[pt] A engenharia de sistemas habilitados em Machine Learning (ML) bem-sucedidos apresenta vários desafios, tanto do lado teórico quanto prático. Entre
esses desafios estão como abordar eficazmente às expectativas irrealistas das
capacidades de ML por parte de clientes, gestores e até mesmo outros membros
da equipe de desenvolvimento, e como ligar o valor do negócio às atividades de
engenharia e ciência de dados compostas por equipes interdisciplinares. Nesta
tese, estudamos o estado da prática e da literatura da engenharia de requisitos
para ML para propor PerSpecML, uma abordagem baseada em perspectiva
para especificar sistemas habilitados para ML que ajuda os profissionais a
identificar quais atributos, incluindo componentes de ML e não-ML, são importantes para contribuir para a qualidade geral do sistema. A abordagem
envolve a análise de 60 preocupações relacionadas a 28 tarefas que os profissionais normalmente enfrentam em projetos de ML, agrupando-as em cinco perspectivas: objetivos do sistema, experiência do usuário, infraestrutura, modelo
e dados. Juntas, essas perspectivas servem para mediar a comunicação entre
gestores de projeto, especialistas de domínio, designers, engenheiros de software/ML e cientistas de dados. A criação da PerSpecML envolveu uma série de
validações realizadas em diferentes contextos: (i) na academia, (ii) com representantes da indústria e (iii) em dois estudos de casos industriais reais. Como
resultado das diversas validações e melhorias contínuas, PerSpecML se destaca
como uma abordagem promissora, preparada para impactar positivamente a
especificação de sistemas habilitados para ML, ajudando particularmente a revelar componentes-chave que, de outra forma, teriam sido perdidos sem o uso
da PerSpecML. / [en] Engineering successful machine learning (ML)-enabled systems poses various challenges from both a theoretical and a practical side. Among those
challenges are how to effectively address unrealistic expectations of ML capabilities from customers, managers and even other team members, and how to
connect business value to engineering and data science activities composed by
interdisciplinary teams. In this thesis, we studied the state of the practice and
literature of requirements engineering (RE) for ML to propose PerSpecML, a
perspective-based approach for specifying ML-enabled systems that helps practitioners identify which attributes, including ML and non-ML components, are
important to contribute to the overall system s quality. The approach involves
analyzing 60 concerns related to 28 tasks that practitioners typically face in
ML projects, grouping them into five perspectives: system objectives, user experience, infrastructure, model, and data. Together, these perspectives serve
to mediate the communication between business owners, domain experts, designers, software and ML engineers, and data scientists. The conception of
PerSpecML involved a series of validations conducted in different contexts: (i)
in academia, (ii) with industry representatives, and (iii) in two real industrial
case studies. As a result of the diverse validations and continuous improvements, PerSpecML stands as a promising approach, poised to positively impact the specification of ML-enabled systems, particularly helping to reveal key
components that would have been otherwise missed without using PerSpecML.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:65972 |
| Date | 05 February 2024 |
| Creators | HUGO RICARDO GUARIN VILLAMIZAR |
| Contributors | MARCOS KALINOWSKI, MARCOS KALINOWSKI, MARCOS KALINOWSKI |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0026 seconds