Events
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 292
Aluno: Filipe Tabosa da Silva
Título: “Técnica Technical Debt: Priorização baseada em critérios de médio e longo prazo"
Orientador: Wylliams Barbosa Santos - (PPGEC)
Orientador: Rodrigo Rebouças de Almeida
Examinador Externo: Jose Adson Oliveira Guedes da Cunha (UFPB)
Examinador Interno: Carlo Marcelo Revoredo da Silva - (PPGEC)
Data-hora: 27 de Fevereiro de 2024, às 14:30h.
Local: Formato Remoto - Google Meet.
Resumo:
Contexto: Dívida Técnica é um termo criado para referir-se às soluções de baixa qualidade que promovem um benefício imediato, mas que precisam ser resolvidas posteriormente para evitar prejuízos ao projeto. Problema: O cenário de dívidas técnicas de um projeto pode ter um volume que inviabilize o pagamento de todos os seus itens. A priorização é um fator importante para direcionar o foco sobre as dívidas que trazem maior risco de danos. Objetivo: Identificar as causas que influenciam na tomada de decisão para priorizar itens de dívida técnica com base em critérios de médio e longo prazo. A fim de gerar conhecimento para que profissionais melhorem a tomada de decisão na priorização e gestão de dívida técnica, bem como gerar insights e contribuir para a evolução do framework Tracy TD. Método: Houve inicialmente a replicação de um Estudo de Caso para avaliação de um modelo de priorização de dívidas técnicas, executado em formato de colaboração indústria-academia, com o intuito de propiciar um aprofundamento no tema e busca de um problema relevante no contexto de priorização de dívidas técnicas. Após ser identificado o gap de pesquisa, foram realizadas entrevistas semiestruturadas com profissionais da indústria que atuam em diferentes empresas. Estimulando o compartilhamento de experiências e cenários que envolvem a tomada de decisão para priorização das dívidas técnicas, que proporcionou uma Análise Temática para extrair as respostas para as perguntas de pesquisa. Resultados: Com o processo aplicado foi possível esclarecer: (i) critérios de médio e longo prazo que influenciam na priorização de dívidas técnicas; e (ii) tipos de dívidas técnicas mais afetados pelos critérios de médio e longo prazo. Durante a pesquisa foram obtidos aceites e publicações relevantes. Além de estimular e praticar a execução de pesquisa em ambiente real da indústria, através da colaboração indústria-academia. Conclusão: A análise dos resultados esclareceu como a priorização de dívidas técnicas é realizada com base em critérios de médio e longo prazo. Quais são as variáveis consideradas e os tipos de dívida mais afetados por tais critérios. Gerando contribuições teóricas para a academia e práticas para profissionais.
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 291
Aluno: Islan Amorim Bezerra
Título: “Técnica de Machine Learning para a Recuperação Eficiente de Dados Formatados em Imagens JPEG e PNG"
Orientador: Sidney Marlon Lopes de Lima - (PPGEC)
Examinador Externo: Waldemar Pires Ferreira Neto - (UFRPE)
Examinador Interno: Sérgio Murilo Maciel Fernandes - (PPGEC)
Data-hora: 23 de Fevereiro de 2024, às 17:00h.
Local: Formato Remoto - Google Meet.
Resumo:
Com efeito colateral da massificação da rede mundial de computadores, os crimes virtuais têm uma maior tendência de ocorrer. As situações rotineiras são: cyberbullying e compartilhamentos ilícitos, mas também ocorrem casos de invasão de privacidade, divulgação de mensagens difamatórias e pornografia infantil. Como agravante, quando o equipamento digital é roubado, perdido ou descartado, os dados continuam armazenados no dispositivo de armazenamento em massa. Esse fator permite a recuperação de arquivos formatados. Porém quando empregada de forma lícita, a recuperação de dados formatados é capaz contribuir com as investigações de crimes digitais e cibernéticos. O presente trabalho visa o resgate de arquivos formatados. É investigada a aplicabilidade das ferramentas Foremost, Scalpel e Magic Rescue no ambiente Linux. Adicionalmente, é criada uma ferramenta autoral, patenteada como Dejavu Forensics, dotada de ciência dos dados, machine learning e reconhecimento de padrão estatístico. A Dejavu Forensics traz novas percepções de análise com relação aos métodos de recuperação de arquivos formatados. Na ferramenta proposta, o cluster da partição é empregado como atributo de entrada da máquina de aprendizado estatística. Visa-se reconhecer o padrão dos blocos/clusters do tipo de arquivo a ser recuperado, em tempo de execução. No primeiro cenário, aqui denominado "simples", a classificação é binária. Há apenas classe vs. contra-classe. Essa metodologia foi desenvolvida por Pavel (2017) e replicada no cenário simples mencionado anteriormente. Em um segundo cenário, denominado "complexo", foi utilizado o método um contra todos, cujo banco de dados contém 16.000 arquivos. A Dejavu Forensics apresenta uma abordagem de ponta que sinergiza o aprendizado de máquina e a ciência de dados para recuperar dados formatados. A ferramenta inovadora apresenta uma taxa de recuperação notável de mais de 96% para arquivos PNG e JPEG formatados, executada em apenas alguns segundos. Esse avanço é uma promessa significativa de modo a otimizar as investigações forenses digitais. As experiências relatadas no trabalho proposto deixam contribuições para o avanço nos estudos sobre recuperação de dados. Sua relevância diz respeito à proposta de auxiliar na elucidação dos crimes digitais que rondam a sociedade contemporânea. O sistema autoral se torna um locus de como a tecnologia pode servir aos direitos humanos e melhorar a qualidade de vida na sociedade contemporânea.
DEFESA DE TESE DE DOUTORADO Nº 13
Aluno: Maicon Herverton Lino Ferreira da Silva Barros
Título: “Machine-learning for classification of the prognosis of tuberculosis using real data from Brazil”
Orientadora: Patricia Takako Endo - (PPGEC)
Coorientador: Vanderson Souza Sampaio - (UFPE)
Examinadora Externa: Gisely Cardoso de Melo (UFAM)
Examinadora Externa: Danielle Moura - (UPE/FENSG)
Examinador Interno: Dimas Cassimiro - (PPGEC)
Examinador Interno: Cleyton Rodrigues - (PPGEC)
Data-hora: 21 de fevereiro de 2024, às 14:00h.
Local:Formato Remoto e Presencial.
Resumo:
Tuberculosis (TB), for many years until the advent of COVID-19, was the leading cause of death by an infectious agent worldwide. Despite efforts by the World Health Organization (WHO) to reduce the incidence of tuberculosis, it is estimated that in 2021, about 10.6 million people fell ill with the disease and 1.6 million deaths were recorded globally. In Brazil, one person contracts tuberculosis every five minutes and one dies every hour from the disease; in 2020 alone, there was an increase of 12% in the number of deaths compared to 2019. Monitoring the possible outcomes of a patient with tuberculosis is an important task that can help reduce early mortality in a patient diagnosed with this disease. However, determining this outcome is not a trivial task, especially in terms of anticipating the patient’s prognosis. For decades, the state of health and quality of life during the treatment of a disease have been receiving increasing attention in the health field. Brazil has the Information System for Notifiable Diseases (SINAN), which contains a database with records of patients with compulsory notification diseases, including tuberculosis. Classifying the outcome of tuberculosis treatment into categories of cure and death (prognosis) using a tool that employs a machine learning model, can assist health professionals in making decisions about the most appropriate treatment, given the individual conditions of the patient and the likely course of the disease based on medical experience. Depending on the prognosis, late or inadequate treatment can result in unsatisfactory outcomes, including exacerbation of clinical symptoms, poor quality of life, and increased risk of death. In this thesis, we propose the development of a tool named TITO that uses artificial intelligence (AI) to assist in the prognosis of tuberculosis. The tool has four modules: decision support; application; interface; ongoing monitoring. Regarding the decision support module, preprocessing of SINAN data from 2001 to April 2020 was carried out, with about 1.7 million patients containing clinical, laboratory, and sociodemographic data of patients who were treated for pulmonary and extrapulmonary tuberculosis, in addition to the application of machine learning techniques, feature selection, and random search to find hyperparameter optimization. Through a rigorous scientific methodology, experiments were conducted with different scenarios of data balancing and imbalancing, using appropriate metrics to evaluate the models with the objective of selecting the artificial intelligence model with the best performance for TITO. The application module consists of a computer program, developed in Python, that runs on a web application server. The program uses the trained AI model to perform classifications of tuberculosis prognosis; it performs interpretability through the XAI technique and controls data entry for the follow-up module. The interface module, responsible for data entry, is responsible for sending the information received from the user to the application module and also for retrieving the classification history from the follow-up module. The follow-up module for monitoring the prognosis over time is responsible for recording and monitoring the prognosis and probabilities of cure or death to maintain a history of predictions over time. Promising results were found with the use of machine learning models. In the usability evaluation, TITO achieved an 83.95% score. Finally, TITO will allow health vii professionals to monitor patients’ prognosis classifications, making decision-making supported by a tool using artificial intelligence.
O Programa
