Divulgação - Defesa Nº 217

Aluno: Renato Barbosa Cirne

Título: “Seleção de características de modelos de processos usando técnicas de Inteligência de Enxames”.

Orientador: Prof.  Fernando Buarque de Lima Neto

Data-hora: 15/Setembro/2020 (10:30h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (CÓDIGO DA SALA CLASSROOM: dhd6il6)

Resumo:

“A modelagem de processos é usada nas organizações para orientar e sintetizar os processos de negócio. Sua validação é importante para garantir a qualidade e compreender quais fatores impactam em não-conformidades do modelo. Neste contexto, Process Mining emergiu como uma nova área de pesquisa científica na interface entre modelos de processos e dados de eventos. Apesar de suas técnicas fornecerem respostas sobre diferentes perspectivas (fluxo de atividades, organização, etc.) dos processos de negócio, é difícil operar um grande conjunto de dados relacionados a algum modelo normativo ou descritivo (compliance). Dentre os fatores relevantes para tal situação, a existência de inúmeras variáveis aplicáveis ao gerenciamento de processos de negócio, o volume de informações e a complexidade dos modelos descobertos são geralmente destacados. Além disso, o uso de técnicas de Inteligência Artificial (IA) que seria um natural candidato de suporte, conforme revisão sistemática, ainda tem sido pouco aplicado na área de compliance. Portanto, esta pesquisa teve por objetivo desenvolver um método de seleção de características na modelagem de processos de negócio usando técnicas de IA. Em nossa proposta aplicamos uma conjunção das técnicas de Process Mining com a técnica de Inteligência de Enxames (IE), Ant Colony Optimization (ACO), para seleção de características e assim contribuir com o problema em lide. A pesquisa seguiu as seguintes etapas: identificação de técnicas de seleção de características mais adequadas ao problema, levantamento de oportunidades do uso de seleção de características em processos de negócio, desenvolvimento de um novo método, execução dos experimentos e avaliação dos resultados. Como objeto de experimento de validação, a contribuição desta pesquisa foi aplicada em um conjunto volumoso de dados relacionados a processos de compras. Com isso, conseguimos selecionar um subconjunto de características relevantes que produziram ganhos de qualidade na descoberta de modelos de gerenciamento de processos. Ademais, a aplicação do método pode facilitar a interpretação pelos usuários com a diminuição de atributos, uma vez que com poucos exemplos de fluxos é possível representar o conteúdo completo do log de evento. Concluímos que a abordagem permite melhor escalar os modelos, reduzindo, portanto, o tempo de processamento na aplicação de outras técnicas, a exemplo da avaliação de conformidade dos processos de negócio.”

Divulgação - Defesa Nº 219

Aluno: Pedro Henrique Ramos Macêdo

Título: “Desenvolvimento de um Modelo de Análise de Perfis de Engajamento de Estudantes de Ensino A Distância”.

Orientador: Prof. Alexandre Magno Andrade Maciel

Coorientador: Prof. Wylliams Barbosa Santos

Data-hora: 14/Outubro/2020 (14:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/qnc-iikg-rtc)

Resumo:

“O uso de ambientes virtuais de aprendizagem permitem mais interação no ensino a distância mas ao mesmo tempo traz consigo o distanciamento do aluno e do professor. Os métodos para identificar comportamentos aplicados na aprendizagem presencial enfrentam limitações no ensino à distância, fazendo com que os professores tenham dificuldade em identificar seu aluno. Esse trabalho tem como objetivo detectar os perfis de engajamento dos estudantes de ensino a distância utilizando técnicas de mineração de dados. Através de uma revisão sistemática da literatura, foram encontrados quais as principais variáveis utilizadas para identificar o engajamento do estudante nos ambientes virtuais de aprendizagem. O experimento seguiu as etapas do CRISP-DM e utilizou 3 algoritmos de agrupamento para identificar os perfis a partir das variáveis encontradas pela revisão sistemática da literatura. Os perfis encontrados possuem uma fraca relação entre eles, porém, é possível detectar os traços comportamentais dos estudantes nas plataformas de ensino a distância, sendo possível identificar os principais perfis de engajamento.”

Divulgação - Defesa Nº 218

Aluno: Letícia Virgínia Netto Lapenda

Título: “Autoencoder latent space: an empirical study”.

Orientador: Prof. Carmelo José Albanez Bastos Filho

Data-hora: 25/Setembro/2020 (11:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (http://meet.google.com/hvn-jtom-qpa)

Resumo:

“Feature extraction is essential to many machine learning tasks. By extracting features, it is possible to reduce the dimensionality of datasets, focusing on the most relevant features and minimizing redundancy. Autoencoders (AE) are neural network architectures commonly used for feature extraction. A usual metric used to evaluate AEs is the reconstruction error, which compares the AE output data with the original one. However, many applications depend on how the input representations in intermediate layers of AEs, i.e. the latent variables, are distributed. Therefore, additionally to the reconstruction error, an interesting metric to study the latent variables is the Kullback-Leibler divergence (KLD). This work analyzes how some variations on the AE training process impact the aforementioned metrics. Those variations are: 1. the AE depth, 2. the AE middle layer architecture, and 3. the data setup used for training. Results have shown a possible relation between the KLD and the reconstruction error. In fact, lower errors have happened for higher KLDs and less compressed latent variables, i.e. more neurons on the AE middle layers.”