[pt] Considere uma rede com k nodos que pode apresentar falhas ao longo de sua operação. Além disso, assuma que é inviável verificar todos os nodos sempre que uma falha ocorre. Motivados por este cenário, propomos um método que usa aprendizado de máquina supervisionado para gerar rankings dos nodos mais prováveis por serem responsáveis pela falha. O método proposto é um metaclassificador que pode utilizar qualquer tipo de classificador internamente, onde o modelo gerado pelo metaclassificador é uma composição daqueles gerados pelos classificadores internos. Cada modelo interno é treinado com um subconjunto dos dados. Estes subconjuntos são criados sucessivamente a partir dos dados originais eliminando-se algumas instâncias. As instâncias eliminadas são aquelas cujas classes já foram colocadas no ranking. Métricas derivadas da Acurácia, Precision e Recall foram propostas e usadas para avaliar este método. Utilizando uma base de domínio público, verificamos que os tempos de treinamento e classificação do metaclassificador são maiores que os de um classificador simples. Entretanto ele atinge resultados melhores em alguns casos, como ocorre com as árvores de decisão, que superam a acurácia do benchmark por uma margem maior que 5 por cento. / [en] Consider a network with k nodes that may fail along its operation. Furthermore assume that it is impossible to check all nodes whenever a failure occurs. Motivated by this scenario, we propose a method that uses supervised learning to generate rankings of the most likely nodes responsible for the failure. The proposed method is a meta-classifier that is able to use any kind of classifier internally, where the model generated by the meta-classifier is a composition of those generated by the internal classifiers. Each internal model is trained with a subset of the data created from the elimination of instances whose classes were already put in the ranking. Metrics derived from Accuracy, Precision and Recall were proposed and used to evaluate this method. Using a public data set, we verified that the training and classification times of the meta-classifier were greater than those of a simple classifier. However it reaches better results in some cases, as with the decision trees, that exceeds the benchmark accuracy for a margin greater than 5 percent.

[pt] A mídia programática possibilita a automação do processo de entrega de publicidade digital. Isso implica os anunciantes conseguirem direcionar seus gastos diretamente para os públicos mais propensos a uma determinada ação (engajamento); uma compra, por exemplo. Dado esse direcionamento e a capacidade de customização avançada da entrega dos anúncios, os gastos com mídia programática cresceram bastante nos últimos anos, em detrimento de outros meios de comunicação mais tradicionais. Contudo, é observado certas preocupações com relação à transparência do processo de contratação e o controle dos resultados alcançados com seus investimentos. Esta pesquisa se propôs levantar tópicos que revelem sinais de problemas na utilização da mídia programática e produzir um ranking com esses tópicos. Por meio de uma revisão bibliográfica internacional foram identificados 10 tópicos de atenção. Através do método Delphi, utilizando uma amostra de 15 especialistas atuando no Brasil, foram identificados 19 itens que sinalizam problemas ou desafios no uso desse ferramental. Uma análise de consenso e um ranking foram produzidos para apontar os problemas mais relevantes, de modo a permitir a priorização de ações na busca de soluções. / [en] Programmatic media enables the automation of the digital advertising delivery process. This implies that advertisers are able to direct their spending directly to the audiences most prone to a particular action (engagement); a purchase, for example. Given this targeting and the advanced customization capabilities of ad delivery, programmatic media spending has grown significantly in recent years, to the detriment of other more traditional media. However, the market shows concerns regarding the transparency of the buying process and the control of the results achieved with its investments. This research aims to raise topics that reveal signs of problems in the use of programmatic media and produce a ranking with these topics. Through an international bibliographic review, 10 topics that indicate problems and through the Delphi method, using a sample of 15 experts working in Brazil, 9 new items were identified as problems or challenges in the use of this tool. A consensus analysis and a ranking were produced to identify the most relevant problems, in order to prioritize actions in the search for solutions.