Banca de DEFESA: ERIC ANDERSON FERREIRA DOS SANTOS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: ERIC ANDERSON FERREIRA DOS SANTOS
DATA : 28/01/2026
HORA: 09:00
LOCAL: Virtual
TÍTULO:

Explicando um classificador de requisições de mudança com métodos de XAI

PALAVRAS-CHAVES:

Inteligência Artificial Explicável. XAI. Aprendizagem de
Máquina. Mineração de Dados. Dados Textuais. Shapley.

PÁGINAS: 71
RESUMO:

A inteligência artificial (IA) cresce aceleradamente nas mais diversas
tarefas da esfera humana, devido aos hardwares poderosos, algoritmos de
aprendizagem de máquina potentes e grande bases de dados. IA tem atingido
resultados incríveis por meio de tecnologias que simulam habilidades
cognitivas de seres humanos, como a linguagem natural, visão, memória e
processo de inferência. A complexidade dos modelos de IA e o uso massivo
por humanos, criam a necessidade de que tecnologias inteligentes tenham a
habilidade de explicar seu funcionamento, seja para fins de entendimento de
seu processo de decisões ou para fins de inspeção. XAI (eXplainable
Artificial Inteligence, IA explicável em português) é uma área que tem como
objetivo o desenvolvimento de ferramentas e abordagens que possam gerar
explicações para as tecnologias inteligentes. Apesar de seus recentes
avanços, as explicações para dados textuais ainda é uma parte nova da área,
possuindo desafios como a heterogeneidade nos dados e alta
dimensionalidade. O presente trabalho se propôs a gerar explicações para um
classificador de requisições de mudança de software (ou CRs - Change
Requests) treinado com dados textuais. Essa pesquisa exploratória
investigou a aplicação de técnicas de XAI para o CRs classifier, uma
ferramenta que objetiva a classificação automática de criticidade das CRs
associadas a dispositivos móveis de uma empresa real em Recife - PE. As
implementações incluíram experimentos e aplicações de uma estratégia XAI
conhecida como método de "Feature Importance" (Importância de
características) da biblioteca SHAP (Shapley Additive Explanations)
aplicada a representações trigramáticas de CRs. Além disso, métodos
estabelecidos de explicações para humanos foram incorporados às explicações
geradas, melhorando a interpretabilidade e o poder de abstração.
Adicionalmente, realizamos uma experimentos e avaliações com a técnica XAI
de modelos substitutos, para observar o quão confiável ela pode ser para
explicar e aproximar resultados de modelos complexos.

 

MEMBROS DA BANCA:
Presidente - 2331188 - ALEXANDRE CABRAL MOTA
Externo à Instituição - ANDRÉ CÂMARA ALVES DO NASCIMENTO - UFRPE
Interno - 1463105 - RICARDO BASTOS CAVALCANTE PRUDENCIO