Banca de QUALIFICAÇÃO: CEZAR MIRANDA PAULA DE SOUZA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : CEZAR MIRANDA PAULA DE SOUZA
DATA : 10/03/2023
HORA: 09:00
LOCAL: Google Meet - Link https://meet.google.com/zgf-upix-bii
TÍTULO:

Um processo para avaliação de modelos de aprendizado de máquina na área de saúde

 

 

 

PALAVRAS-CHAVES:

Avaliação de AM; MLOps; Monitoramento Contínuo; Continual Learning; Feedback loop.

PÁGINAS: 110
RESUMO:

Vários trabalhos na literatura abordaram como Aprendizado de Máquina (AM) pode dar suporte e alavancar o trabalho nas mais variadas áreas de conhecimento, como jogos, gerenciamento financeiro, visão computacional, e análise de dados biológicos, entre outros. Mesmo que esta seja uma sub-área da Tecnologia da Informação em que pesquisas ativas
tem sido desenvolvidas há décadas, desde os anos 1950, os resultados haviam sido limitados até pouco tempo atrás. Nas últimas décadas, suportado por avanços de hardware e software e a recentemente abordagem da aplicação de Processadores Gráficos (GPUs), capazes de realizar teraflops de operações aritméticas em paralelo, AM começou a acelerar
exponencialmente. Em tal cenário, se espalhou para diversos ramos de aplicação, do Marketing a Saúde, de Veículos Autônomos a Robótica, de Processamento de Linguagem Natural à Arte Gerada por Computador. Os experimentos, apesar de realizados em ambientes controlados, tem trazido resultados extraordinários, o que popularizou o uso do AM
ao ponto de ser difícil encontrar um ramo do conhecimento humano ainda não abordado pelo Aprendizado de Máquina. Dentro do AM há uma disciplina ainda pouco difundida, chamada de Machine Learning Operations (ou MLOps, para simplificar). MLOps se destina ao gerenciamento do ciclo de vida de modelos de Aprendizado de Máquina, desde sua
concepção e experimentação até sua entrega em produção (ambientes de uso efetivo no mundo real) e seu monitoramento de performance. O que também inclui preocupações sobre o que acontece após modelos de AM serem postos em contato com cenários do mundo real. Uma vez implantados, modelos estão sujeitos a problemas de decaimento de performance, causado por fenômenos como drift, o que tem motivado estudos recentes sobre continual learning e monitoramento contínuo da performance de modelos de Aprendizado de Máquina. O presente trabalho se destina a identificar as técnicas do estado-da-arte no que se refere à avaliação de modelos de AM em uso efetivo no mundo real, e como
estabelecer um feedback loop para incorporar a habilidade de considerar mudanças no gerenciamento do ciclo de vida dos modelos. Finalmente, o presente trabalho objetiva aplicar técnicas de validação em um estudo de caso de modelos de AM na Saúde, e estabelecer um processo para avaliação de modelos. Os modelos em questão foram desenvolvidos como parte da Plataforma de Assistência Remota (PAR), e encontram-se em uso efetivo em UTI Oncológica.

MEMBROS DA BANCA:
Presidente - 2180207 - ITAMIR DE MORAIS BARROCA FILHO
Interna - 1885001 - ANNA GISELLE CAMARA DANTAS RIBEIRO RODRIGUES
Externo ao Programa - 347628 - ADRIAO DUARTE DORIA NETO - UFRN