Eventos
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.
Divulgação - Defesa Nº 239
Aluna: Mariana de Albuquerque Campos
Título: "Inteligência Artificial Explicável para suporte à decisão fisioterapêutica na análise da marcha humana em idosos."
Orientador: Fernando Buarque de Lima Neto (PPGEC)
Corientador: Rafael Rego Caldas (UPE)
Examinador Externo : Teresa Bernarda Ludermir - Doutora - (UFPE)
Examinador Interno : João Fausto L. de Oliveira (PPGEC)
Data-hora: 16/Agosto/2021 (10:00h) - PM
Local: Formato Remoto (meet.google.com/njy-fzep-sve)
Resumo:
A Fisioterapia busca encontrar tratamentos eficazes e diagnósticos precoces para que doenças motoras e neurodegenerativas não se desenvolvam e comprometam a vida da pessoa idosa. A marcha humana como tarefa motora sensorial proporciona diferentes análises, para avaliação física e cognitiva. Essas análises trazem consigo algumas dificuldades como a grande quantidade de recursos que demandam experiência dos profissionais de fisioterapia e custo elevado em materiais e aparelhos. Diante deste contexto, o objetivo desta pesquisa é indicar diferentes análises, para acompanhamento do progresso do paciente, global e individualmente. Além do mais, indicar métodos de explicação dos resultados e extração de variáveis mais significativas. Neste projeto, algoritmos de Inteligência Artificial (IA) e Inteligência Artificial Explicável (XAI) foram aplicados em dados cinéticos e cinemáticos da marcha humana com protocolos de exercício em tarefas simples e dupla para análises por períodos de intervenção e por grupos funcionais de avaliação, a fim de interpretar dos resultados dos algoritmos. A predição da idade do paciente foi utilizada a fim de comparação e escolha de um preditor para entrada em técnicas de XAI, onde foram utilizados o SHAP (SHappley Additive exPlanations) e o LIME (Local Interpretable Model-agnostic Explanations) para análise global e individual dos pacientes, respectivamente. Nos resultados obtidos, em análises por períodos de intervenção e pós intervenção do paciente, foram encontradas diferenças da importância das variáveis entre os períodos, indicando que a qualidade da intervenção não foi mantida. Na análise por grupos funcionais, o algoritmo de regressão lightGBM aplicado ao XAI mostrou visualizações de grupos formados para as variáveis mais importantes. Ao final dos experimentos, o SHAP possibilitou listar as variáveis mais importantes entre todos os dados, observou-se variáveis que poderiam ser descartadas nas análises por não exercerem influência nos resultados do modelo regressor. Além disso, os resultados mostraram-se promissores para a possibilidade da aplicação de XAI em análises dos dados para interpretação das decisões em análises por grupo e individual do paciente, em aplicações clínicas. Ademais, modelos regressores ainda mais robustos podem ser obtidos se essas análises clínicas forem consideradas.
O Programa
