Eventos
Divulgação - Defesa Nº 242
Aluno: Ericks da Silva Rodrigues
Título: "Desenvolvimento de Modelos de Previsão de Vendas Utilizando Dados do Varejo Físico”
Orientador: Alexandre Magno Andrade Maciel (PPGEC)
Corientador: Jorge Cavalcanti Barbosa Fonsêca (UPE)
Examinador Externo : Djalma Silva Guimarães Júnior - (UPE)
Examinador Interno : Byron Leite Dantas Bezerra (PPGEC/UPE)
Data-hora: 17/Dezembro/2021 (15:00h) - PM
Local: Formato Remoto (https://meet.google.com/bhc-osuv-jwf)
Resumo:
O varejo é um setor da economia que está expandindo ao longo dos últimos anos, tanmesmo sob as consequências da pandemia do Covid-19. Para mensurar os impactos no desempenho das estratégias empresariais, os indicadores auxiliam os gestores na identificação de possíveis problemas e melhorias necessárias. Um importante indicador é o faturamento bruto, referente ao montante que a empresa adquiriu através das vendas. Como esse indicador contribui com o entendimento do estado da empresa, gerar previsões do faturamento de vendas é uma estratégia que auxilia o gestor no direcionamento do negócio. Com o foco no comércio físico, que engloba mais desafios na extração de dados e detém a maior parte do PIB do setor que os ecommerces, este trabalho tem tem como objetivo de desenvolver um conjunto de modelos de Machine Learning (ML) para previsao de vendas no varejo físico. Para condução desse trabalho foi proposta uma metodologia para criar, comparar e avaliar modelos de ML que contempla as etapas de apresentação das bases de dados, pré-processamento dos dados, seleção de atributos, divisão dos conjuntos em treinamento e teste, treinamento e avaliação dos modelos. A partir das bases de dados de vendas, utilização do Wi-Fi e fluxo de pessoas em um shopping center, foram criados dois conjuntos de dados com periodicidade por hora e por dia. Os modelos foram treinados com esses conjuntos, com seleção e atributos e com todos eles. A cada execução, foi realizado o treinamento de 13 algoritmos de ML, dentre eles, foram selecionados os melhores, a partir da métrica F1-score, para o ajuste dos hiper-parâmetros. Após o teste estatístico de Wilcoxon, os modelos foram avaliados sob as métricas F1-score, Acurácia e MCC, e também pelas matrizes de confusão. Ao analisar os dois cenários, foi observado que as previsões do cenário por hora apresentaram maior desempenho que as previsões do cenário por dia. Destacamos o modelo LIGHTGBM, pois apresentou as melhores pontuações nas métricas de avaliação. Espera-se, que os modelos de previsão ajudem os gestores a encontrar insights e apoiar as decisões operacionais do varejo físico, contribuindo para realizar ações de otimização da jornada de trabalho dos colaboradores, melhorar o processo de controle de estoque, criar ações de impulsionamento das vendas através de campanhas de marketing ou elaborar sistemas de metas para a equipe, por exemplo.
Divulgação - Defesa Nº 241
Aluna: Ana Carolina Candido de Melo
Título: "Guia de Apoio na Identificação e Mensuração de Dívida Técnica em Requisitos de Software"
Orientador: Wylliams Barbosa Santos (PPGEC)
Corientador: Roberta Andrade de Araujo Fagundes (PPGEC)
Examinador Externo : Johnny Cardoso Marques - Doutor - (Instituto Tecnológico de Aeronáutica - ITA)
Examinador Interno : Maria Lencastre Pinheiro de Menezes Cruz (PPGEC)
Data-hora: 31/Agosto/2021 (15:00h) - PM
Local: Formato Remoto (https://meet.google.com/zoo-vmvb-bxj)
Resumo:
A Engenharia de Requisitos (ER) possui grande relevância no ciclo de vida de projetos de software. Dentre seus objetivos, compreende a utilização de técnicas de especificação de requisitos que atendam às necessidades dos stakeholders. No entanto, é uma área complexa, que muitas vezes não recebe a devida atenção das partes interessadas. Com isso, quando tarefas da ER são realizadas inadequadamente, ocasionam problemas que afetam o desenvolvimento do software, os quais podem ser exemplos de Dívida Técnica (DT). O gerenciamento eficaz da DT é fundamental para a qualidade do software, já a falta de gerenciamento, resulta em problemas a longo prazo, como o aumento no custo do projeto. Identificação e mensuração são as primeiras etapas no processo de gerenciamento. São essenciais para saber qual tipo de DT existe, onde está localizada e como estimar seu impacto no software. No entanto, na ER, essas etapas são pouco exploradas em pesquisas acadêmicas, sendo a mensuração uma das fases mais desafiadoras. Frente a essa situação, este trabalho possui como objetivo desenvolver um guia de apoio que possa auxiliar as empresas de desenvolvimento de software na identificação e mensuração da dívida técnica de requisitos existente em seus projetos. Apresentando informações que auxilie a identificá-la de forma assertiva, conhecendo estratégias e métricas que facilite a mensurar os dados necessários para a sua resolução. Inicialmente, conduziu-se uma revisão sistemática da literatura, a qual possibilitou compreender os aspectos associados ao gerenciamento da DT de requisitos. Na sequência, com o objetivo de analisar na prática como a identificação e mensuração são realizadas em contextos reais, um survey foi conduzido com profissionais do desenvolvimento de software alocados em diferentes organizações. Adicionalmente, o guia foi desenvolvido e avaliado através de uma sessão de grupo focal por um painel de especialistas nas áreas de estudo. Dentre os resultados, tornou-se possível apresentar no guia de apoio: (i) 26 causas atribuídas ao surgimento da dívida técnica de requisitos, com destaque ao baixo nível de detalhes na documentação dos requisitos; (ii) 10 estratégias já existentes que auxiliam na sua identificação e mensuração; e (iii) diferentes ferramentas e métricas que atualmente são utilizadas para automatizar o processo de gerenciamento da DT de requisitos, especificamente mensurar o esforço ou o tempo que serão necessários para reembolsá-la. Assim, após a análise dos resultados, pode-se concluir que o guia de apoio é um recurso que auxilia, especialmente os profissionais da indústria de software com pouca experiência e baixo nível de conhecimento na área, a obter maiores informações sobre DT, proporcionando que a mesma possa ser identificada e mensurada assertivamente.
Divulgação - Defesa Nº 240
Aluna: David Josue Barrientos Rojas
Título: "IQAENet: Inpainting Quality Assessment Estimator Neural Network"
Orientador: Bruno José Torres Fernandes (PPGEC)
Corientador: Sérgio Murilo Maciel Fernandes (PPGEC)
Examinador Externo : Guilherme Holsbach Costa - Doutor - (Universidade de Caxias do Sul - UCS)
Examinador Interno : Carmelo José A. B. Filho (PPGEC)
Data-hora: 17/Agosto/2021 (14:00h) - PM
Local: Formato Remoto (meet.google.com/vgz-dzxv-ewf)
Resumo:
Inpainting techniques are widely known for their ability to reconstruct damaged regions in images, resulting in visually plausible versions of them. A single image can be reconstructed in countless ways, with the results varying depending on the method used and the parameters set, making the quality evaluation a challenging task. Different assessment metrics can be applied to verify the quality of the results; however, a reference image is required, which is rarely available. The absence of a reference image is why most researchers opt to evaluate results with subjective opinions, removing its reliability. This study presents IQAENet: a Deep Learning approach capable of providing objective quality assessment over inpainted images without a reference image. This network was trained using an auto-generated dataset consisting of pairs of reconstructed and damaged images alongside their original Peak signal-to-noise ratio (PSNR) and and Structural Similarity (SSIM) measurements. Results show a determination coefficient of 0.85 for PSNR and 0.88 for SSIM, which suggests the proposed model can predict the quality of the reconstructed image with high fidelity.
O Programa
