Caracterização de falhas em sistemas de aprendizado de máquina (2025)
- Authors:
- Autor USP: MARTINS, ALEXANDRE LOCCI - IME
- Unidade: IME
- Sigla do Departamento: MAC
- DOI: 10.11606/T.45.2025.tde-10022026-162320
- Subjects: APRENDIZADO COMPUTACIONAL; ONTOLOGIAS; WEB SEMÂNTICA; TESTE E AVALIAÇÃO DE SOFTWARE; ERRO (FALHAS COMPUTACIONAIS)
- Keywords: Machine Learning Testing; Ontology; SPRQL
- Agências de fomento:
- Language: Português
- Abstract: A crescente adoção de sistemas baseados em aprendizado de máquina em domínios críticos intensifica a necessidade de métodos rigorosos de teste e validação. Contudo, a complexidade e a natureza opaca desses modelos, aliadas à dependência de dados, dificultam a aplicação de técnicas tradicionais de teste de software. A literatura revela uma lacuna significativa no entendimento da caracterização de falhas reais nesses sistemas, limitando o desenvolvimento de estratégias eficazes de teste. Para superar esse desafio, este trabalho propõe a construção de um modelo formal de conhecimento, na forma de uma ontologia, capaz de organizar e unificar o domínio das falhas em sistemas de aprendizado de máquina. O modelo foi desenvolvido por meio de um ciclo iterativo com foco na generalização, e sua formalização seguiu padrões semânticos amplamente adotados. A validação funcional foi realizada por meio de consultas específicas destinadas a responder questões de competência, demonstrando a capacidade do modelo de representar e recuperar informações relevantes. Os resultados obtidos são significativos: a ontologia amplia a compreensão dos elementos e relações no domínio de falhas em aprendizado de máquina, facilitando a tomada de decisão dos envolvidos com testes. Serve como base para a generalização de abordagens de teste, possibilitando a construção de conjuntos de dados para pesquisas e benchmarks industriais, além de oferecer subsídios essenciais para o desenvolvimento de soluçõesautomatizadas de teste. Em suma, este trabalho fornece uma fundamentação semântica sólida para a engenharia da qualidade em sistemas de aprendizado de máquina, abrindo caminho para testes mais eficazes e confiáveis
- Imprenta:
- Data da defesa: 15.12.2025
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
MARTINS, Alexandre Locci. Caracterização de falhas em sistemas de aprendizado de máquina. 2025. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://teses.usp.br/teses/disponiveis/45/45134/tde-10022026-162320/. Acesso em: 01 abr. 2026. -
APA
Martins, A. L. (2025). Caracterização de falhas em sistemas de aprendizado de máquina (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://teses.usp.br/teses/disponiveis/45/45134/tde-10022026-162320/ -
NLM
Martins AL. Caracterização de falhas em sistemas de aprendizado de máquina [Internet]. 2025 ;[citado 2026 abr. 01 ] Available from: https://teses.usp.br/teses/disponiveis/45/45134/tde-10022026-162320/ -
Vancouver
Martins AL. Caracterização de falhas em sistemas de aprendizado de máquina [Internet]. 2025 ;[citado 2026 abr. 01 ] Available from: https://teses.usp.br/teses/disponiveis/45/45134/tde-10022026-162320/
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
