Divulgação - Defesa Nº 04

Aluno: Flávio Rosendo da Silva Oliveira

Título: “Método para geração de decisões razoáveis e explicáveis em Sistemas de Apoio à Decisão Inteligentes”

Orientador: Fernando Buarque de Lima Neto - (PPGEC)

Examinador Externo: Denis Mair Lima Martins - (University of Münster - Alemanha)

Examinadora Externa: Catarina Rosa e Silva de Albuquerque - (UFRPE)

Examinador Externo: Francisco Gaudêncio Mendonça Freires (UFBA)

Examinador Interno: Cleyton Mário de Oliveira Rodrigues - (PPGEC)

Data-hora: 28 de Março de 2023, às 14:30h.
Local: Hibrido - Sala de Atos, I4 – Bloco K, 1° andar - UPE/POLI
Link: meet.google.com/att-vmkw-odj

---

Resumo:

         A integração de técnicas de Inteligência Artificial aos Sistemas de Apoio à Decisão pode lhes agregar características diferenciais, tais como a capacidade de aprender e portanto, de adaptar seu comportamento a situações não vistas previamente. No entanto, a utilização de técnicas inteligentes, tipo caixa-preta, pode prejudicar a plena adoção do sistema de apoio, uma vez que esses processos de decisão opacos são mais difíceis de confiar e não podem, de maneira simples, ser ajustados ou corrigidos. A área de Inteligência Artificial Explicável surgiu como resposta a este problema, e se propõe a criar modelos inteligentes explicáveis ou ainda, para incorporar a capacidade de explicação a modelos que não foram criados originalmente para tal. Apesar disso, pode-se identificar na literatura argumentação no sentido de que as técnicas de Inteligência Artificial Explicável, na maior parte dos casos, geram explicações restritas ao modelo inteligente ao qual são aplicadas. No contexto da Tomada de Decisão, soluções e explicações alienadas do contexto do problema e/ou do decisor, podem ser especialmente prejudiciais em casos de aplicação com impacto sobre vidas humanas, alto impacto financeiro e demais decisões de alta complexidade. Além disso, os sistemas de apoio que são atendidos pelo estado atual da Inteligência Artificial Explicável, essencialmente sistemas de propósito específico ou baseados em modelo (e.g. classificadores ou regressores) representam apenas uma fração do todo. Sistemas de apoio otimizadores e sistemas compostos por mais de um modelo inteligente apresentam significativa lacuna de pesquisa quanto a explicabilidade e sua orientação ou cobertura de aspectos humanos na tomada decisão. A fim de explorar as lacunas identificadas na literatura, este trabalho propõe método para obter decisões razoáveis (conceito introduzido aqui), que sejam acompanhadas de explicações, para Sistemas de Apoio à Decisão que utilizem Inteligência Artificial. Sendo que, razoabilidade no método proposto se materializa pela incorporação de três novos aspectos de processamento, a saber: factibilidade, racionalidade e plausibilidade. Isso de maneira que os Sistemas de Apoio agora possuam performance ainda aceitável, mas sem perder o compromisso com a compreensibilidade e justificabilidade na perspectiva de um determinado Tomador de Decisão. A fim de validar o método proposto quanto a sua generalidade e aplicabilidade, foram apresentados três estudos de caso, que demonstraram também a viabilidade de sua utilização em problemas reais. Estes casos contemplaram diferentes tipos de Sistema de Apoio e foram realizados nos setores de Segurança Pública, Direito e Educação. Os resultados experimentais sugerem que a construção de sistemas de apoio inteligentes com o uso do método proposto, propicia a entrega decisões razoáveis com explicações adequadas aos perfis de Tomadores de Decisão considerados.

Divulgação - Defesa Nº 265

Aluno: Rafael Bérgamo Barreto de Holanda

Título: “Biosignal Processing and Classification of Arrhythmia with Different Learning Representations”

Orientador: Carmelo José Albanez Bastos Filho - (PPGEC)

Coorientador: Rodrigo de Paula Monteiro - (UNICAP)

Examinador Externo: Diego Marconi Pinheiro Ferreira Silva - (UNICAP)

Examinador Externo: Francisco Madeiro Bernardino Júnior - (UPE/POLI)

Data-hora: 24 de Março de 2023, às 14:30h.
Local: REMOTO (https://meet.google.com/eaj-aigd-kra)

---

Resumo:

         Cardiovascular diseases are the leading cause of death worldwide. Those diseases have many causes and are segmented into many categories, and one of them is Arrhythmia. Arrhythmia classification has been a frequently investigated topic in the literature, be it in Signal Processing or Computer Science literature. Some of the proposed solutions for their classification include mathematical models in the field of Artificial Intelligence, Machine Learning, and Deep Learning. Although their classification has reached high metrics in the literature, there are many methods for such performance that are not discussed in depth, especially when it comes to the learning representations used as input to the mathematical models that will eventually output their classification metrics. Also, in the example of Deep Learning models that are employed in the classification, researchers tend to use very large models with high complexity for obtaining such classification metrics. However, adequate learning representations resulting from preprocessing techniques may avoid the need for larger models and maintain or even improve the Arrhythmia classification metrics, and these smaller models may then be embedded in devices that require a low footprint. The contributions described in this dissertation demonstrate that it is possible to use smaller models, including Machine Learning models, to acquire high classification metrics on the most common types of Arrhythmia by choosing the appropriate learning representations resulting from Electrocardiogram filtering and spectral transforms. Our work sets a detailed and reproducible experimental methodology using the traditional learning representation of Time and comparing it to the Frequency learning representation as well as Time-Frequency learning representations. We prove with statistical significance the most appropriate form of classifying an Arrhythmia using the AAMI standard considering low-complexity Machine Learning and Deep Learning models, having found that: the Scalogram generated by the Mexican Hat Wavelet with 64 scales and a low-frequency noise filter is the most suited representation in a balanced dataset; and the Time representation, also with a low-frequency filter, the most suited for an imbalanced dataset.

Divulgação - Defesa Nº 03

Aluno: Álvaro Farias Pinheiro

Título: “Framework de Inteligência Artificial e Computacional para Camada de Aplicações e Serviços no Setor Público Brasileiro”

Orientador: Fernando Buarque de Lima Neto - (PPGEC)

Coorientador: Wylliams Barbosa Santos - (PPGEC)

Examinador Externo: Jose Gilson de Almeida Teixeira Filho - (UFPE)

Examinadora Externa: Liliane Sheyla da Silva Fonseca - (UNICAP)

Examinador Interno: Denis Silva Silveira - (PPGEC)

Examinador Interno: Alexandre Magno Andrade Maciel - (PPGEC)

Data-hora: 21 de Março de 2023, às 14:30h.
Local: Presencial - Sala de Atos, I4 – Bloco K, 1° andar - UPE/POLI

---

Resumo:

         Contexto: Atualmente, muitas organizações públicas já adotam aplicativos para automação de processos, com o objetivo de evitar trabalhos repetitivos e produzir resultados mais eficientes. Problema: Não são observados com tanta frequência o desenvolvimento de mecanismos inteligentes incorporadas nas ferramentas de apoio para tomada de decisões complexas. No serviço público em especial, as dificuldades podem estar relacionadas à abundância de fontes de dados disponíveis e ao número de normas legais a serem cumpridas, destacando-se as imposições decorrentes de preceito constitucional LIMPE (CF, 1988 – artigo 37), tais como da incorporação de transparência, auditabilidade, padronização, reutilização e flexibilidade a esses sistemas. Hipótese: Uma arquitetura adequada para apoiar a tomada de decisão pública, dadas as características e dados cada vez mais desestruturados, bem como regulamentação abundante, seria, portanto, útil, podendo ser instanciada com segurança em muitas situações análogas, podendo evitar a necessidade de iniciar desenvolver de nova instanciações do zero. Pergunta Condutora de Pesquisa: Como pode ser a especificação de um Framework inteligente para a camada de aplicações e serviços com ênfase em Compliance (i.e., análise de conformidade) e que seja adequada ao Serviço Público Brasileiro? Objetivo: A pesquisa apresenta o processo de Engenharia de Domínio para implementação de um Framework que utiliza Inteligência Artificial (IA) e Inteligência Computacional (IC) no aprendizado de regras governamentais para apoio à tomada de decisão de gestores públicos com ênfase em Compliance. O funcionamento deve incluir o aprendizado sobre a interação dos agentes (i.e., especialistas em tecnologia e especialistas em negócio) com o ambiente e o problema a ter sua decisão apoiada. Método: Para esta pesquisa foi utilizado o 'Design Science Research Methodology' (DSRM), dividindo o trabalho nas etapas de: (i) identificação do problema e motivação; (ii) definição dos objetivos; (iii) planejamento, projeto e desenvolvimento; (iv) demonstrações das simulações; (v) verificação e validação dos experimentos (via guideline de Wohlin); e, (vi) comunicação dos resultados. Resultados: Nesta pesquisa foram realizados: (i) uma revisão sistemática da literatura que identificou a inexistência de um Framework de Inteligência Artificial e Inteligência Computacional para o Setor Público Brasileiro com foco em Compliance, (ii) execução da Engenharia de Domínio em projetos para o Setor Público Brasileiro com uso de IA, (iii) uma análise da variabilidade em artefatos reutilizáveis por meio de um modelo de recursos, (iv) a construção de um modelo arquitetônico com aprendizagem de máquina por reforço seguro, (v) simulações e verificação de qualidade. Contribuições: A pesquisa disponibiliza um Framework (i.e., arquitetura) na forma de um Whitebox (i.e., arquitetura aberta) para que justamente possa ser evoluída pelos especialistas em tecnologia e também em negócio, disponibilizando recomendações de soluções já testadas e aplicadas para problemas nas áreas de mineração de processos, detecção de anomalias, identificação de fraudes, extração de regras, gerenciamento de riscos, entre outras, com fulcro em Compliance.