SAP No.

ACORDO DE PARCERIA PARA PESQUISA, DESENVOLVIMENTO E INOVAÇÃO QUE ENTRE SI CELEBRAM A VALE S.A., A UFES E A FEST

SAP No.

A VALE S.A., sociedade com sede na Xxxxx xx Xxxxxxxx xx 000, xxxx 000 x xxxx 0000, Xxxxxxxx, na Cidade e Estado do Rio de Janeiro, CEP 22250-145, inscrita no CNPJ/MF sob o n° 33.592.510/0001-54, adiante denominada VALE, aqui representada por seus representantes legais infra-assinados, a UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO com sede administrativa na Av. Xxxxxxxx Xxxxxxx, n° 514, Bairro Goiabeiras, Vitória/ES, inscrita no CNPJ sob o n° 32.479.123/0001-43, adiante denominada UFES, neste ato representado por seu Reitor, Prof. Xxxxx Xxxxxx xx Xxxxx Xxxxxx, brasileiro, solteiro, portador da carteira de identidade nº 337.068 – SSP/ES, CPF nº 000.000.000-00, adiante denominada UFES, e a FUNDAÇÃO ESPÍRITO SANTANSE DE TECNOLOGIA - FEST, inscrito

no CNPJ n.º 02.980.103/0001-90, com sede na Av. Xxxxxxxx Xxxxxxx, 845 – Campus Universitário – Goiabeiras Vitória – ES – 29.061-973, neste ato representada por Xxxxxxx Xxxxxx Xxxxx, inscrito no CPF: 000.000.000-00, adiante denominada FUNDAÇÃO, ambas indistinta e individualmente denominadas “Parte” e, em conjunto, “Partes”,

Resolvem celebrar o presente Acordo de Parceria para Pesquisa, Desenvolvimento e Inovação (ACORDO), com base nas Leis 10.973/2004 e 13.243/2016 e no Decreto 9.283/2018, conforme as cláusulas e condições seguintes.

CLÁUSULA PRIMEIRA: DO OBJETO

1.1 O presente instrumento tem por objeto o desenvolvimento do projeto de pesquisa intitulado “Desenvolvimento de uma Ferramenta de Software orientada à auditoria de comunicação via Rádio” denominado “Projeto”, constante do Anexo I.

1.2 O Projeto será executado pelo Prof. Xxxxx Xxxxxx Xxxxxx Xxxxxxxx, da UFES, a seguir denominado

“pesquisador líder”.

1.2.1 A alteração do Pesquisador Líder deverá ser comunicada à VALE com 30 (trinta) dias de antecedência. A comunicação deverá estar acompanhada da indicação do novo pesquisador líder e de seu currículo Lattes, sendo certo que a VALE poderá rescindir o presente instrumento, sem quaisquer ônus, caso não concorde com a nova indicação.

1.3 Para fins de gestão de questões administrativas serão considerados gestores do ACORDO: Pela VALE: Xxxxxxxx Xxxxxxxx Xxxxxx xx Xxxxxxx; pela UFES: Xxxxx Xxxxxx Xxxxxx Xxxxxxxx e pela FUNDAÇÃO: Xxxxxx Xxxxxx Xxxxx.

1.3.1 Qualquer alteração dos dados dos gestores indicados deverá ser imediatamente comunicada, por escrito, à outra Parte, sendo que a notificação ou comunicação dirigida servirá para produzir todos os efeitos contratuais consequentes, dispensando a assinatura de aditivo.

CLÁUSULA SEGUNDA: DO CRONOGRAMA DE ATIVIDADES E DOS PRODUTOS

Este documento foi assinado eletronicamente por Xxxxx Xxxxxx xx Xxxxx Xxxxxx, Xxxxx Xxxxxxxx Xxxxxx, Xxxxxxx Xxxxxx Xxxxx, Xxxxx Xxxxxx Xxxxxx Xxxxxxxx, Xxxxx Xxxxxxx Xxxxxx, Xxxxxxxx Xxxxxxxx Xxxxxx xx Xxxxxxx e Xxxxxxx Xxxxxx Xxxxxxxx.

Para verificar as assinaturas vá ao site xxxxx://xxxx.xxxxxxxxxxxxxxxxxxx.xxx.xx e utilize o código 7B07-6196-4C04-6571.This document has been digitally signed by {signersNames} . This document has been electronically signed by Xxxxx Xxxxxx xx Xxxxx Xxxxxx, Xxxxx Xxxxxxxx Xxxxxx, Xxxxxxx Xxxxxx Xxxxx, Xxxxx Xxxxxx Xxxxxx Xxxxxxxx, Xxxxx Xxxxxxx Xxxxxx, Xxxxxxxx Xxxxxxxx Xxxxxx xx Xxxxxxx e Xxxxxxx Xxxxxx Xxxxxxxx. To verify the signatures, go to the site xxxxx://xxxx.xxxxxxxxxxxxxxxxxxx.xxx.xx and use the code 7B07-6196-4C04-6571 .

2.1 As atividades necessárias para a execução do Projeto deverão ser realizadas conforme os cronogramas e produtos constantes do Anexo I.

2.2 Eventuais alterações nos cronogramas e produtos/entregas deverão ser comunicadas à VALE e, na hipótese de atrasos, caberá ao Pesquisador Líder enviar a respectiva justificativa à VALE.

2.3 O não cumprimento ao Cronograma de Xxxxxx e Atividades, bem como a não entrega dos Produtos constantes do Anexo I no prazo acordado, poderá impactar o desembolso dos recursos pela VALE, conforme disposto no presente instrumento.

CLÁUSULA TERCEIRA: DOS RECURSOS FINANCEIROS

3.1 O valor total a ser desembolsado pela VALE à FUNDAÇÃO para execução do Projeto pela UFES é de R$ R$ 265.275,00 (duzentos e sessenta e cinco mil, duzentos e setenta e cinco reais). A FUNDAÇÃO deverá abrir conta bancária específica para o Projeto.

3.1.1 Os valores constantes da presente Xxxxxxxx já incluem as taxas administrativas da FUNDAÇÃO e os custos diretos e indiretos referentes à execução do Projeto, incluindo-se os encargos sociais e quaisquer despesas e encargos para a abertura e manutenção da conta bancária do Projeto.

3.1.2 A alteração de rubricas de despesas dependerá da prévia e expressa anuência da VALE, que poderá, ou não autorizar conforme seus critérios internos de financiamento de pesquisa, sem necessidade de Termo Aditivo, salvo na hipótese de alteração do valor do presente instrumento.

3.2 O valor será desembolsado em 02 (duas) parcelas, conforme previsto no Cronograma de Desembolso constante do Anexo I.

3.3 As parcelas serão desembolsadas pela VALE até o 30o (trigésimo) dia após o recebimento pela VALE

da documentação hábil de cobrança, conforme indicação pela VALE.

3.3.1 O pagamento da segunda estará condicionado às entregas e execução das atividades constantes do Anexo I, itens 16 e 17, previstas para o período, bem como da entrega pela FUNDAÇÃO à VALE e aprovação pela VALE da prestação de contas parcial prevista para o período, no Anexo I.

3.3.2 A não entrega pelas Partes responsáveis e/ou a não aprovação pela VALE dos relatórios e demais entregas definidas nos itens 16 e 17 do Anexo I, incluindo-se as prestações de contas, poderão ensejar a suspensão dos pagamentos pela VALE.

3.3.3 As hipóteses de suspensão de pagamento de que tratam os itens acima não estão sujeitas a qualquer correção ou incidência de encargos de mora durante o período em que a(s) obrigação(ões) que originou(aram) a suspensão permanecer(em) pendente(s) de regularização.

3.4 Na hipótese de saldo igual, ou superior a 31% (trinta e um por cento) do total já repassado pela VALE, oriundo de quaisquer das parcelas anteriores, a VALE poderá abater do valor da parcela subsequente o saldo indicado no Relatório Físico Financeiro/Prestação de Contas Parcial. O repasse futuro do valor abatido, pela VALE, dependerá de apresentação, pelo pesquisador líder, de orçamento que justifique seu repasse, ou de manifestação que indique a sua necessidade, bem como da disponibilidade de orçamento para o período solicitado.

3.5 Eventuais rendimentos financeiros oriundos da aplicação, no mercado financeiro, por força de lei, dos recursos repassados pela VALE deverão ser utilizados diretamente e exclusivamente no Projeto, ficando desde já estabelecido que a utilização dos rendimentos deverá ser previamente aprovada pela VALE.

3.6 A FUNDAÇÃO deverá manter registros claros e acessíveis acerca da utilização dos recursos para eventuais consultas solicitadas pela VALE. A VALE poderá auditar os registros, desde que previamente comunicado, com antecedência mínima de 05 (cinco) dias.

3.7 Em havendo saldo oriundo da não utilização dos recursos e seus rendimentos, a VALE poderá solicitar a sua devolução.

3.8 A FUNDAÇÃO deverá apresentar à VALE Prestação de Contas final em até 30 (trinta) dias a contar do encerramento do Projeto, acompanhada de cópia dos comprovantes de despesas.

3.9 Se por ocasião da avaliação das prestações de contas parcial ou final for identificado pela VALE o uso indevido dos recursos, a VALE poderá solicitar a imediata devolução do valor.

3.10 Todas as prestações de contas deverão estar assinadas pelo responsável por seu conteúdo na FUNDAÇÃO

e/ou na UFES e deverão estar acompanhadas de cópia dos comprovantes de despesas.

CLÁUSULA QUARTA: DAS OBRIGAÇÕES DA FUNDAÇÃO E DA UFES

4.1 Além das demais obrigações assumidas no presente ACORDO e no Anexo I, caberá à FUNDAÇÃO:

a) Administrar os recursos financeiros necessários à execução do objeto do ACORDO, zelando pelo seu melhor aproveitamento e responsabilizando-se, também, pelos recolhimentos previdenciários e fiscais dos profissionais envolvidos.

b) Providenciar os materiais e equipamentos previstos para a realização dos trabalhos, conforme orçamento e Plano de Trabalho definidos no Anexo I.

c) Zelar pela reputação das Partes, não podendo qualquer uma delas utilizar-se do nome, marca ou logomarca das outras, sem prévia e expressa anuência.

d) Xxxxxx o Projeto e seus resultados em sigilo e confidenciais, não podendo publicá-los, ou de qualquer forma torná-los públicos, antes da devida proteção conforme descrito na Cláusula Décima Primeira.

e) Cumprir com as demais obrigações estabelecidas no presente instrumento, incluindo-se a obrigação de apresentação de Prestação de Contas.

f) Responsabilizar-se por questões trabalhistas, previdenciárias e tributárias oriundas da execução do presente instrumento, incluindo-se dos serviços de terceiros a serem contratados e de todo pessoal alocado para a execução do Projeto.

g) Responsabilizar-se pela verificação da documentação necessária para comprovação das categorias dos bolsistas, incluindo-se a verificação da documentação comprobatória com vinculo dos bolsistas com a UFES para o pagamento das bolsas.

4.2 Além das demais obrigações assumidas no presente ACORDO e no Anexo I, caberá à UFES:

a) Gerenciar a execução do Projeto zelando para que sejam observados o objeto e as metas estabelecidos no Anexo I.

b) Orientar tecnicamente os trabalhos de pesquisa.

c) Promover a troca de informações com a VALE, conforme as etapas do programa de trabalho, através de reuniões de acompanhamento e/ou relatórios de progresso.

d) Prover a infraestrutura necessária para a execução do Projeto.

e) Zelar pela reputação das Partes, não podendo qualquer uma delas utilizar-se do nome, marca ou logomarca das outras, sem prévia e expressa anuência.

f) Manter o Projeto e seus resultados em sigilo e confidenciais, não podendo publicá-los, ou de qualquer forma torná-los públicos, antes da devida proteção conforme descrito na Cláusula Décima Primeira.

g) Consultar a VALE antes de aceitar qualquer apoio financeiro de qualquer outra fonte de financiamento, privada, pública ou privada associada à pública, para o desenvolvimento do Projeto, bem como acerca da participação de colaboradores de outras instituições.

h) Apresentar os Relatórios previstos no Anexo I.

i) Receber, desde que previamente informado com antecedência mínima de 15 (quinze) dias, representantes da VALE para visitas técnicas.

j) Estimular o pessoal técnico envolvido na execução do Projeto a participar de reuniões científicas, dentre outros eventos promovidos pela VALE para apresentação do Projeto, seu andamento e resultados.

k) Cumprir e fazer cumprir as regras de saúde e segurança da VALE, bem como de acesso as suas áreas.

l) Responsabilizar-se por eventuais autorizações governamentais necessárias à execução do Projeto.

CLÁUSULA QUINTA: DAS OBRIGAÇÕES DA VALE

5.1 Além das demais obrigações assumidas no presente ACORDO, caberá à VALE:

a) Acompanhar o desenvolvimento do Projeto;

b) Acompanhar o cronograma de atividades;

c) Fornecer as informações necessárias ao desenvolvimento do Projeto;

d) Efetuar o desembolso financeiro previsto no presente ACORDO, na forma definida no Anexo I;

e) Zelar pela reputação das Partes, não podendo qualquer uma delas utilizar-se do nome, marca ou logomarca das outras, sem prévia e expressa anuência;

g) Disponibilizar à UFES todas as informações e normas internas da VALE necessárias à execução do Projeto.

CLÁUSULA SEXTA: DAS DEMAIS OBRIGAÇÕES DO PESQUISADOR LÍDER E DO GESTOR DO ACORDO

6.1 Caberá ao Pesquisador Líder e ao Gestor do ACORDO a solução e encaminhamento de questões técnicas, administrativas e financeiras que surgirem durante a vigência do presente ACORDO, bem como a supervisão e gerenciamento, inclusive financeiro, d a execução dos trabalhos.

6.2 Caso a questão encaminhada não seja de competência do Pesquisador Líder, ou do Gestor do ACORDO estes deverão indicar o interlocutor competente pela UFES, pela FUNDAÇÃO e pela VALE, respectivamente.

CLÁUSULA SÉTIMA: DA VIGÊNCIA

7.1 O presente ACORDO vigorará pelo prazo de 28 (vinte e oito) meses, a partir da data de sua assinatura, extinguindo-se após o cumprimento de todas as suas obrigações, sendo certo que a cláusula de Propriedade Intelectual, terá vigência de 20 (vinte) anos e as de confidencialidade pelo prazo de 10 (dez) anos a contar do encerramento do ACORDO.

CLÁUSULA OITAVA: DAS PUBLICAÇÕES

8.1 As informações e resultados obtidos durante as atividades objeto do presente ACORDO poderão ser divulgados pela UFES, desde que previa e expressamente autorizado pela VALE.

8.2 A VALE deverá receber o resultado a ser publicado e/ou divulgado, incluindo-se teses e dissertações, 60 (sessenta) dias antes da divulgação para análise e eventual proteção dos resultados, conforme definido na Cláusula Décima Primeira.

8.3 Publicações e divulgações dos resultados deverão fazer expressa menção ao apoio da VALE ao Projeto.

CLÁUSULA NONA: DA CONFIDENCIALIDADE

9.1 As Partes comprometem-se a manter sigilo e confidencialidade, durante e após a vigência deste ACORDO de todas e quaisquer informações técnicas, comerciais, operacionais, financeiras e dos assuntos de caráter confidencial postos à disposição das Partes em decorrência execução deste ACORDO.

9.2 Será considerada Informação Confidencial, mas não limitada, qualquer informação oral ou escrita, pertencente a uma das Partes e que esteja direta ou indiretamente relacionada com estudos de viabilidade, protótipos, amostras, informações técnicas, comerciais, procedimentos de produção, processos, know-how, patentes, pedidos de patentes, métodos, desenhos, propriedade intelectual, softwares, especificações, relatórios, plano estratégico de negócios, especificações, dados, segredos de negócio e de indústria, que sejam identificados e sinalizados com “INFORMAÇÃO CONFIDENCIAL”.

9.3 Não estão incluídas nas Informações Confidenciais aquelas que:

estejam ou se tornem disponíveis ao público por outros motivos que não a divulgação pelos Partes e antes da assinatura deste ACORDO;

já estejam em poder de um dos Partes antes de ser formalmente recebida do outro Parte e, a qual a parte que já detém as informações deverá notificar a outra parte sobre tais conhecimentos;

já forem, no momento da revelação, de conhecimento da empresa e não tenham sido reveladas, pelas Partes;

a revelação for exigida por ordem judicial transitada em julgado (e neste caso somente após aviso por escrito com antecedência mínima de dois dias úteis).

9.4 Sem prejuízo de eventual indenização cabível à Parte prejudicada, o descumprimento da obrigação de confidencialidade acarretará a rescisão do presente ACORDO.

CLÁUSULA DÉCIMA: DA INFRAÇÃO DE DIREITOS DE PROPRIEDADE INDUSTRIAL E INTELECTUAL

10.1 Os direitos de terceiros protegidos pela legislação de propriedade industrial ou de direito autoral sobre materiais, máquinas, equipamentos, sistemas, dispositivos, processos, desenhos, modelos, marcas e patentes deverão ser respeitados pelas Partes.

10.2 Caberá à Parte que não observar o procedimento supra, responder pela infração dos direitos de terceiros, correndo por sua conta o pagamento de quaisquer ônus, comissões, indenizações e quaisquer outras despesas decorrentes da referida infração.

CLÁUSULA DÉCIMA-PRIMEIRA: DOS DIREITOS DE PROPRIEDADE INDUSTRIAL E INTELECTUAL E EXPLORAÇÃO DOS RESULTADOS

11.1 Cada Parte continuará sendo proprietária exclusiva das informações privilegiáveis, técnicas e tecnológicas, que já tenham sido desenvolvidas ou adquiridas antes da assinatura do presente ACORDO e que tenham sido reveladas à outra Parte por força de sua execução e responderá pela infração dos direitos de terceiros, respondendo diretamente por quaisquer reclamações, indenizações, taxas ou comissões que forem devidas.

11.2 Caberá ao Pesquisador Líder do Projeto comunicar à VALE acerca dos resultados obtidos por meio da execução do Projeto por ocasião da entrega dos Relatórios Científicos, sem prejuízo da comunicação a qualquer momento de resultados que este entender passíveis de proteção.

11.3 A UFES e a VALE serão coproprietárias dos resultados oriundos da execução do Projeto, independente de serem passíveis de proteção por meio das formas previstas na legislação nacional e/ou internacional de Propriedade Intelectual.

11.4 A Propriedade Intelectual decorrente deste ACORDO será compartilhada na proporção de 50% (cinquenta por cento) para UFES e 50% (cinquenta por cento) para VALE.

11.5 Caso a UFES, ou a VALE verifique a existência de benefício de proteção de algum resultado do Projeto por meio de segredo industrial, a Parte deverá justificar por escrito para a outra Parte o seu interesse e as vantagens de referida proteção, no prazo máximo de 60 (sessenta) dias a contar da comunicação da existência do referido resultado.

11.6 Caso as Partes optem pela proteção dos resultados por meio de segredo industrial, deverão assinar novo e específico acordo de sigilo e confidencialidade, envolvendo todos os participantes do Projeto.

11.7 A VALE e a UFES decidirão conjuntamente sobre a proteção dos resultados em âmbito nacional bem como internacional, ficando a VALE autorizada a realizar os respectivos pedidos de depósito das patentes ou registro de direitos conexos.

11.8 As despesas de depósito ou registro de pedido de proteção da propriedade intelectual, os encargos periódicos de manutenção da proteção da propriedade intelectual, bem como quaisquer encargos administrativos e judiciais no âmbito nacional e internacional serão partilhados entre os seus titulares, proporcionalmente à sua participação.

11.9 Caso a UFES ou a VALE não tenham interesse em proteger os resultados, deverão comunicar a decisão por escrito à outra Parte, ficando desde já a outra Parte autorizada a realizar os depósitos de solicitação de patentes nos países de sua escolha, em seu nome, às suas custas e aos seus benefícios. A Parte que declarar sua falta de interesse obriga-se a dar as informações necessárias para a proteção das tecnologias desenvolvidas, pela outra Parte.

11.10 Sempre que necessário a UFES e a VALE se obrigam a assinar todos os documentos exigidos para proteção dos direitos de Propriedade Intelectual, em âmbito nacional e internacional.

11.11 O UFES e a VALE definirão conjuntamente e em instrumento jurídico específico as condições para exploração comercial dos resultados obtidos por meio da execução Projeto, inclusive na hipótese de licenciamento a terceiros.

11.12 Os resultados poderão ser transferidos a terceiros, desde que em comum acordo entre a VALE e a UFES, por meio do instrumento jurídico cabível, que deverá conter cláusulas de utilização, incluindo a abrangência territorial do uso, pagamento, controle, uso de marcas e propriedade intelectual sobre aperfeiçoamentos.

11.13 Qualquer negociação envolvendo terceiros deverá ser acompanhado e autorizado pela VALE e pela UFES.

11.14 A UFES e a VALE se comprometem a informar umas às outras sobre a existência de negociação que poderá resultar no licenciamento dos resultados.

11.15 Os resultados protegidos conjuntamente pela UFES e pela VALE, por meio dos instrumentos previstos na legislação nacional e internacional de propriedade intelectual, serão a seguir denominados RESULTADO PROTEGIDO.

11.16 Sobre o RESULTADO PROTEGIDO, fica desde já estabelecido que:

a) Os resultados/ganhos econômicos auferidos em eventual licenciamento para exploração comercial do RESULTADO PROTEGIDO por terceiros, serão partilhados na proporção da cotitularidade de cada titular, resguardadas as condições de licenciamento a fornecedores da VALE e de suas controladas, coligadas e afiliadas.

b) Será facultada à VALE a preferência ao licenciamento exclusivo do RESULTADO PROTEGIDO.

c) No caso de exploração comercial pela VALE do RESULTADO PROTEGIDO, ou de emprego do RESULTADO PROTEGIDO em suas próprias atividades, com ou sem exclusividade, deverá ser prevista remuneração à UFES, por qualquer período de tempo, no limite e forma previstos no item “d” abaixo.

d) Xxxx a VALE venha usar, explorar, ou empregar o RESULTADO PROTEGIDO em suas próprias atividades, com ou sem exclusividade, será pago à UFES prêmio único, podendo ser parcelado, no montante correspondente ao resultado da valoração da tecnologia, a ser calculada pelas Partes, ou por terceiro especialista, contratado e custeado em parcelas iguais pela UFES e pela VALE.

d.1) A definição do valor final do prêmio, em instrumento jurídico próprio, dependerá do resultado final da valoração da tecnologia, bem como de análise de critérios a serem estabelecidos pelas Partes, tais como projeção do período para uso do RESULTADO PROTEGIDO, exclusividade, território e operações e áreas da VALE e/ou da UFES, custo da VALE para construção de planta interna, para uso próprio e de suas controladas, afiliadas e coligadas e custo

de produção e aplicação do RESULTADO PROTEGIDO em áreas da VALE nas quais haverá aplicação, o uso pela UFES em suas áreas, a estrutura de planta de produção eventualmente já instalada na UFES, custeada pela VALE, valor investido pela VALE no Projeto e em testes, custos com a proteção dos resultados, dentre outros fatores.

d.2) Quando necessária, a contratação de terceiro especializado para valoração do RESULTADO PROTEGIDO deverá ser acordada entre a UFES e a VALE em até 60 (sessenta) dias do comunicado pela VALE à UFES, do interesse da VALE no uso e/ou produção em suas áreas do RESULTADO PROTEGIDO.

d.3) Os custos de contratação serão divididos em partes iguais, comprometendo-se UFES e

VALE a fornecerem todas as informações necessárias para os trabalhos.

d.4) Após a conclusão do trabalho de valoração, a VALE poderá se reservar o direito de não efetuar o pagamento do prêmio, conforme seus critérios e estratégias internas. Nessa hipótese, não será permitido o uso interno pela VALE, suas coligadas, afiliadas e controladas.

d.5) Após a conclusão dos serviços de valoração por terceiros, o instrumento jurídico mencionado no item d.1 deverá ser concluído e assinado pela UFES e pela VALE em até 120 (cento e vinte) dias.

d.6) Não havendo consenso, devidamente justificado e comprovado documentalmente, entre VALE e UFES acerca da contratação do terceiro especialista, ou do valor do prêmio, ou não observado o prazo previsto no item d.5, UFES e VALE poderão, mediante notificação prévia à outra Parte, usar livremente o RESULTADO PROTEGIDO, internamente, sem que nada seja devido à outra Parte. Tal disposição não inclui o licenciamento a terceiros, que deverá observar as regras abaixo.

e) O pagamento do prêmio previsto no item anterior permitirá à VALE o sublicenciamento às suas controladas, coligadas e afiliadas, sem quaisquer ônus adicionais à VALE e as suas controladas, afiliadas e coligadas.

f) O pagamento do prêmio previsto no item “d” inclui o know-how e demais informações necessárias ao uso do RESULTADO PROTEGIDO pela VALE e/ou por suas controladas, coligadas e afiliadas, cabendo ao Pesquisador Responsável enviar todas as informações necessárias para o uso do RESULTADO PROTEGIDO.

g) Na hipótese de licenciamento a terceiros, quando fornecedores da VALE e/ou da UFES, fica desde já acordado que a UFES e a VALE apenas receberão royalties, ou serão remuneradas de qualquer forma, quando a remuneração não tiver como origem a venda e/ou o fornecimento do RESULTADO PROTEGIDO à VALE, e/ou as suas afiliadas, controladas e coligadas e/ou à UFES.

g.1 Esta disposição deverá constar do licenciamento a terceiros, quando fornecedores do RESULTADO PROTEGIDO à VALE, e/ou as suas afiliadas, e/ou à UFES, não podendo impactar os acordos comerciais entre a VALE e/ou a UFES e seus fornecedores. Não será

considerada remuneração à VALE, e/ou as suas afiliadas, e/ou à UFES eventuais descontos comerciais, amostras, dentre outras disposições de caráter comercial de fornecimento, incluindo- se eventual exclusividade de fornecimento exigida pela VALE, e/ou as suas afiliadas e/ou ao UFES.

g.2 A remuneração sobre as vendas/uso/fornecimento/licenciamento do RESULTADO PROTEGIDO pelo licenciado fornecedor a terceiros, com exceção das coligadas, controladas e afiliadas da VALE, será compartilhada conforme o item “a”.

h) As condições para a exploração do know-how serão definidas pelas titulares em instrumento jurídico específico, observando o compartilhamento definido no item “a” e a disposição prevista no item “f”.

i) Será liberado o uso interno pela UFES e pela VALE em suas atividades de qualquer natureza, sem remuneração, do know-how, informações, dados e demais produtos e/ou resultados não registrados, derivados da execução do projeto, incluindo-se o uso sem remuneração por coligadas, controladas e afiliadas da VALE. O uso aqui previsto deverá levar em consideração a eventual necessidade de manutenção de sigilo das informações.

11.17 Quaisquer aperfeiçoamentos introduzidos nos resultados durante o prazo de vigência do presente ACORDO deverão ser comunicados formalmente à outra Parte, sem que caiba qualquer remuneração pela revelação do respectivo aperfeiçoamento, ficando assegurada a cotitularidade das UFES e VALE nos direitos de propriedade intelectual porventura gerados com a inovação, nas proporções definidas na Cláusula 11.4.

11.18 Caberá à UFES compartilhar com os criadores da propriedade intelectual os rendimentos, premio, “royalties” ou quaisquer outros ganhos econômicos que decorram dos resultados do presente Projeto, conforme normas internas da UFES e o estabelecido na legislação aplicável.

11.19 Na hipótese de derivações futuras sobre “software”, registrado, ou não, realizadas de forma independente pelas titulares, sem o uso de dados, recursos e informações dos negócios da outra titular, a VALE e a UFES já se comprometem, mutuamente, a tratá-las conforme estabelecido no artigo 5º, da Lei 9.609/98, autorizando uma à outra a realizar derivações sem quaisquer ônus futuros, pertencendo os direitos sobre as derivações a quem as fizer, incluindo-se sua exploração econômica.

11.20 Na hipótese de derivações, ou novos “softwares” desenvolvidos em conjunto entre as Partes, deverá ser celebrado instrumento jurídico específico, garantidas minimamente as condições do presente instrumento no que tange ao Resultado Protegido.

CLÁUSULA DÉCIMA SEGUNDA – DA RESOLUÇÃO

12.1. Sem prejuízo da satisfação de seus demais direitos, qualquer das Partes poderá resolver este ACORDO mediante comunicação por escrito à outra Parte, sem que caiba qualquer reclamação, indenização ou compensação em benefício da Parte que recebe o comunicado de resolução, nos seguintes casos:

(i) pedido ou decretação de falência ou recuperação judicial ou extrajudicial da outra Parte;

(ii) observado o disposto na Cláusula Décima Terceira, ocorrência de caso fortuito ou de força maior regularmente comprovada, que venha paralisar a execução do Projeto por mais de 60 (sessenta) dias.

(iii) fraude ou dolo.

12.2. Sem prejuízo da satisfação de seus demais direitos, a VALE poderá, a seu exclusivo critério, resolver este ACORDO, mediante prévia e expressa comunicação às demais Partes, com antecedência mínima de 30 (trinta) dias, sem que caiba às demais Partes o direito a qualquer reclamação, indenização ou compensação, seja a que título for, nos seguintes casos:

(i) descumprimento de qualquer das obrigações do ACORDO pelas demais Partes (isoladamente ou em conjunto) que deixe de ser sanado no prazo de 30 (trinta) dias após o recebimento de notificação da VALE neste sentido; e

(ii) cessão, subcontratação e/ou transferência parcial ou total para terceiros das obrigações assumidas, ou dos créditos decorrentes deste ACORDO, sem prévia e expressa autorização da VALE.

(iii) descumprimento da cláusula anticorrupção pela UFES e/ou pela FUNDAÇÃO.

12.3 Na hipótese de resolução, ou distrato, do presente instrumento, a VALE não poderá ser responsabilizada pelo pagamento de eventuais parcelas subsequentes.

CLÁUSULA DÉCIMA-TERCEIRA – CASO FORTUITO E FORÇA MAIOR

13.1. Nenhuma das Partes será responsável por descumprimento de suas obrigações contratuais em consequência de caso fortuito ou força maior, até que o impacto de tal evento cesse. A expressão caso fortuito e/ou força maior conforme usada neste ACORDO significa, com relação a qualquer Parte, eventos ou circunstâncias excepcionais que:

(i) estejam fora do controle razoável dessa Parte e afetem substancialmente o cumprimento de suas obrigações contratuais; e

(ii) essa Parte não poderia, de forma razoável, ter se preparado, prevenido, evitado ou superado tais eventos ou circunstâncias antes de celebrar o ACORDO; e

(iv) tais eventos ou circunstâncias não resultem de uma falha dessa Parte de cumprir com suas obrigações contratuais.

13.2. Constatada a ocorrência de caso fortuito e/ou de força maior, ficarão suspensas, enquanto essa perdurar, as obrigações que as Partes ficarem impedidas de cumprir.

13.3. Se um evento de caso fortuito e/ou força maior ocorrer a qualquer tempo durante a vigência deste ACORDO, a Parte que ficar impossibilitada deverá adotar os seguintes procedimentos:

(i) notificar a outra Parte sobre a ocorrência do evento o mais breve possível e, de qualquer forma, dentro de

10 (dez) dias úteis em que tenha tomado ciência do mesmo, apresentando, quando possível, uma estimativa da duração e os possíveis efeitos do evento de caso fortuito e/ou força maior com relação ao cumprimento de suas obrigações neste ACORDO.

(ii) adotar todas as medidas possíveis para remediar ou mitigar as consequências do referido evento de caso fortuito e/ou força maior, com o objetivo principal de retomar o cumprimento de suas obrigações o mais rápido possível;

(iii) notificar imediatamente e por escrito a outra Parte sobre o término ou suspensão do evento de caso fortuito e/ou força maior.

13.4. Um evento de caso fortuito e/ou força maior não deverá desonerar a Parte que ficar impossibilitada com relação às obrigações e inadimplementos ocorridos anteriormente ao evento e anteriormente ao recebimento pela Parte não afetada da notificação mencionada na Cláusula 13.3 (i) acima.

13.5. A ocorrência de um evento de caso fortuito e/ou força maior não permite qualquer reivindicação por compensação ou alteração do valor do Projeto.

CLÁUSULA DÉCIMA-QUARTA: DISPOSIÇÕES GERAIS

14.1 As notificações, comunicações ou informações entre as Partes deverão ser feitas por escrito e dirigidas ao endereço indicado no preâmbulo, a menos que outro tenha sido indicado, por escrito, mediante aviso prévio com antecedência mínima de 10 (dez) dias.

14.2 O não exercício, pelas Partes, de quaisquer dos direitos ou prerrogativas previstos neste ACORDO, ou mesmo na legislação aplicável, será tido como ato de mera liberalidade, não constituindo alteração ou novação das obrigações ora estabelecidas, cujo cumprimento poderá ser exigido a qualquer tempo, independentemente de comunicação prévia à Parte.

14.3 Este ACORDO só poderá ser alterado, incluindo-se eventual prorrogação, em quaisquer de suas disposições, mediante a celebração por escrito de Termo Aditivo, salvo as alterações que expressamente dispensarem a necessidade de Termo Aditivo.

14.4 Os casos omissos deste ACORDO serão solucionados mediante entendimento entre os contratantes e, se necessário, formalizados através de Termo Aditivo.

14.5 As Partes declaram e garantem que, em todas as suas respectivas atividades relacionadas a este Acordo, não tomaram e nem tomarão qualquer medida que viole as leis antissuborno, leis anticorrupção, leis sobre conflitos de interesses, ou outras leis, normas ou regulamentos com finalidade e efeitos semelhantes, aplicáveis a qualquer das Partes, especialmente a Lei Federal nº 12.846/2013.

Sem prejuízo do disposto na sentença anterior, as Partes não irão (e assegurarão que nenhum de seus funcionários, administradores, diretores ou agentes irá) oferecer, pagar ou fornecer (ou autorizar o pagamento ou fornecimento de), direta ou indiretamente, dinheiro ou qualquer outra coisa de valor a qualquer: (a) pessoa que trabalhe ou exerça um cargo em órgão público ou em empresa controlada direta ou indiretamente por um governo, seja ele nacional ou estrangeiro, ainda que de forma transitória ou sem remuneração; (b) empregado, diretor, representante ou qualquer pessoa agindo com capacidade oficial por ou em nome de uma autoridade governamental; (c) membro de assembleia ou comitê ou empregado envolvido no cumprimento do dever público conforme as leis e os regulamentos aplicáveis, independentemente de ter sido eleito ou nomeado, tal como vereador, deputado (federal ou estadual) ou senador; (d) funcionário do Legislativo, do Executivo ou do Judiciário, independentemente de ter sido eleito ou nomeado, tal como secretário municipal ou estadual, ministro de governo, ministro de tribunais superiores, juiz, desembargador, promotor, defensor, procurador, advogado geral da União, prefeito ou

governador; (e) funcionário ou pessoa que detenha cargo em partido político; (f ) candidato a cargo político; (g) pessoa que detenha qualquer outro cargo oficial, cerimonial ou que seja nomeada ou tenha herdado cargo em governo ou em qualquer de suas agências; (h) diretor ou empregado de organização internacional (incluindo, porém sem a esses se limitar, o Banco Mundial, as Nações Unidas, o Fundo Monetário Internacional e a Organização para a Cooperação e Desenvolvimento Econômico – OCDE);

(i) pessoa que seja ou alegue ser intermediária atuando em nome de um funcionário público ou de governo;

(j) pessoa que, ainda que não seja um funcionário público ou de governo, seja equiparada a tal em virtude de lei aplicável; ou (k) funcionário de empresa estatal ou de economia mista,

em qualquer caso acima (de “a” a “j”) com o intuito de:

influenciar qualquer ato ou decisão de tal pessoa em sua capacidade oficial; induzir tal pessoa a agir (seja por ação ou omissão) em violação de seu dever legal; obter qualquer vantagem indevida; ou

induzir tal pessoa a usar a sua influência para afetar ou influenciar qualquer ato ou decisão de uma autoridade governamental;

a fim de auxiliar qualquer Parte a obter ou reter negócios com, ou a canalizar negócios para, qualquer pessoa.

14.6 Se quaisquer das disposições do presente ACORDO forem consideradas, parcialmente ou totalmente, nulas, inválidas ou inexequíveis, tais disposições não afetarão as demais disposições ou Cláusulas deste instrumento.

14.7 É vedada à UFES a subcontratação ou cessão, total ou parcial, dos direitos e obrigações decorrentes deste ACORDO, sem a prévia e expressa autorização da VALE, ficando a VALE desde já autorizada a ceder ou transferir, no todo ou em parte, para empresas do mesmo grupo sem a prévia e expressa anuência da UFES.

14.8 A subcontratação ou cessão autorizada pela VALE não afasta nem dilui a responsabilidade da UFES pelo integral cumprimento de todas as obrigações assumidas neste ACORDO, mantendo a UFES a total responsabilidade perante a VALE pelos atos e omissões de terceiros em decorrência da subcontratação ou cessão.

14.9 A contratação ora ajustada não tem caráter exclusivo e não estabelece vínculo empregatício entre as Partes ou qualquer relação de subordinação pessoal entre seus administradores, empregados, prepostos e/ou terceiros sob a responsabilidade das Partes.

14.10 O presente ACORDO substitui todos os entendimentos anteriores havidos entre as Partes com relação ao ora pactuado, tenham sido escritos ou verbais.

CLÁUSULA DECIMA-QUINTA – DO FORO

O foro competente para dirimir dúvidas ou litígios oriundos deste ACORDO é o foro da comarca da Justiça Federal do Espírito Santo, renunciando as Partes, expressamente, a qualquer outra, por mais privilegiado que seja.

Em caso de assinatura física, o Termo será assinado em 3 (três) vias de igual teor e forma, para um só efeito. Como alternativa à assinatura física do Termo, as Partes declaram e concordam que a assinatura mencionada poderá ser efetuada em formato eletrônico. As Partes reconhecem a veracidade, autenticidade, integridade, validade e eficácia deste Termo e seus termos, incluindo seus anexos, nos termos do art. 219 do Código Civil, em formato eletrônico e/ou assinado pelas Partes por meio de certificados eletrônicos, ainda que sejam certificados eletrônicos não emitidos pela ICP-Brasil, nos termos do art. 10, § 2º, da Medida Provisória nº 2.200-2, de 24 de agosto de 2001 (“MP nº 2.200-2”).

Desenvolvimento de uma Ferramenta de Software orientada à auditoria de comunicação via Rádio

Dr. Xxxxx Xxxxxx Xxxxxx Xxxxxxxx

FORMULÁRIO DE APRESENTAÇÃO DE PROPOSTAS

[Vitoria, 13/12/2019] [1.4]

Sumário

1. Identificação 4

1.1 Dados do Proponente 4

1.2 Área da Vale 4

2. Dados do Projeto 5

3. Equipe do Projeto 5

4. Palavras Chave do Projeto 6

5. Resumo do Projeto de Pesquisa 6

6. Justificativa 6

7. Descrição do Estado da Arte 8

7.1 Grau de maturidade da tecnologia a ser desenvolvida 9

8. Objetivos 10

8.1 Gerais 10

8.2 Específicos 10

9. Metodologia de Pesquisa 10

10. Resultados Esperados 11

11. Grau de inovação do projeto 12

11.1 Justificativa do grau de inovação 12

12. Possibilidade de patenteamento 12

13. Acesso à Vale 12

14. Riscos 12

15. Relevância estratégica para Vale 13

15.1 Crescimento de Mercado – Foco em vendas 13

15.2 Redução de Custos – Foco em melhoria de processo 13

15.3 Implicações ambientais 14

15.4 Implicações em saúde e segurança 14

16. Cronograma de Atividades e Marcos 14

17. Produtos e Entregas 16

18. Referências Bibliográficas da Pesquisa 17

19. Orçamento Detalhado e Cronograma de Desembolso 19

20. Informações Adicionais 19

21. Anexos 19

22. Assinaturas 19

1. Identificação

(00) 000000000

Telefone:

( ) Mestre

( ) Especialista

( x ) Pós-Doutorado

( ) Graduado

( ) Doutor

Titulação:

Peruano

Nacionalidade:

000.000.000-00

CPF:

Xxxxx Xxxxxx Xxxxxx Xxxxxxxx

Nome do Pesquisador:

Universidade Federal de Espírito Santo - UFES

Instituição:

1.1 Dados do Proponente

Brasil

País:

29060-350

CEP:

Espírito Santo

Estado:

Vitoria

Cidade:

Xxxxxxx Xxxxxx Xxxxx 000, Xx 000, Xxxxxx Xxxxxx xx Xxxxx

Endereço:

Engenharia Eletrônica

Área de Formação/ Especialização:

Engenharia Elétrica

Departamento/ Unidade:

xxxxx.xxxxxxxx@xxxx.xx

E-mail:

(00) 000000000

Celular:

Caso o proponente não seja o coordenador do projeto, informar seus dados:

1.2 Área da Vale

Xxxxxxxx.xxxxxxx@xxxx.xxx

E-mail:

(00) 0000-0000

Telefone:

Xxxxxxxx Xxxxxxxx Xxxxxx xx Xxxxxxx

Contato:

Engenharia EFVM

Área da Vale envolvida:

(X) Individual ( ) Rede*

Projeto em Rede:

Duração (em meses):

Desenvolvimento de uma Ferramenta de Software orientada à auditoria de comunicação via Rádio

Título do Projeto:

Alteração

Autor

Data

Versão

( ) Não

(X) Sim

Aplicável a Lei do Bem:

(X) Pesquisa Aplicada

( ) Transferência de Tecnologia

( ) Pesquisa Básica

( ) Desenvolvimento

Tipo de Pesquisa:

Processamento Digital de Sinais – PDS

Programa/ Linha de Pesquisa**:

2. Dados do Projeto

Versão 4 – Ajustes finais: Incluído equipe Vale.

Xxxxx

13/12

1.5

Versão 3

Xxxxx

12/12

1.4

Versão 2_Comentado Vale (Comentários como sugestão), alterações nas revisões do documento diretamente no texto.

Xxxxx

28/11

1.3

Versão 2

Xxxxx

21/11

1.2

Versão 1_Comentado Vale

Xxxxxxxx

23/10

1.1

Versão 1

Xxxxx

29/09

1.0

*Projeto relacionado com um ou mais projetos.

**No âmbito das linhas de pesquisa apresentadas pela Vale.

3. Equipe do Projeto

Instit uição

UFES

Vale

Nome

Xxxxx Xxxxxx Xxxxxx Xxxxxxxx

Xxxxxx Xxxxxxx Xxxxxxxx

Xxxxxx Xxxxx Xxxxxxx Xxxxxx Xxxxxxxx Milach Xxxx Xxxxxx xxx Xxxxxx Xxxxx Xxxxx Xxxxxxxxx Xxxxx Xxxxxx Xxxxx xx Xxxxxxx Xxxxxxxx Xxxxxxxx Xxxxxx xx Xxxxxxx Xxxxx Xxxxxxxx Xxxxxx

Titulação

Doutorado

Graduação

Mestrado

Especialização

Mestrado

Telefone

(27)

000000000

(27)

992946309

(27)

981487705

(27)

999302111

(27)

992859200

(27)

981887669

(27)

996390785

(27)

999571108

(27)

999927906

E-mail

xxxxx.samatelo @xxxx.xx

xxxxxx@xxx.x xxx.xx

xxxxxx.xxxxxxx @xxxx.xxx

xxxxxx.xxxxxx @xxxxx.xxx

xxxxxxxxxx.xxxx osnunes@gm xxx.xxx xxxxx.xxxxx@g xxxx.xxx

rafaelcostadea lmeida159@g xxxx.xxx xxxxxxxx.xxxx xxx@xxxx.xx m

xxxxx.xxxxxx@ xxxx.xxx

Participação no Projeto e Função

Coordenador

Pesquisador

Aluno

Pesquisador

Link no Currículo Lattes

xxxx://xxxxxx.xxxx.xx/0 049258096050209

xxxx://xxxxxx.xxxx.xx/ 957290391528037

xxxx://xxxxxx.xxxx.xx/0 252943175213470

xxxx://xxxxxx.xxxx.xx/0 548606468040301

xxxx://xxxxxx.xxxx.xx/0 905019096515194

xxxx://xxxxxx.xxxx.xx/0 711742300685268

xxxx://xxxxxx.xxxx.xx/0 590605029696414

xxxx://xxxxxx.xxxx.xx/0 403628127242366

4. Palavras Chave do Projeto

Auditoria de comunicações via rádio; Processamento Automática de Fala; Deep Learning;

5. Resumo do Projeto de Pesquisa

CONTEXTUALIZAÇÃO. Parte do funcionamento da ferrovia da VALE depende do cumprimento das diretrizes e padrões estabelecidos para a comunicação via rádio entre os usuários da ferrovia. Especificamente entre os condutores do equipamento ferroviário e os controladores de tráfego central e local. Para garantir o cumprimento das normas é efetuado um processo de auditoria da comunicação por voz, que analisa a eficácia da comunicação estabelecida via rádio, bem como a inteligibilidade da fala do mesmo. Atualmente tal procedimento é manual gerando uma inversão tanto de tempo como pessoal capacitado,

PROPOSTA. Neste sentido, aqui é proposto o desenvolvimento de uma ferramenta computacional de suporte a auditoria orientada ao atendimento dos inspetores do CCO/CCP (Centro de controle operacional/Centro de controle de pátio) que avaliam a comunicação estabelecida via. Tal ferramenta permitirá efetuar uma transcrição do áudio bem como diferenciar dois interlocutores dentro de uma mesma gravação.

METODOLOGIA. Para tal fim, serão desenvolvidos três modelos computacionais baseados em redes neurais profundas, que na atualidade definem o estado da arte para aplicações de processamento de fala. De maneira especifica, o primeiro modelo estará orientado ao reconhecimento automático de fala em português. O segundo direcionado à segmentação de falante e identificação automática de oradores. Os dois modelos são de natureza supervisionada, implicando na necessidade de uso de bancos de dados públicos de áudios em português, além da necessidade de desenvolver um banco de áudio de interlocutores a ser elaborado no projeto.

RESULTADOS. Todos os modelos desenvolvidos serão integrados em uma aplicação de software orientada ao uso no processo de auditoria e capacitação. Para um correto funcionamento da aplicação seu desenvolvimento será feito em etapas, especificamente, integração dos modelos, desenvolvimento da interfase de usuário, testes e melhoras.

6. Justificativa

A segurança da ferrovia é baseada em sistemas que permitem ou não o tráfego de uma composição em um determinado trecho da malha ferroviária denominado circuito. Os centros de controle são os responsáveis por reservar um circuito para o trânsito de uma composição, bem como gerenciar o tráfego de todos os trens na linha tronco e pátios de manobra. A liberação dos trens ocorre através de comunicação via rádio. Buscando um maior grau de confiabilidade, são definidos padrões e protocolos de comunicação que contemplam saudações, passagem de informações, liberações de movimentação, atualização de restrição, passagem de serviço entre outras rotinas.

Buscando garantir o bom funcionamento da ferrovia, existe o processo de auditoria da comunicação por voz, que analisa a eficácia da comunicação estabelecida via rádio, bem como o cumprimento das diretrizes e padrões estabelecidos.

Atualmente, o procedimento de auditoria é executado por inspetores do CCO/CCP que avaliam a comunicação estabelecida pelo controlador que está sendo auditado. Verifica-se o cumprimento das normas, bem como a inteligibilidade da fala do mesmo. São pontuadas as falhas de comunicação e é fornecido um feedback dos pontos que podem ser melhorados.

O projeto busca o desenvolvimento de uma ferramenta que seja capaz de realizar duas atividades fundamentais:

1. Efetuar uma transcrição do áudio.

2. Diferenciar dois interlocutores dentro de uma mesma gravação.

3. Criação da ferramenta computacional orientada ao suporte na auditoria dos inspetores do CCO/CCP que avaliam a comunicação estabelecida via rádio.

Uma vez que a ferramenta esteja apta a fornecer tais informações, o procedimento de auditoria seria simplificado: o auditor receberia a conversa em formato de texto, sendo atribuída a cada interlocutor a sua fala.

A implementação das referidas capacidades, implica de forma geral no desenvolvimento de modelos computacionais focados no processamento da fala (speech processing). De forma especifica, no que tange à primeira prestação, será necessária a implementação de um reconhecedor de fala (speech recognition); em relação à segunda prestação implica no desenvolvimento de um segmentador (speaker diarization) e um identificador de falante (speaker identification). A continuação, de maneira resumida é descrito cada um destes elementos constitutivos.

Um reconhecedor automático da fala (ASR - Automatic Speech Recognition) refere-se a um sistema que permite o reconhecimento e a conversão da linguagem falada em texto. Também é conhecido como um conversor de fala em texto (STT - Speech To Text). A indústria desenvolveu uma ampla gama de produtos comerciais, onde o ASR como interface do usuário se tornou cada vez mais útil e difundido. As aplicações centradas no consumidor exigem cada vez mais que o ASR seja robusto para toda a gama de ruídos do mundo real e outras condições de distorção acústica. No entanto, o reconhecimento confiável de palavras faladas em ambientes acústicos realistas ainda é um desafio.

Um segmentador automático de falante (ASD - Automatic Speaker Diarization) refere-se à sistema que tem a capacidade de identificaçar um falante, e não reconhecer o que ele estão dizendo. Basicamente, o áudio de entrada é particionado em segmentos homogêneos de acordo com a identidade do orador. Assim, um ASD pode simplificar a tarefa de ASR ou pode ser usado para autenticar ou verificar a identidade de um falante como parte de um processo de segurança. A implementação de um ASD encontra diferentes desafios, por exemplo: o número de oradores nos áudios comumente é desconhecido, não há conhecimento prévio sobre a identidade das participantes, os oradores podem falar ao mesmo tempo podendo existir diferentes condições de gravação em cada áudio.

Um identificador automático de orador (ASI - Automatic Speaker Identification) refere-se à identificação de uma pessoa a partir das características da voz. Basicamente o sistema responde à pergunta: quem está falando? Um ASI pode simplificar a tarefa de um ASR treinado em vozes específicas ou pode ser usado para autenticar ou verificar a identidade de um falante detectado por um ASD. Existem duas formas de operação de um ASI:

(i) como autenticador de identidade, aqui o orador afirma ter uma certa identidade e a voz é usada para verificar essa afirmação; (ii) como verificador de identidade, aqui o ASI determina a identidade de um falante desconhecido. Em certo sentido, a autenticação do orador é uma correspondência 1:1, em que a voz de um orador é correspondida a um registro específico, enquanto a verificação do orador é uma correspondência 1: N, em que a voz é comparada com vários registros de voz. Em aplicativos forenses, é comum primeiro executar um processo de verificação para criar uma lista de "melhores correspondências" e, em seguida, executar uma série de processos de autenticação para determinar uma correspondência conclusiva.

Na atualidade, o desenvolvimento de um ASR, ASD ou ASI, se beneficiaram dos avanços de um campo de Inteligencia Artificial denominado aprendizado profundo (DL – deep learning). Estes avanços são evidenciados não apenas pelo aumento de trabalhos acadêmicos publicados no campo, mais importante, pela adoção mundial da indústria de uma variedade de modelos de DL na implantação de sistemas para o processamento de audio e fala. De forma específica, DL surge como uma bio-inspiração das estruturas neurais do córtex visual dos mamíferos (HUBEL; WIESEL, 1968). Os modelos de DL têm a capacidade de aprender o valor de seus parâmetros de maneira supervisionada (classificação de amostras, por exemplo) e não supervisionada (análise de padrões, por exemplo). Tal possibilidade permite realizar um procedimento em que se aprende com os dados, o que se mostrou eficiente em diversas linhas de pesquisa, inclusive na área processamento de audio e fala. Técnicas de DL permitiu enfrentar com êxito a implementação de ASR comerciais em fala inglesa. Contudo, o custo computacional exigido por técnicas de DL é elevado, em termos de processamento (mais especificamente, demandam processamento paralelo em placas gráficas de alto desempenho - Graphics Processing Units - GPU). Entre as diferentes arquiteturas de redes neurais, as Convolutional Neural Networks

- CNN (tradução livre, redes neurais convolucionais) têm tido desempenhos de destaque em aplicações de visão computacional e processamento de audio. Outras arquiteturas de destaque são as Long-Short Term Memory - LSTM (HOCHREITER e SCHMIDHUBER, 1997) e as Gated Recurrent Unit - GRU (CHO et al., 2014

), que são baseadas em redes neurais recorrentes. Ambas as arquiteturas, e suas variantes têm se mostrado bastante eficazes em tarefas relacionadas a séries temporais, quando comparadas a técnicas clássicas de predição.

7. Descrição do Estado da Arte

A seguinte descrição do estado do Arte está dividida em três apartados, cada um direcionado a explicar as técnicas desenvolvidas na literatura para a elaboração de um ASR, ASD e um ASI.

Trabalhos relacionados ao desenvolvimento de um ASR

O desenvolvimento de um ASR teve avanços significativos com o uso de rede neurais profundas, no entanto, estas foram aplicadas apenas em um componente de um ASR padrão, especificamente, no extrator de características. Assim, as redes neurais foram treinadas para classificar segmentos individuais de dados acústicos e suas distribuições de saída eram alimentadas como probabilidades para um modelo temporal probabilístico clássico como um HMM (Hidden Model Markov). Seguindo as tendências recentes em sistemas baseados em DL, propostas de ASR end-to-end tem aumentado ao longo dos anos [GRAVES 2012; MIAO e et al., 2015; XXXX e et al., 2015; XXXXXX e et al., 2016]. Um ASR end-to-end é um sistema onde a maior parte de componentes de um ASR padrão são substituídas por uma única arquitetura de rede neural profunda. Assim, os parâmetros e características aprendidas por um único modelo são ajustados apenas pelo algoritmo de treinamento da rede aumentando a taxa de precisão do ASR. Os principais trabalhos que seguem esta linha são descritos a seguir.

Em [XXXXXX e et al., 2006; XXXXXX, 2012], é proposta a Connectionist Temporal Classification (CTC). O principal objetivo desse método é que o CTC é projetado especificamente para tarefas de classificação temporal, isto é, para problemas de rotulagem de sequências em que o alinhamento entre as entradas e os alvos é desconhecido. Também não requer dados de treinamento pré-segmentados ou pós-processamento externo para extrair a sequência de rótulos das saídas da rede. Desde então, o método CTC tem sido amplamente utilizado em sistemas de reconhecimento de fala de end-to-end e foi adotado pelo Google como o algoritmo padrão na Pesquisa por voz do Google.

Mais recentemente, redes neurais recorrentes foram aplicadas com sucesso ao reconhecimento de fala [XXXXXXXXX e et al., 2015; XXXXXXXX e et al., 2016]. Esses RNNs são baseados na arquitetura codificador- decodificador, geralmente usados para lidar com sequências de entrada e saída de comprimento variável, necessária em tradução automatizada [BAHDANAU, 2014], geração de legendas de imagem [XX e et al., 2016] e síntese de escrita [GRAVES, 2013].

Trabalhos relacionados ao desenvolvimento de um ASD

Nos últimos anos, os ASD foram utilizados com sucesso para analisar a fala humana em vários cenários do dia a dia, desde telefonemas [XXXXXX e et al., 2016] até reuniões de negócios [YELLA e et al., 2015] e transmissão de notícias [XX e et al., 2016]. Embora vários avanços no desenvolvimento de algoritmos de diarização de orador de alta qualidade tenham sido feitos nos últimos anos [LE LAN et al., 2016; XXXXXX e et al., 2016; XX e et al., 2016; XXXXXX e et al., 2016], ainda há varios desafios a serem enfrentados, por exemplo. análise do discurso sobreposto ou modulações de voz do orador.

Um típico ASD geralmente consiste em quatro componentes: (i) Segmentação de fala, aqui o áudio de entrada é segmentado em seções curtas que se supõe ter um único orador e as seções que não são de fala são filtradas;

(ii) extração de embeddings de áudio, aqui características específicas como MFCCs [XXXXX e et al., 2016], speaker factors [XXXXXXXX e et al., 2008] ou vetores-i [XXXX e et al., 2013; XXXXXXXXXXX e et al., 2014; XXXX e et al., 2014] são extraídos das seções segmentadas; (iii) Agrupamento, aqui o número de oradores é determinado, e as combinações de áudio extraídas são agrupadas nesses oradores; e opcionalmente (iv) ressegmentação [SELL e et al., 2015], onde os resultados do agrupamento são refinados para produzir os resultados finais da diarização. Atualmente,os embeddings de áudio baseados em redes neurais (vetores-d) têm sido amplamente utilizados em sistemas ASD, geralmente superando significativamente as técnicas baseadas em vetores-i. Cabe indicar que, a maioria desses ASD estão orientados à verificação de orador dependente de texto, onde as combinações de oradores são extraídas de palavras chaves específicas detectadas. Os principais trabalhos que seguem esta linha são descritos a seguir.

Em [ROUVIER e et al., 2015] é proposto o uso do conceito de embedding denominado como speaker embeddings, os quais são implementados via uma rede neural orientada a um problema de classificação, na

qual a rede visa prever o identificador relacionada à identidade de cada orador. Essa abordagem atinge uma taxa de erro de diarização de 19,25% em amostras de áudio sobre um banco de dados de falantes rotulado.

Em [Xxx e et al., 2017] é proposto um speaker embeddings, baseado em redes LSTM, o modelo é treinado em segmentos de comprimento fixo extraídos de um grande corpus de discursos arbitrário. Eles mostraram que os agrupamentos dos embeddings produzidos por essas redes geralmente superam significativamente os a outras representaçãoes.

Trabalhos relacionados ao desenvolvimento de um ASI

Um ASI funciona a partir do princípio de que a voz de cada pessoa é única, como uma impressão digital, portanto, pode ser usada para identificar o orador ou autenticar sua identidade. Esses sistemas em geral analisam as características do discurso que são diferentes entre os oradores e são usadas em aplicativos para autenticação, vigilância e análise forense dos falantes. Assim, o objetivo de qualquer técnica usada em um ASI é extrair e utilizar características de boa qualidade que representam atributos intrínsecos do aparelho vocal de um orador. Existem várias abordagens apresentadas até agora para o reconhecimento de oradores, que incluem modelos generativos como GMM (Gaussian Mixture Model) [XXXXXXXX e et al., 2000], modelos discriminativos baseados em kernels [XXXXXXXX e et al., 2006]. Todas essas abordagens contribuíram para obter melhores taxas de reconhecimento de oradores. No entanto, o problema de extrair características invariantes específicas do orador robustas ao ruido ainda é um tópico aberto de pesquisa, pois a mistura de informações específicas do orador com outros componentes de informação da fala faz com que os ASI comprometam seu desempenho. Além disso, a influência da semelhança entre oradores, variabilidade de canal e ruído aditivo complica mais a situação [XXXXXX e et al., 2009]. Portanto, a necessidade de obter características que são insensíveis a essas corrupções é inevitável. Em alguns estudos como [XXX e OH, 2001; MALAYATH e et al., 2000], são feitos esforços para extrair informações específicas de orador a partir do sinal de fala, com a suposição de que a mensagem ou a informação linguística são componentes dominantes da informação e podem ser facilmente isoladas.

Os abordagens baseadas em DL para a tarefa de verificação de orador podem ser agrupadas em dois tipos: (i) baseados em extratores de características que fazem uso de caracteristicas extraidas por uma CNN e os MFCC, vetores-i ou vetores-d; (ii) propostas end-to-end. Essas duas abordagens diferem de várias maneiras. Na fase de treinamento, as caracteristicas extraidas por uma CNN, denominadas como Bottleneck Features, são especificadas de maneira supervisionada de forma separada da etapa de reconhecimento. Enquanto em um abordagem end-to-end, tanto a etapa de extração como reconhecimento são treinados conjuntamente. O objetivo do treinamento das primeiras abordagens é aprender as características que discriminam os oradores. Mas em abordagens end-to-end, o sistema é treinado em pares para descobrir se as entradas correspondem ao mesmo orador. A qualidade e a quantidade dos pares de entrada são importantes para um sistema end-to- end. De acordo com [XXXXXX e et al., 2016], um sistema de end-to-end treinado em um pequeno dataset não apresenta um bom desempenho, mas usando um dataset maior, os referidos sistemas superam as técnicas baseadas em extratores de características. Este resultado deve-se ao fato que sistemas end-to-end usam como entradas os segmentos de fala capturando melhor as estatísticas de cada falante. Por outro lado, os resultados relatados em [XXXXXX e et al., 2017] mostram que os sistemas end-to-end apresenta desempenho pior quando comparado aos sistemas baseados em vetores-d e sistemas baseados em vetores-i quando são usados segmentos de audio curos para o treinamento.

7.1 Grau de maturidade da tecnologia a ser desenvolvida

( ) Tecnologia emergente: o projeto visa o desenvolvimento de novas tecnologias que nunca foram aplicadas industrialmente (nova plataforma tecnológica ou inovação radical).

( X ) Primeira aplicação na indústria, mas nenhuma solução dominante: o projeto visa o desenvolvimento de tecnologias que já tenham sido aplicadas industrialmente de forma experimental por competidores da Vale, mas que ainda não chegaram ao nível de solução dominante na indústria mineral.

( ) Solução dominante, aberta a melhorias: o projeto visa o desenvolvimento de melhorias incrementais em tecnologias que já atingiram o estágio de solução dominante na indústria mineral.

( ) Tecnologia altamente explorada e difundida: o projeto visa apoiar o processo de aplicação de tecnologias que são novas apenas para a Vale e que apresentam baixo potencial para melhorias incrementais.

( ) Não se aplica

8. Objetivos

8.1 Gerais

Este projeto tem dois objetivos principais:

1. Desenvolver e implementar modelos para: o reconhecimento de fala em português e para a segmentação e identificação de orador. Os modelos serão baseados em arquiteturas de rede neurais profundas consolidadas da literatura, os quais, inicialmente, serão treinados e testados com bancos de dados públicos, para logo, ser massivamente treinados e avaliados no banco de dados a ser desenvolvido, tal banco estará compostos por áudios de comunicação via rádio da operação da Vale e as respectivas transcrições.

2. Integrar os modelos desenvolvidos em uma ferramenta computacional de uso no processo de auditoria e capacitação de comunicações via rádio e telefone das gravações da operação da ferrovia da VALE.

8.2 Específicos

Os objetivos específicos do projeto são:

1. Uso de modelos baseados em redes CNN e recorrentes, orientadas ao desenvolvimento de um ASR, ASD e ASI. Os sistemas automáticos propostos devem ser end-to-end, e especializados para a fala em portuguesa.

2. Elaboração de um banco de dados de arquivos de áudio de interlocutores. Tal conjunto de dados deve estar composto de: áudios de comunicações via rádio e telefone gravados durante a operação da ferrovia e dever conter a informação a ser aprendida pelos modelos (início e fim de uma conversação, palavras faladas, interlocutores participantes, entre outros)

3. Construção da ferramenta computacional. Tal aplicação deve integrar os modelos desenvolvidos para os problemas em estudo, e ser orientada ao uso no processo de auditoria de comunicações via rádio e telefone das gravações da operação da ferrovia da VALE, além de incluir algumas funcionalidades e métricas de avaliação tais como: (i) palavras por segundo, intervalo de tempo adequado entre palavras e outras métricas; (ii) identificação da utilização da palavra “câmbio” ao final das frases e da identificação do veículo ferroviário e/ou do interlocutor; (iii) opções de filtro para seleção de interlocutor, data e período de tempo para se realizar a auditoria; (iv) entre outros a serem definidos no decorrer do projeto.

4. Formação de Recursos Humanos. Pretende-se produzir pelo menos duas dissertações de mestrado e dois trabalhos de conclusão de curso.

9. Metodologia de Pesquisa

A pesquisa a ser realizada no presente projeto enquadra-se no campo de pesquisa Teórico-Aplicada Quantitativa. Em sentido amplo de pesquisa, a investigação científica tratada neste trabalho tem a seguinte metodologia: (i) quanto à natureza, pesquisa aplicada; (ii) quanto aos objetivos, exploratórios e descritivos; (iii) quanto às abordagens, quantitativos; (iv) quanto aos procedimentos, experimentais. Baseado nestas questões, o trabalho será desenvolvido conforme os passos apresentados a seguir. Esses passos englobam metas, atividades e ações principais a serem feitas.

O passo inicial é realizar um estudo teórico, o qual estará dividido em duas etapas. Na primeira etapa será efetuado um estudo de redes neurais profundas, com foco nas arquiteturas CNN e redes recorrentes. Na segunda etapa, cada aluno de mestrado se dedicará ao estudo dos métodos de processamento de fala, dos modelos baseados em redes neurais profundas orientadas ao desenvolvimento de um ASR, ASD e ASI. Embora seja feita uma dedicação maior no início da pesquisa para realizar esta tarefa, o estudo teórico das

redes neurais profundas e das técnicas de processamento de fala continuará ao longo de quase todo o tempo do projeto na busca de se manter atualizado das principais novidades a respeito dos temas abordados.

Em paralelo, as especificações do projeto serão realizadas, iniciando com: a coleta dos dados e a definição dos protocolos de avaliação para cada problema em estudo (reconhecimento da fala, segmentação de falante, e identificação de orador). A coleta de dados estará constituída de duas etapas explicadas a seguir:

(i) Procura de banco de dados públicos para cada problema em estudo. É de interesse contar com diferentes bases de dados, já que as redes neurais profundas têm um melhor desempenho na medida em que são treinadas com um maior conjunto de treinamento. (ii) Construção de um banco de dados referente à aplicação objetivo do projeto. Tal banco estará conformado por arquivos de áudio de comunicações via rádio e telefone gravados durante a operação da ferrovia. Cada áudio estará atrelado a um arquivo de metadados (xml) que contém a informação rotulada de interesse, como por exemplo: os, tempos de início e fim de uma conversão, os tempos de início e fim de cada intervenção na comunicação de um interlocutor como um respectivo identificador de orador, as palavras faladas em cada instante de tempo, identificadores dos interlocutores participantes, identificadores de palavras chaves em uma comunicação via rádio, e outros tipos de informação que serão definidas no transcurso do desenvolvimento do projeto. Cabe indicar, que a correta rotulação dos dados, permitirá especificar os modelos na tarefa objetivo como também obter valores de desempenho admissíveis para uma aplicação a ser testada em campo.

Finalmente, contando já com os bancos de dados públicos e os protocolos de avaliação definidos, será iniciada a implementação dos modelos e terminando a elaboração do banco de dado referente à aplicação, os modelos já elaborados e testados serão adequados aos requerimentos do projeto, por último, será implementada a aplicação de software de suporte a auditoria.

Para realizar todas estas etapas, o grupo de pesquisa será dividido em dois equipes: a primeira equipe conformada pelos alunos de Iniciação Cientifica (IC) e a segunda equipe conformado pelos alunos de mestrado.

A primeira equipe será responsável da elaboração do banco de dados referente à aplicação objetivo do projeto. Especificamente: (i) deveram definir as ferramentas de software a usar para tal labor; (ii) determinar a estrutura do arquivo de metadados; (iii) fazer a tarefa de rotulação dos áudios; (iii) elaborar a ferramenta computacional. Também, serviram de apoio para outras tarefas a ser efetuadas pela segunda equipe.

Os trabalhos referentes à segunda equipe estão relacionados com: (i) a implementação de técnicas de pré- processamento de dados de áudio; (ii) o desenvolvimento dos modelos baseados em redes neurais para cada um dos problemas em estudo; (iii) implementação da API (Application Programming Interface) de programação.

A metodologia de pesquisa considerada para o desenvolvimento dos modelos é: (a) inicialmente serão implementados os modelos de maior relevância presentes na literatura, para depois serem propostas e implementadas novas modelos se for o caso; (b) cada um dos modelos será validado, usando para tal fim os bancos de dados selecionados e o protocolo de avaliação já definido; (c) os resultados obtidos serão analisados para obter um melhor entendimento do comportamento de cada modelo, com o intuito de efetuar uma etapa de ajustes e alterações e com isso repetição dos experimentos; (d) os modelos propostos serão comparadas com modelos de estado da arte, para se identificar os pontos fortes e fracos de cada método, e assim propor melhorias; (e) usando o banco de dados desenvolvido os modelos serão retreinados e testados na aplicação objetivo.

A metodologia para a implementação da ferramenta para o suporte à auditoria é: (a) os modelos desenvolvidos serão construídos usando a linguagem de programação Python e o framework tensorflow especializado para a elaboração de modelos de DL; (b) usando as prestações de integração de modelos de tensorflow e as extensas ferramentas para o desenvolvimento de Python uma API de programação será elaborada; (c) usando a API de programação uma interfase de usuário será desenvolvida.

10. Resultados Esperados

São esperados os seguintes resultados principais:

• Desenvolvimento de uma ferramenta computacional de suporte a auditoria orientada ao atendimento das necessidades dos auditores. Tal ferramenta permitirá: (i) uma diminuição do tempo dispendido nos

procedimentos de auditoria; (ii) uma diminuição do pessoal alocado nas rotinas de auditoria; (iii) uma melhor distribuição de mão de obra qualificada.

• Maior eficiência dos controladores, devido a feedbacks mais recorrentes e capacitação adequada e um aumento da segurança operacional (comunicação mais eficiente).

• Os avanços alcançados nas pesquisas serão divulgados à comunidade científica na forma de trabalhos apresentados em congressos e artigos publicados em periódicos científicos especializados.

São esperados os seguintes resultados complementares:

• Uso de Técnicas de Inteligência Artificial orientadas à automatização de procedimentos em atividades da VALE.

• Os equipamentos a serem adquiridos pelo projeto são fundamentais para elevar o nível das pesquisas da graduação e pós-graduação, e assim, permitir que os alunos e pesquisadores envolvidos com o projeto consigam realizar pesquisas no mesmo patamar de outras grandes universidades e centros de pesquisa.

• Difusão e registro do conhecimento através de publicação de artigos e participação em congressos.

• Considerando desenvolvimentos futuros:

11. Grau de inovação do projeto

( ) Novo para o Mundo

( ) Novo para Indústria Mineral

(x) Novo para a Vale

( ) Nenhuma novidade

11.1 Justificativa do grau de inovação

Atualmente, o processo de auditoria da comunicação por voz é executado por inspetores do CCO/CCP de forma manual. O fato de contar com uma ferramenta que permita automatizar diferentes tarefas referentes ao analise dos áudios é uma proposta inovadora para VALE, além de estar em consonância com processos de automatização que caracterizam à indústria 4.0.

12. Possibilidade de patenteamento

Considerando que a aplicação computacional a desenvolver é um produto para aumento da produtividade de pessoal, a solução final pode ser patenteada dada a inventividade da solução para a ferrovia.

( ) Alta chance de patenteamento

(x) Moderada chance de patenteamento

( ) Baixa chance de patenteamento

( ) Nenhuma chance de patenteamento

13. Acesso à Vale

Sim, em casos específicos como:

- Reuniões de acompanhamento do Projeto;

- Coleta de dados;

- Conhecimento do processo de comunicação ferroviária.

14. Riscos

Os eventos que podem representar riscos para alcançar os objetivos desta proposta estão relacionados com:

• A obtenção dos bancos de dados públicos para realizar os experimentos.

• O banco de dados a ser desenvolvido.

• Contar com o poder computacional para desenvolver os modelos baseados em redes neurais profundas como CNN e Redes neurais Recorrentes.

Com relação aos bancos de dados públicos, considera-se usar inicialmente os seguintes bancos de dados: (i) o conjunto de dados de fala em português do Brasil (Brazilian Portuguese Speech Dataset - BRSD), especializado para reconhecimento de fala contínuo de vocabulário longo foi construído a partir de quatro

datasets; (ii) o conjunto de dados Spoltech em português do Brasil versão 1.0 [SCHRAMM e et al., 2006] inclui gravações de várias regiões do Brasil. o corpus contém 477 falantes, totalizando 8080 enunciados, consistindo em fala de leitura (para analise fonética) e resposta a perguntas (para fala espontânea). Um total de 2.540 enunciados foram transcritos no nível da palavra e sem alinhamento, e 5.479 enunciados foram transcritos no nível do fonema, com alinhamentos no tempo.

Com relação ao banco de dados a ser desenvolvido, os áudios de comunicação via rádio estarão disponíveis logo no início do projeto. Para a etapa de reconhecimento dos maquinistas (da ordem de 500 maquinistas) será definido um protocolo de captura de áudios através da leitura de um texto conhecido pelos os usuários da ferrovia, por exemplo a visão, a missão e os valores da Vale ou mesmo os requisites de atividades críticas.

Com relação ao custo computacional, modelos de DL requerem computadores de alto desempenho em computação paralela. Mesmo computadores equipados com placas de vídeo CUDA, ainda assim podem precisar de várias horas para realizar simulações. Embora seja possível realizar o mesmo com computadores mais simples, o desenvolvimento da pesquisa ficará prejudicado. Portanto, para amenizar esse risco, o projeto inclui a compra de dois computadores de alto desempenho.

15. Relevância estratégica para Vale

Potenciais benefícios econômicos, de negócios e socioambientais.

A relevância estratégica para as atividades da Vale se evidencia na possibilidade de uma melhor alocação de mão de obra, uma vez que o trabalho de auditoria seria feito de forma bem mais rápida. Um outro ponto importante é o aumento da confiabilidade do sistema de operações ferroviárias através da possibilidade de auditoria continua das comunicações com o emprego do sistema desenvolvido e da capacitação direcionada dos envolvidos na comunicação via rádio.

Não são mapeados ganhos socioambientais diretos.

15.1 Crescimento de Mercado – Foco em vendas

Qual é a potencial contribuição de seu projeto para o crescimento no mercado atual da Vale (aumento de receitas nos mercados e negócios atuais da Vale pela aplicação da tecnologia)? Justifique

( ) Alta

( ) Média ( ) Baixa

(X) Não se aplica

Qual é a potencial contribuição de seu projeto para a diversificação ou criação de novos negócios na Vale (novas aplicações minerais ou novos serviços)? Justifique

( ) Alta

( ) Média ( ) Baixa

(X) Não se aplica

15.2 Redução de Custos – Foco em melhoria de processo

Qual é a potencial contribuição de seu projeto para a redução de custos de investimento em bens de capital (por exemplo, máquinas e equipamentos) na Vale? Justifique

( ) Alta redução

( ) Moderada redução ( ) Pequena redução

(X) Nenhuma redução

Qual é a potencial contribuição de seu projeto para a redução de custos operacionais na Vale? Justifique

O desenvolvimento da ferramenta computacional de suporte a auditoria permitirá, de forma simultânea, diminuir o tempo dispendido nos procedimentos de auditoria como o pessoal alocado no referido processo. Que em geral, produzira uma maior eficiência do tempo empregado pelos controladores, resultando em uma comunicação mais eficiente entre os operadores das vias ferroviárias da VALE.

( ) Alta redução

( ) Moderada redução

(X) Pequena redução

( ) Nenhuma redução

15.3 Implicações ambientais

Qual é o potencial de impacto de seu projeto nas condições ambientais ou redução do impacto ambiental causado por uma ou mais operações realizadas pela Indústria da Mineração ou por outra empresa de sua cadeia produtiva? Justifique

( ) Alto impacto positivo

( ) Moderado impacto positivo

(X) Impacto neutro

( ) Impacto negativo

No caso de impacto positivo, assinale os tipos de implicações ambientais potenciais do projeto:

( ) Eficiência Energética

( ) Tratamento de resíduos ( ) Reuso de água

( ) Redução de emissões

( ) Preservação e recuperação ( ) Outra implicação. Qual?

15.4 Implicações em saúde e segurança

Qual é o potencial de impacto de seu projeto na redução dos riscos à integridade física e à saúde de trabalhadores envolvidos nas operações realizadas pela Indústria da Mineração, por outra empresa de sua cadeia produtiva ou pela comunidade do entorno? Justifique

( ) Alto impacto positivo

(X) Moderado impacto positivo

( ) Impacto neutro

( ) Impacto negativo

No caso de impacto positivo, assinale os tipos de implicações em saúde e segurança potenciais do projeto:

(X) Segurança no trabalho

( ) Saúde do trabalhador ( ) Doenças em geral

( ) Outra implicação. Qual?

16. Cronograma de Atividades e Xxxxxx

# Atividade

1 Estudo Teórico

2 Especificações do Projeto

3 Treinamento em Comunicação para Equipe Projeto (Resp Vale)

4 Construção do banco de dados de áudio rotulado

Início (mês)

Término (mês)

Relatório final técnico e financeiro (Prestação de contas)

Documentação

Desenvolvimento da ferramenta computacional e Interface com usuários

Teste e melhora dos modelos

Apresentação dos resultados parciais

Desenvolvimento do modelo para a Identificação do Oradores

6.3

Desenvolvimento do modelo para a Segmentação de Oradores

6.2

Desenvolvimento do modelo de Transcrição para Texto

6.1

Relatório parcial técnico e financeiro (Prestação de contas)

Atv.

6.1

6.2

6.3

1 2

3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Baseado nos objetivos específicos, o projeto será desenvolvido conforme as atividades apresentadas a seguir.

Atividade 1. Estudo teórico: (i) estudo sobre redes neurais profundas, principalmente as redes CNN, redes recorrentes e suas variantes; (ii) estudo de técnicas de pré-processamento de sinais de áudio de maior relevância na literatura; (iii) estudo de ferramentas para o rotulagem e transcrição de arquivos de áudio de interlocutores; (iv) estabelecer os requisitos do banco de dados a elaborar.

Atividade 2. Especificações do projeto: coleta de banco de dados públicos e definição do protocolo de avaliação (métricas, formas de avaliação, etc.) para o problema de (i) reconhecimento automático de fala; (ii) segmentação automática de falante; (iii) e identificação automática de orador.

Atividade 3. Treinamento em Comunicação na VALE: Capacitação dos membros do projeto nos protocolos de comunicação via rádio na operação de ferrovia, assim como dos processos de auditoria.

Atividade 4. Construção do banco de dados de áudio rotulado: Construção do banco de dados de áudio de comunicações via rádio e telefone gravados durante a operação da ferrovia, esta atividade implicará: (i) obtenção dos áudios; (ii) elaboração/seleção de uma ferramenta especializada para a rotulação de áudio; (ii) rotulação dos áudios indicando a informação de interesse para os três problemas em estudo (tempos de início e fim de uma conversão, os tempos de início e fim de cada intervenção na comunicação de um interlocutor como um respectivo identificador de orador, as palavras faladas em cada instante de tempo, identificadores dos interlocutores participantes, identificadores de palavras chaves em uma comunicação via rádio, e outros tipos de informação que serão definidas no transcurso do desenvolvimento do projeto).

Atividade 5. Relatório parcial técnico e financeiro (Prestação de contas): entrega dos (i) relatório parcial com as atividades realizadas, os resultados alcançados e os produtos a serem entregues; (ii) relatório financeiro com os gastos do projeto relacionados e devidamente comprovados.

Atividade 6. Desenvolvimento de modelos baseados em redes neurais: para cada problema em estudo será efetuado: (i) a implementação dos algoritmos para o pré-processamentos dos áudios referentes aos bancos de dados selecionados; (ii) o desenvolvimento e implementação dos modelos baseados em redes CNN e redes recorrentes para cada problema.

Atividade 7. Apresentação de resultados parciais. Os resultados dos modelos desenvolvidos para cada problema em estudo serão apresentados, tomando em conta: (i) os testes em banco de dados públicos; (ii) os testes inicias no banco de dados de áudios em desenvolvido, (iii) testes com dados novos obtidos em campo.

Atividade 8. Teste e melhora dos modelos: para cada problema em estudo será efetuado: (i) a validação dos modelos propostos, usando: (a) o protocolo de avaliação definido e os bancos de dados públicos selecionados;

(b) o banco de dados construído; (ii) ajustes e alterações dos modelos propostos e com isso repetição de experimentos; (iii) comparação dos modelos propostos com técnicas de estado da arte.

Atividade 9. Desenvolvimento da ferramenta computacional e interface com usuario: (i) integração dos modelos implementados para cada problema em uma API de programação; (ii) elaboração de uma aplicação que sirva de interfase entre a API desenvolvida e o usuário final. (iii) teste da ferramenta usando o banco de dados desenvolvido e testes feitos por usuários.

Atividade 10. Documentação: (i) preparação de artigos para conferências nacionais/internacionais e para periódicos relevantes com Qualis A ou B (ii) Documentação de uso das ferramentas e softwares desenvolvidos.

Atividade 11. Relatório final técnico e financeiro (Prestação de contas): entrega dos (i) relatório final com as atividades realizadas, os resultados alcançados e os produtos a serem entregues; (ii) relatório financeiro com os gastos do projeto relacionados e devidamente comprovados.

17. Produtos e Entregas

Xxxxx Xxxxxx Xxxxxx Xxxxxxxx

O primeiro protótipo da ferramenta computacional compreenderá: (i) uma interface de usuário simples;

(ii) interfaces para carregar novos áudios; (iii) interface para a transcrição de áudios; (iv) interface para geração de relatórios personalizados.

Ferramenta computacional 0.1

Considerando como produto a entregar o software a desenvolver, o seguinte cronograma

Xxxxx Xxxxxx Xxxxxx Xxxxxxxx

A API de programação a entregar incluirá: (i) a implementação das técnicas de pré-processamento de dados de áudio; (ii) os modelos baseados em redes neurais para cada um dos problemas em estudo; (iii) funções de suporte para integração dos modelos.

API de programação

Xxxxx Xxxxxx Xxxxxx Xxxxxxxx

O banco de dado a entregar estará conformado por arquivos de áudio de comunicações via rádio e telefone gravados durante a operação da ferrovia. Cada áudio estará atrelado a um arquivo de metadados (xml) que contém a informação rotulada de interesse, para o projeto.

Banco de Dados a ser desenvolvido

Xxxxx Xxxxxx Xxxxxx Xxxxxxxx

Relatório parcial com as atividades realizadas, os resultados alcançados e os produtos a serem entregues e o relatório financeiro com os gastos do projeto relacionados e devidamente comprovados

Relatório parcial técnico e financeiro (Prestação de contas)

Responsável

Mês de Entrega

Descrição

Produto

Xxxxx Xxxxxx Xxxxxx Xxxxxxxx

Relatório final com as atividades realizadas, os resultados alcançados e os produtos a serem entregues e o relatório financeiro com os gastos do projeto relacionados e devidamente comprovados

Relatório final técnico e financeiro (Prestação de contas)

Xxxxx Xxxxxx Xxxxxx Xxxxxxxx

O protótipo final da ferramenta computacional compreenderá: (i) a interface de usuário final; (ii) interfaces para carregar novos áudios; (iii) interface para a transcrição de áudios e reconhecimento de locutor.

Ferramenta computacional 1.0

18. Referências Bibliográficas da Pesquisa

XXXXXX, D., XXXXXXX, X., XXXXXXXXXX, X., et al. Deep speech 2: end-to-end speech recognition in english and mandarin. In: International Conference on Machine Learning, v. 48, pp. 1–10, New York, USA, June 2016.

BAHDANAU, D., XXXXXXXXX, X., XXXXXXX, X., et al. End-to-end attention-based large vocabulary speech recognition. In: IEEE International Conference on Acoustics, Speech and Signal Processing, pp. 4945–4949, Shanghai, China, March 2016.

BAHDANAU, D., XXX, X., BENGIO, X. Neural machine translation by jointly learning to align and translate. In: International Conference on Learning Representations, pp. 1–15, San Diego, USA, April 2014.

XXXXXXXX, X., XXXXXXXX, X., XXXXXXXX, D., XXXXXX, X., XXXXXX-XXXXXXXXXXXX, P., Support vector

machines for speaker and language recognition. Comput. Speech Lang., vol. 20, pp. 210-299, 2006.

XXXXXXXX, X., XXXXXXX, D., XXXXXXXX, X., XXXXXX, P., XXXX, C., Stream-based speaker segmentation using speaker factors and eigenvoices. In Acoustics Speech and Signal Processing, 2008. ICASSP 2008. IEEE International Conference on. IEEE, 2008, pp. 4133–4136.

XXXXXXXXX, X., XXXXXXXX, D., XXXXXXX, X., et al. Attention-based models for speech recognition. In: Advances in Neural Information Processing Systems, pp. 577–585, Montreal, Canada, December 2015.

XXXXXX, M., XXXXXXXX, S., XXXXXXXX, P., BOURLARD , H., System fusion and speaker linking for longitudinal diarization of tv shows. In ICASSP, 2016.

XXXXXX, X., XXXXXXXXX, X., XXXXX, X. X., et al. Connectionist temporal classification: Labelling unsegmented sequence data with recurrent neural networks. In: International Conference on Machine Learning, pp. 369–376, Pittsburgh, USA, June 2006.

XXXXXX, X. Supervised Sequence Labelling with Recurrent Neural Networks. Studies in Computational Intelligence. Heidelberg, Germany, Springer Verlag, 2012.

XXXXXX, X. Generating sequences with recurrent neural networks. June 2013. Eprint arXiv:1308.0850v5 HOCHREITER, S.; XXXXXXXXXXX, X. Long short-term memory. Neural Computation. 9 (8): 1735–1780, 1997.

XXXXX, X. X.; XXXXXX, T. N. Receptive fields and functional architecture of monkey striate cortex. The Journal of Physiology, v. 195, n. 1, p. 215–243, mar 1968. ISSN 0022-3751.

XXXXX, X., XXXXXXXX, D,. XXXXXXXX, X., Diarization of telephone conversations using factor analysis. IEEE Journal of Selected Topics in Signal Processing, vol. 4, no. 6, pp. 1059–1070, 2010.

[XXX e XX, 2001] XXX, J, X., XX, X., Learning statistically efficient feature for speaker recognition. In Proc. ICASSP, pp. 437-440, 2001.

LE LAN, G., XXXXXXXX, S., XXXXXXX, D., DELÉGLISE, P., Speaker diarization with unsupervised training framework. In ICASSP, 2016.

XXXX, A. L., XXX, Z., XXXXXXXX, X., et al. Lexicon-free conversational speech recognition with neural networks. In: Annual Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL-HLT), pp. 345–354, Denver, USA, May 2015.

XXXXXXXX, X., XXXXXXXXX, X., XXXXXXXXX, X., XXXXXXXXXXXXX, B., Data-driven temporal filters and alternatives to GMM in speaker verification. Digital Signal Process, vol. 10, pp. 55-74, 2000.

XXXX, X., XXXXXXXX, M., XXXXX, X. “EESEN: End-to-end speech recognition using deep RNN models and WFST-based decoding. In: IEEE Workshop on Automatic Speech Recognition and Understanding, pp. 167– 174, Scottsdale, USA, December 2015.

XXXXXXXX, X., XXXXXXXX, T. F., XXXX, R. B., Speaker verification using adapted Gaussian mixture models. Digital Signal Processing, vol. 10, pp. 19-41, 2000.

XXXXXXX, M., XXXXXXXX, P.-M., FAVRE. X., Speaker diarization through speaker embeddings. In. Signal Processing Conference (EUSIPCO), 2015.

XXXXXXX, X., XXXXXXX, L. F., XXXXX, X., et al. “CSLU: Spoltech Brazilian Portuguese version 1.0 LDC2006S16. Philadelphia, 2006. Linguistic Data Consortium.

XXXX, X., DEHAK, N., XXXXX, R., XXXXX, J., Unsupervised methods for speaker diarization: An integrated and iterative approach. IEEE Transactions on Audio, Speech, and Language Processing, vol. 21, no. 10, pp. 2015–2028, 2013.

XXXXXXXXXXX, X., XXXXX, X., XXXXXXXXXX, X., XXXXXXXXX, P., A study of the cosine distance based mean shift for telephone speech diarization. IEEE/ACM Transactions on Audio, Speech and Language Processing (TASLP), vol. 22, no. 1, pp. 217–227, 2014.

XXXX X., XXXXXX-XXXXXX, X. Speaker diarization with plda i-vector scoring and unsupervised calibration. In Spoken Language Technology Workshop (SLT), 2014, pp. 413–417.

XXXX X., XXXXXX-XXXXXX, X. Diarization resegmentation in the factor analysis subspace. In Acoustics, Speech and Signal Processing (ICASSP), 2015 IEEE International Conference on. IEEE, 2015, pp. 4794–4798

XXXXXX, X., XXXXXXXXXX, X., XXXXX, D., XXXXXX-XXXXXX, D., XXXXXXX, X., KHUDANPUR, S., Deep

neural network-based speaker embeddings for end-to-end speaker verification. In IEEE Spoken Language Technology Workshop, 2016.

XXXXXX, X., XXXXXX-XXXXXX, X., XXXXX, D., XXXXXXXXX, S., Deep neural network embeddings for text- independent speaker verification. In Proc. INTERSPEECH, pp. 999-1003, 2017.

XXXXXX, X., XXXXXXX, X., XXXXXXXX, J., XXXXXXXXX, R., Statistical formant-pattern model for estimating vocal tract length from formant frequency data. Journal of Acoust. Soc. America, vol. 125, pp. 2374-2386, 2009.

XXXXXX, X., XXXXX, X., XXXXXXXX, J., Short-and long-term speech features for hybrid hmm-i-vector based speaker diarization system. Odyssey, 2016.

Xxx, X., Xxxx, X., Xxxxx, X., Xxxxxx, I. L., Generalized end-to-end loss for speaker verification. arXiv, preprint arXiv:1710.10467, 2017.

XX, X., XX, X., XXXXX, R., Xxxx, attend and tell: Neural image caption generation with visual attention. In: International Conference on Machine Learning, v. 37, pp. 1–10, Lille, France, July 2015.

XX, X., XXXXXXXXXX, X., XXXX, X., XX, X. Improved i-vector representation for speaker diarization. Circuits, Systems, and Signal Processing, vol. 35, no. 9, pp. 3393–3404, 2016.

YELLA. S. H., Speaker diarization of spontaneous meeting room conversations. Ph.D. dissertation, École Polytechnique Féderale de Lausanne, 2015

19. Orçamento Detalhado e Cronograma de Desembolso

Preencha o formulário em excel com detalhamento do orçamento e cronograma de desembolso do projeto.

20. Informações Adicionais

Local

Quantidade

Item

Principais equipamentos já existentes necessários ao projeto (máximo de 5)*

*Este campo será utilizado para fins de registro.

Valor aprovado

Valor solicitado

Entidade

Auxílio recebido ou solicitado a outras entidades para o projeto (indicar moeda)*

*Bolsas de pesquisa, recursos financiados por agências de fomento, entre outros.

21. Anexos

# Anexo

1 Formulário de Orçamento 2

Descrição

Formulário detalhado do orçamento da proposta de projeto de P&D

22. Assinaturas

Preparado por:

Xxxxx Xxxxxx Xxxxxx Xxxxxxxx

Aprovado por:

Xxxxxxxx Xxxxxxxx Xxxxxx xx Xxxxxxx

Formulário para detalhamento do orçamento da proposta de projeto de pesquisa e desenvolvimento

Projeto

DADOS DO PROJETO (não abrevie)

Título do Projeto:

Desenvolvimento de uma Ferramenta de Software orientada à auditoria de comunicação via Rádio

Projeto em Rede ?

Individual

Título da rede (se aplicável)

Instituição Líder:

Universidade Federal de Espirito Santo

Coordenador:

Joge Xxxxxx Xxxxxx Xxxxxxxx

Duração do Projeto (em meses):

Data de Início

DADOS DO PARCEIRO (não abrevie)

Formulário para detalhamento do orçamento da proposta de projeto de pesquisa e desenvolvimento

Parceiro

XXXXX XXXXXX XXXXXX XXXXXXXX

UNIVERSIDADE FEDERAL DE ESPÍRITO SANTO

Responsável:

Instituição:

Tipo de Bolsa

Justificativa

Quantidade

Duração (meses)

Custo Unitário

Custo Total

Valor Ano 1

Valor Ano 2

Valor Ano 3

Valor Ano 4

Valor Ano 5

ORÇAMENTO DETALHADO - Bolsas de pesquisa

DT - CATEGORIA 2	Coordenação e desenv.: Xxxxx Xxxxxx	1	24	R$	2.800,00	R$	67.200,00	R$	33.600,00	R$	33.600,00
DT - CATEGORIA 2	Desenvolvimento: Xxxxxx Xxxxxxxx	0	24	R$	1.100,00	R$	-	R$	-	R$	-
PESQUISA	Identificação e transcrição de comunicação: Xxxxx Xxxxxxxxx Xxxxx	1	24	R$	1.500,00	R$	36.000,00	R$	18.000,00	R$	18.000,00
PESQUISA	Segmentação de fala e identificação de orador: Xxxxxx Xxxxx de Almeida	1	24	R$	1.500,00	R$	36.000,00	R$	18.000,00	R$	18.000,00
INICIAÇÃO CIENTÍFICA	Organização do Dataset e rotulação (Reconhecimento de fala): Xxxxxx Xxxxx Xxxxxxx	0	24	R$	400,00	R$	-	R$	-	R$	-
INICIAÇÃO CIENTÍFICA	Organização do Dataset e rotulação (Identificação automática de orador): Xxxx Xxxxxx Xxxxx	1	24	R$	400,00	R$	9.600,00	R$	4.800,00	R$	4.800,00
INICIAÇÃO CIENTÍFICA	Organização do Dataset e rotulação (Segmentação de falante): Xxxxxx Xxxxxx	1	24	R$	400,00	R$	9.600,00	R$	4.800,00	R$	4.800,00
						R$	-

TOTAL						R$	158.400,00	R$	79.200,00	R$	79.200,00	R$	-	R$	-	R$	-

Item

Descrição

Quantidade Custo Unitário

Custo Total

Valor Ano 1

Valor Ano 2

Valor Ano 3

Valor Ano 4

Valor Ano 5

ORÇAMENTO DETALHADO - Materiais, Serviços e Demais despesas

Material permanente nacional	COMPUTADOR DE ALTO DESEMPENHO	2	R$	25.000,00	R$	50.000,00	R$	50.000,00
Participação em congressos	INSCRIÇÃO EM CONGRESOS	3	R$	1.250,00	R$	3.750,00			R$	3.750,00
Viagens	DESPESAS DE VIAGENS	3	R$	690,00	R$	2.070,00	R$	1.380,00	R$	690,00
					R$	-
					R$	-
					R$	-
					R$	-

TOTAL					R$	55.820,00	R$	51.380,00	R$	4.440,00	R$	-	R$	-	R$	-

214.220,00

130.580,00

83.640,00

Tipo de Taxa

Justificativa

Percentual Total

Valor Ano 1

Valor Ano 2

Valor Ano 3

Valor Ano 4

Valor Ano 5

TOTAL GERAL (sem taxas)

ORÇAMENTO DETALHADO - Taxas

Fundação	Taxa FEST sobre material permanente e obras civis (5%)	5%	R$	2.500,00	R$	-	R$	-	R$	-	R$	-
Fundação	Taxa FEST sobre demais itens exceto material permanente (10%)	10%	R$	8.058,00	R$	8.364,00	R$	-	R$	-	R$	-
Centro Tecnológico	Taxa do Centro Tecnológico (11%)	11%	R$	14.363,80	R$	9.200,40	R$	-	R$	-	R$	-
UFES	Taxa da UFES (4%)	4%	R$	5.223,20	R$	3.345,60	R$	-	R$	-	R$	-
Valor das taxas por ano			R$	30.145,00	R$	20.910,00	R$	-	R$	-	R$	-
TOTAL GERAL DAS TAXAS		R$	51.055,00
Total a ser desembolsado por ano		R$ 265.275,00	R$ 160.725,00		R$ 104.550,00		R$ 0,00		R$ 0,00		R$ 0,00

Parceiro - Cronograma de desembolso do projeto

Instituição:

UNIVERSIDADE FEDERAL DE ESPÍRITO SANTO

Ano 1

Ano 2

Ano 3

Ano 4

Ano 5

TOTAL

79.200,00

1. Bolsa de pesquisa

158.400,00

2. Material de consumo

3. Material permanente nacional

50.000,00

4. Material permanente importado

5. Serviços de terceiros

6. Obras e edificações cívis

7. Viagens

1.380,00

690,00

2.070,00

8. Participação em congressos

3.750,00

30.145,00

20.910,00

9. Taxas

51.055,00

TOTAL GERAL

160.725,00

104.550,00

265.275,00

TOTAL GERAL - Cronograma de desembolso do projeto

Ano 1

Ano 2

Ano 3

Ano 4

Ano 5

TOTAL

1. Bolsa de pesquisa

79.200,00

158.400,00

2. Material de consumo

3. Material permanente nacional

50.000,00

4 Material permanente importado

5. Serviços de terceiros

6. Obras e edificações cívis

7. Viagens e diárias

1.380,00

690,00

2.070,00

8. Participação em congressos

3.750,00

9. Taxas

30.145,00

20.910,00

51.055,00

TOTAL GERAL

160.725,00

104.550,00

265.275,00

PROTOCOLO DE ASSINATURA(S)

O documento acima foi proposto para assinatura digital na plataforma Portal de Assinaturas Vale. Para verificar as assinaturas clique no link: xxxxx://xxxx.xxxxxxxxxxxxxxxxxxx.xxx.xx/Xxxxxxxxx/0X00-0000-0X00-0000 ou vá até o site xxxxx://xxxx.xxxxxxxxxxxxxxxxxxx.xxx.xx e utilize o código abaixo para verificar se este documento é válido. The above document was proposed for digital signature on the platform Portal de Assinaturas Vale . To check the signatures click on the link: xxxxx://xxxx.xxxxxxxxxxxxxxxxxxx.xxx.xx/Xxxxxxxxx/0X00-0000-0X00-0000 or go to the Websitehttps://xxxx.xxxxxxxxxxxxxxxxxxx.xxx.xx and use the code below to verify that this document is valid.

Código para verificação: 7B07-6196-4C04-6571

Hash do Documento

84EDCE8EE90F0E9DEDD4E5A237733F182C7B2557F42DFF84B56A4CF1EF6CF511

O(s) nome(s) indicado(s) para assinatura, bem como seu(s) status em 18/06/2020 é(são) :

Xxxxx Xxxxxx xx Xxxxx Xxxxxx (Reitor UFES) - 000.000.000-00 em 18/06/2020 19:31 UTC-03:00

Tipo: Assinatura Eletrônica

Identificaçao: Por email: xxxxxx@xxxx.xx; Código de acesso: UFES

Evidências

Client Timestamp Thu Jun 18 2020 19:31:08 GMT-0300 (Horário Padrão de Brasília)

Geolocation Latitude: -20.307955000000003 Longitude: -40.297002899999995 Accuracy: 20

IP 187.36.173.180

Hash Evidências:

0771238D5BFFCA75D9C868FBCE03AFC86165640FFFCC87B0C0DA0D7DF82C74B7

Xxxxx Xxxxxxxx Xxxxxx (Testemunha) - 000.000.000-00 em 03/06/2020 15:32 UTC-03:00

Tipo: Assinatura Eletrônica

Identificaçao: Autenticação de conta; Código de acesso: VALE

Evidências

Client Timestamp Wed Jun 03 2020 15:32:17 GMT-0300 (Horário Padrão de Brasília)

Geolocation Latitude: -19.1834229 Longitude: -40.3088626 Accuracy: 1166111

IP 200.6.35.101

Hash Evidências:

D56DB6BB42871DBC5A3003A8D5A09FC48120F4EA2831DD43B5A7EB614CD18DE5

Xxxxxxx Xxxxxx Xxxxx (Superintendente FEST) - 000.000.000-00 em 28/05/2020 17:39 UTC- 03:00

Tipo: Assinatura Eletrônica

Identificaçao: Por email: xxxxxxx.xxxxxx@xxxx.xxx.xx; Código de acesso: FEST

Evidências

Client Timestamp Thu May 28 2020 17:38:58 GMT-0300 (Horário Padrão de Brasília)

Geolocation Latitude: -20.272146400000004 Longitude: -40.2986414 Accuracy: 880

IP 200.137.67.50

Hash Evidências:

ED6D9A725640682430EE5D672292C0777D7C00DAB7BA90429AFC40C1118BF05E

Xxxxx Xxxxxx Xxxxxx Xxxxxxxx (Pesquisador líder) - 000.000.000-00 em 27/05/2020 16:20 UTC- 03:00

Tipo: Assinatura Eletrônica

Identificaçao: Por email: xxxxx.xxxxxxxx@xxxx.xx; Código de acesso: UFES

Evidências

Client Timestamp Wed May 27 2020 16:20:35 GMT-0300 (Horário Padrão de Brasília)

Geolocation Latitude: -20.1215224 Longitude: -40.3077898 Accuracy: 345175

IP 187.59.105.59

Hash Evidências:

D943F5362BC51EADD487FF839F7A022731031D9CB7B1E9BE03B5000BC4EC5B1E

Xxxxx Xxxxxxx Xxxxxx (Gerente Vale) - 000.000.000-00 em 27/05/2020 09:12 UTC-03:00

Tipo: Assinatura Eletrônica

Identificaçao: Por email: Xxxxx.Xxxxxx@xxxx.xxx; Código de acesso: VALE

Evidências

Client Timestamp Wed May 27 2020 09:12:02 GMT-0300 (Hora oficial do Brasil)

Geolocation Latitude: -20.222114 Longitude: -40.319065 Accuracy: 500

IP 200.6.35.101

Hash Evidências:

0AD383829C5E6634421AED4F0A07BAAB81AD6DB3C08246D54783083C17AEF1EE

Client Timestamp Wed May 27 2020 09:12:02 GMT-0300 (Hora oficial do Brasil)

Geolocation Latitude: -20.222114 Longitude: -40.319065 Accuracy: 500

IP 200.6.35.101

Hash Evidências:

0AD383829C5E6634421AED4F0A07BAAB81AD6DB3C08246D54783083C17AEF1EE

Client Timestamp Wed May 27 2020 09:12:02 GMT-0300 (Hora oficial do Brasil)

Geolocation Latitude: -20.222114 Longitude: -40.319065 Accuracy: 500

IP 200.6.35.101

Hash Evidências:

0AD383829C5E6634421AED4F0A07BAAB81AD6DB3C08246D54783083C17AEF1EE

Xxxxxxxx Xxxxxxxx Xxxxxx xx Xxxxxxx (Testemunha) - 000.000.000-00 em 26/05/2020 09:20 UTC-03:00

Tipo: Assinatura Eletrônica

Identificaçao: Por email: Xxxxxxxx.Xxxxxxx@xxxx.xxx; Código de acesso: VALE

Evidências

Client Timestamp Tue May 26 2020 09:19:51 GMT-0300 (Hora oficial do Brasil)

Geolocation Latitude: -20.294783 Longitude: -40.299968 Accuracy: 140

IP 200.6.35.101

Hash Evidências:

307F5BAF447BF0C90D0F819E61503518D3DD3E43A49F82FBA311DFE342C0ED18

Xxxxxxx Xxxxxx Xxxxxxxx (Gerente Vale) - 000.000.000-00 em 26/05/2020 07:29 UTC-03:00

Tipo: Assinatura Eletrônica

Identificaçao: Por email: Xxxxxxx.Xxxxxxxx@xxxx.xxx; Código de acesso: VALE

Evidências

Client Timestamp Tue May 26 2020 07:29:29 GMT-0300 (Hora oficial do Brasil)

Geolocation Latitude: -20.27951645409364 Longitude: -40.28938130970441 Accuracy: 187

IP 200.6.35.101

Hash Evidências:

5A062F5F93CDEDA4CF679FD7F6BD90B9502336353AEAA51E6DDC992663320244

Document Metadata

Table of Contents

SAP No.

Document Metadata