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
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
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://www.teses.usp.br/teses/disponiveis/45/45134/tde-10022026-162320/. Acesso em: 13 fev. 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://www.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 fev. 13 ] Available from: https://www.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 fev. 13 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-10022026-162320/
Informações sobre o DOI: 10.11606/T.45.2025.tde-10022026-162320 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
