Plataforma capaz de treinar modelos com dados distribuídos, sem compartilhar dados sensíveis, garantindo privacidade, segurança e escalabilidade.
Dados não saem da origem.
Proteção e conformidade com a LGPD e NDA.
Inteligência coletiva entre organizações
Modelos de dados mais robustos e representativos
A Flautim é voltada à validação de modelos de aprendizado federado (federated learning). Trata-se de uma abordagem inovadora que permite o treinamento de modelos com dados distribuídos, sem a necessidade de compartilhamento de dados sensíveis, garantindo maior segurança e conformidade regulatória.
A plataforma permite o treinamento de modelos de inteligência artificial diretamente nas fontes de dados, como veículos e sistemas distribuídos, sem a necessidade de centralização. Isso significa que sua empresa extrai valor dos dados mantendo privacidade, seguranca e conformidade regulatória.
A iniciativa faz parte da Linha VI – Conectividade Veicular, do programa Mover, com coordenação da Fundação de Apoio da UFMG (Fundep), A coordenação técnica é da Universidade Federal de Minas Gerais (UFMG), sob responsabilidade do FutureLab (Laboratório de Pesquisa e Inovação do DCC-UFMG).
Empresas da cadeia automotiva enfrentam desafios complexos e disponibilizam dados para prototipagem e experimentação.
A equipe da plataforma Flautim apoia na organização dos dados e na definição dos modelos mais adequados para prototipagem.
Os dados são processados e testados na plataforma Flautim, resultando na geração e validação de modelos analíticos.
As empresas passam a dispor de dados estruturados e modelos otimizados para aplicação em suas estratégias de negócio.
As Provas de Conceito (POCs) devem ser executadas por, no mínimo, uma empresa com atuação comprovada e relevante no setor automotivo e mobilidade.
Projetos que usem sensores de veículos e dispositivos móveis para monitorar o ambiente e desenvolver soluções sustentáveis voltadas à redução de impactos ambientais.
Projetos que explorem a comunicação dos veículos com seu entorno (V2V, V2P, V2X), visando criar experiências personalizadas, novos serviços e modelos de negócio.
Soluções inovadoras e replicáveis que assegurem a segurança e privacidade de dados no contexto de veículos conectados, enfrentando desafios relacionados a autenticação, controle de acesso, detecção de fraudes e ataques cibernéticos.
Projetos que utilizem tecnologias de análise de dados e inteligência artificial para implementar manutenção preditiva, permitindo diagnósticos precisos, maior disponibilidade dos veículos e redução de custos operacionais.
Seleção de casos de uso reais do setor automotivo para aplicação na plataforma, voltada à validação de modelos de aprendizado federado (federated learning)
Da eficiência energética à cibersegurança, conheça alguns exemplos de aplicações do aprendizado federado.
Modelos treinados de forma colaborativa entre veículos para otimizar calibração de motores e gerenciamento de energia, reduzindo consumo e emissões.
Treinamento coletivo de modelos para detecção de objetos, mapeamento de vias e análise de tráfego, aprimorando a inteligência dos veículos sem sem centralizar dados.
Modelos distribuídos capazes de identificar anomalias e tentativas de ataques cibernéticos, permitindo aprendizado colaborativo sobre novas ameaças em toda a frota.
Modelos federados para prever falhas de componentes, como baterias e freios, gerando diagnósticos mais precisos e inteligentes para montadoras e frotistas.
programas@fundep.com.br
futurelab@dcc.ufmg.br
programas@fundep.com.br
futurelab@dcc.ufmg.br
Envie uma mensagem: