se mostrando ainda mais fantásticas e interessantes que os sonhos dos primeiros pesquisadores.

Aqui no Vetta Labs são desenvolvidos vários projetos da Novamente, e com isso temos bastante contato com o Singularity Institute for Artificial Intelligence (SIAI). Desde o ano passado o SIAI é um participante do Google Summer of Code, um programa que paga bolsas (US$ 4000) para estudantes do mundo todo trabalharem em projetos de código aberto e software livre durante o as férias do verão americano (daí o nome).

Os estudantes são orientados por mentores ligados às  organizações participantes. No GSoC 2008 fui mentor do projeto OpenBiomind-GUI, que desenvolveu uma interface gráfica para um conjunto de ferramentas open source para bioinformática. Outro colega, Lúcio de Souza Coelho, também participou como mentor. Foi uma experiência muito interessante e gratificante.

E agora foram abertas as inscrições para o Google Summer of Code 2009! Estudantes no final da graduação e em pós-graduação podem participar, submetendo propostas baseadas nas idéias sugeridas pela organização, que incluem projetos em inteligência artificial e robótica  (OpenCog), processamento de linguagem natural (Link Grammar e RelEx), bioinformática e outros temas.

As propostas são avaliadas pelos mentores e outros membros do grupo, e as melhores são aceitas no programa. Ano passado houve 70 propostas para 11 vagas. A data limite para submissão de propostas é 3 de Abril.

A página principal do GSoC tem todas as informações necessárias:

http://socghop.appspot.com

A página do SIAI no Google Summer of Code, especificamente, é a seguinte:

http://socghop.appspot.com/org/show/google/gsoc2009/opencog

Com a urgente necessidade de corte de custos e redução de despesas, a empresa menos atenta e sem visão a médio/longo prazo tende a reduzir seus invstimentos em inovação. É necessário, porém, estar atento às práticas das maiores e melhores empresas do mercado, como mostra recente estudo da Ernst&Young. Segundo pesquisa da consultoria, dentre as mais assertivas empresas (e o que muitas vezes as diferencia), uma das áreas que menos sofre com redução nos investimentos em épocas de crise é justamente o setor de P&D (15%), só ficando atrás das atividades de Gestão de riscos (19%) e Vendas (16%).

Os executivos e empresários brasileiros precisam ficar atentos à esta questão e valorizar o investimento em inovação mais do que nunca, pois a tendência à commoditização de nossos produtos é uma ameaça real. De acordo com pesquisa da Bain & Company, 70% dos executivos tupiniquins têm em mente esta preocupação, bem acima da média mundial, de 58%; apenas 41% do empresariado brasileiro utiliza ferramentas de Inovação Colaborativa, contra 58% dos norte-americanos, o que é um dado preocupante. Tome-se principalmente como exemplo os asiáticos. Em vários países orientais, o investimento em educação e ciência levou-os de uma situação quase feudal na década de 50 a líderes atualmente em vários projetos de tecnologia e pesquisa de ponta. De acordo com o estudo, “Na região da Ásia-Pacífico, concentra-se o maior número de usuários de ´novidades´…Redução de custos é uma preocupação menos importante na Ásia, onde os produtos são baratos em comparação ao resto do mundo e os executivos são bastante focados em inovação”.

Diante destes dados, é preciso que a gestão das empresas no Brasil esteja baseada em novos modelos de cooperação e inovação, nunca perdendo de vista que as empresas com maior sucesso a longo prazo são aquelas que não abrem mão de constante investimento e pesquisa em novos produtos e serviços.

From: Jamie Cuticchia
Date: Tue, Mar 10, 2009 at 9:30 AM
Subject: CAMDA 2006

We are pleased to announce that Method of Microarray Data Analysis VI has been published.  The citation to the book is:

McConnell, P, Lim, S., and A.J. Cuticchia,  Methods of Microarray Data Analysis VI.  (Scotts Valley, California:  CreateSpace Publishing, 2009).

Thank you for your participation in the conference and your submission
to this publication.

A.  Jamie Cuticchia, PhD
Duke University Medical Center

Parabéns Biominders

O blog anda quieto, a gente sabe. É que estamos atolados de serviço.