Pesquisa sobre ferramentas disponíveis para testes de sistemas baseados em Machine Learning

• Processo: 23/05483-1
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de maio de 2023
• Data de Término da vigência: 31 de dezembro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Acordo de Cooperação: MCTI/MC
• Pesquisador responsável: Flávio Soares Corrêa da Silva
• Beneficiário: Rafael de Oliveira Magalhães
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Empresa: Secretaria de Desenvolvimento Econômico (São Paulo - Estado). Instituto de Pesquisas Tecnológicas S/A (IPT)
• Vinculado ao auxílio: 20/09850-0 - Centro de Pesquisa Aplicada em Inteligência Artificial: impulsionando a transformação das indústrias rumo ao padrão 5.0, AP.PCPE
• Assunto(s): Adaptabilidade Aprendizado computacional Confiabilidade Testes
• Palavra(s)-Chave do Pesquisador: adaptabilidade | Adequação dos dados | Aprendizado de Máquina | confiabilidade | Previsão de tráfego | Testes | Aprendizado de Máquina

Resumo

O projeto terá como objetivo o estudo de ferramentas de teste para sistemas baseados em aprendizado de máquina. A fim de atingir este objetivo, um modelo de rede neural para previsão de tráfego, descrito em um artigo científico e que obteve bons resultados através do treinamento com dados de uma determinada cidade ou região, será selecionado e empregado para a experimentação das ferramentas. Tal rede neural será treinada com dados de outras regiões, o que permitirá verificar a robustez do modelo e a utilização das ferramentas de teste com dados que possuam diferentes granularidades e dependências físicas e temporais, e que podem conter irregularidades ou estar incompletos.Espera-se que este projeto permita avaliar a robustez e escalabilidade das ferramentas de teste, além de possibilitar uma maior confiabilidade dos sistemas baseados em aprendizado de máquina por meio dos testes e do conhecimento da adequação dos dados de treinamento e da adaptabilidade tanto da rede neural quanto dos testes às variações nos dados.