DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 301

Aluno: Wladimir Farias Tenório Filho

Título: “Conflitos em Times de Desenvolvimento de Software: Modelo e Instrumento de Mensuração com Análise baseada em Aprendizado de Máquina"

Orientadora: Maria Lencastre Pinheiro de Menezes - (PPGEC)

Coorientadora: Roberta Andrade de Araújo Fagundes - (PPGEC)

Examinador Externo: Paulo Salgado Gomes de Mattos Neto - (UFPE)

Examinador Interno: Ivaldir Honório de Farias Junior - (PPGEC)

Data-hora: 29 de Julho de 2024, às 14:30.
Local: Formato Presencial, Sala de Atos (CSEC) - POLI/UPE (Recife/PE)-.

---

Resumo:

         "Os conflitos são inevitáveis no desenvolvimento de software devido à diversidade de competências e personalidades. Conflitos de origem humana surgem de interações interpessoais, como diferenças de personalidade e valores, enquanto conflitos de origem não humana são causados por fatores técnicos, como incompatibilidades de ferramentas e processos. Esses conflitos impactam diretamente o sucesso do projeto e podem ser moderados pelo tamanho da equipe e o porte da organização. Objetivo: Propor um Modelo e Instrumento de Mensuração de conflitos no desenvolvimento de software a partir de técnicas de análise de Aprendizado de Máquina. Metodologia: A pesquisa adotou uma abordagem metodológica mista, começando com um Mapeamento Sistemático da Literatura e Análises Bibliométricas para compreender o estado da arte na mensuração de conflitos em Engenharia de Software. Posteriormente, baseado em um estudo existente, foi conduzido um survey com profissionais da indústria de software para coletar dados empíricos, a partir de novas hipóteses, com novas questões, além de novas análises. Foram comparadas técnicas de Modelagem de Equações Estruturais (MEE), Redes Bayesianas e algoritmos de Aprendizado de Máquina, culminando na realização de um novo experimento para comparar como os modelos de análise explicam os dados. Resultados: Os resultados do Mapeamento Sistemático e da Bibliometria proporcionaram uma visão abrangente da área, identificando os principais fatores e métodos de análise de conflitos. A proposta de um novo modelo e instrumento, com novos elementos, confirmou que os conflitos de origem humana impactam negativamente o sucesso dos projetos, enquanto os conflitos de origem não humana têm efeitos variáveis dependendo do tamanho da organização. A inclusão da segurança psicológica como mediador revelou-se um fator para a mitigação dos efeitos negativos dos conflitos. A comparação entre MEE, Redes Bayesianas e Aprendizado de Máquina demonstrou a eficácia e limitações de cada técnica na mensuração de conflitos. Conclusões: O instrumento desenvolvido e validado nesta dissertação oferece uma ferramenta prática e teórica para identificar e gerenciar conflitos. A segurança psicológica desempenha um papel moderador significativo, destacando a necessidade de promover um ambiente de trabalho seguro e acolhedor. Futuras pesquisas devem focar na validação cruzada do instrumento em diferentes contextos, explorar novos mediadores e desenvolver intervenções específicas para a gestão de conflitos."

DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 300

Aluno: Victor Hugo Wanderley Freire

Título: “Multi-Task Learning - Um aprofundamento no processo de treinamento"

Orientador: Carmelo José Albanez Bastos Filho - (PPGEC)

Examinador Externo: José Alfredo Ferreira Costa - (UFRN)

Examinador Interno: Alexandre Magno Andrade Maciel - (PPGEC)

Data-hora: 26 de Julho de 2024, às 9h.
Local: Formato Presencial, na Sala de Atos.

---

Resumo:

         Com a crescente importância da inteligência artificial (IA) e do aprendizado de máquina na indústria automotiva, surge a necessidade de explorar e compreender como o aprendizado de múltiplas tarefas (MTL) pode otimizar o desempenho de sistemas avançados. Esta dissertação teve como objetivo analisar o processo de treinamento de algoritmos de ponderação no MTL, especificamente os algoritmos Dynamic Weight Average (DWA) e Impartial Multi-Task Learning (IMTL), para entender seu comportamento em diferentes cenários e distribuições de tarefas. Utilizando uma base de dados automotiva com 2.151 imagens de veículos, quatro tarefas foram definidas: classificação da cor do carro, do segmento, da marca e do sub-segmento. Os experimentos variaram batch size e incluíram análises da convergência e acurácia dos modelos em diversos cenários. A inclusão de tarefas fáceis melhorou a acurácia e acelerou a convergência em tarefas difíceis. A análise revelou que a dificuldade das tarefas impacta significativamente a eficácia do MTL. Estes achados fornecem insights valiosos para a aplicação do MTL em projetos de inteligência artificial no setor automotivo, que possivelmente podem ser expandidos para outras áreas, indicando que a inclusão de tarefas de diferentes níveis de dificuldade pode otimizar o desempenho dos modelos de aprendizado profundo.

DEFESA DE TESE DE DOUTORADO Nº 20

Aluna: Fabiana Souza da Fonte Alexandria

Título: “Hibridização de Metaheurísticas para resolução de problemas de otimização binários e multimodais"

Orientador: Fernando Buarque de Lima Neto - (PPGEC)

Examinadora Externa: Tarcísio Daniel Pontes Lucas - (UPE)

Examinador Interno: João Fausto Lorenzato de Oliveira - (PPGEC)

Data-hora: 24 de maio de 2024 às 16:00h.
Local: Formato híbrido, no miniauditório do PPGEC e no Google meet.

---

Resumo:

         Algoritmos metaheurísticos inspirados na natureza vêm sendo utilizados com sucesso para encontrar boas soluções em problemas complexos de otimização. Dentre estes algoritmos, destacam-se os Algoritmos Evolutivos e os Algoritmos de Inteligência de Enxames. Um exemplo bastante popular dos Algoritmos Evolutivos são os algoritmos genéticos baseados na teoria da seleção natural de Charles Darwin. Entre a abordagem de Inteligência de Enxames, algoritmos baseados em população que imitam o comportamento da inteligência coletiva de animais, destacam-se algoritmos como Otimização por Enxames de Partículas, Weight Based Fish School Search (wFSS). Nos últimos anos, pesquisadores se voltaram ao estudo da hibridização de metaheurísticas, ou seja, implementação de modelos que não seguem puramente um paradigma de metaheurísticas, combinando vários componentes de uma metaheurística em outra. Nesse contexto, este trabalho propôs a criação de um modelo multimodal híbrido que aproveita tanto o potencial dos algoritmos de inteligência de enxames quanto o potencial dos algoritmos genéticos. O modelo proposto foi aplicado a uma tarefa em que haja explosão combinatorial tal como a de seleção de atributos, uma das abordagens de redução de dimensionalidade, para aumentar a precisão da tarefa de classificação em mineração de dados e reduzir sua complexidade computacional.