Título: | ENGENHARIA DE REQUISITOS PARA SISTEMAS INTEGRADOS COM COMPONENTES DE APRENDIZADO DE MÁQUINA: STATUS QUO E PROBLEMA | ||||||||||||
Autor: |
ANTONIO PEDRO SANTOS ALVES |
||||||||||||
Colaborador(es): |
MARCOS KALINOWSKI - Orientador DANIEL MENDEZ FERNANDEZ - Coorientador |
||||||||||||
Catalogação: | 06/FEV/2024 | Língua(s): | INGLÊS - ESTADOS UNIDOS |
||||||||||
Tipo: | TEXTO | Subtipo: | TESE | ||||||||||
Notas: |
[pt] Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio. [en] All data contained in the documents are the sole responsibility of the authors. The data used in the descriptions of the documents are in conformity with the systems of the administration of PUC-Rio. |
||||||||||||
Referência(s): |
[pt] https://www.maxwell.vrac.puc-rio.br/projetosEspeciais/ETDs/consultas/conteudo.php?strSecao=resultado&nrSeq=65995&idi=1 [en] https://www.maxwell.vrac.puc-rio.br/projetosEspeciais/ETDs/consultas/conteudo.php?strSecao=resultado&nrSeq=65995&idi=2 |
||||||||||||
DOI: | https://doi.org/10.17771/PUCRio.acad.65995 | ||||||||||||
Resumo: | |||||||||||||
Sistemas que usam Aprendizado de Máquina, doravante Machine Learning (ML), tornaram-se comuns para empresas que deseajam melhorar seus
produtos, serviços e processos. A literatura sugere que a Engenharia de Requisitos (ER) pode ajudar a explicar muitos problemas relacionados à engenharia de sistemas inteligentes envolvendo componentes de ML (ML-Enabled
Systems). Contudo, o cenário atual de evidências empíricas sobre como ER é
aplicado na prática no contexto desses sistemas é amplamente dominado por
estudos de casos isolados com pouca generalização. Nós conduzimos um survey
internacional para coletar informações de profissionais sobre o status quo e problemas de ER para ML-Enabled Systems. Coletamos 188 respostas completas
de 25 países. Realizamos uma análise quantitativa sobre as práticas atuais utilizando bootstrapping com intervalos de confiança; e análises qualitativas sobre
os problemas reportados através de procedimentos de codificação open e axial.
Encontramos diferenças significativas nas práticas de ER no contexto de projetos de ML, algumas já reportadas na literatura e outras totalmente novas. Por
exemplo, (i) atividades relacionadas à ER são predominantemente conduzidas
por líderes de projeto e cientistas de dados, (ii) o formato de documentação
predominante é baseado em Notebooks interativos, (iii) os principais requisitos não-funcionais incluem qualidade dos dados, confiança e explicabilidade no
modelo, e (iv) os principais desafios consistem em gerenciar a expectativa dos
clientes e alinhar requisitos com os dados disponíveis. As análises qualitativas revelaram que os praticantes enfrentam problemas relacionados ao baixo
entendimento sobre o domínio do negócio, requisitos pouco claros e baixo engajamento do cliente. Estes resultados ajudam a melhorar o entendimento sobre
práticas adotadas e problemas existentes em cenários reais. Destacamos a necessidade para adaptar ainda mais e disseminar práticas de ER relacionadas à
engenharia de ML-Enabled Systems.
|
|||||||||||||
|