A CESAR School recebeu três defesas de dissertações do Mestrado Profissional em Engenharia de Software-MPES. O aluno Helton Santa Cruz Souto apresentou “Uso de Aprendizado de Máquina para Classificação de Cenas Acústicas Envolvendo Violência Doméstica”, com orientação de Ana Paula Carvalho Cavalcanti Furtado (CESAR School/ UFRPE – Departamento de Computação) e co-orientação de Rafael Ferreira Leite de Mello. O avaliador interno foi Erico Souza Teixeira (CESAR School) e o avaliador externo foi Péricles Barbosa Cunha de Miranda (UFRPE – Departamento de Computação).
Resumo:
Contexto: a classificação de cenas acústicas (CCA) é uma área de pesquisa em análise auditiva computacional pois o sinal produzido pelo som de um áudio contém informações que dados visuais não podem representar. A CCA utiliza informações acústicas para sugerir o contexto de um ambiente ou situação e tenta classificar os sinais de áudio digital em categorias de cenas mutuamente exclusivas. A violência contra as mulheres é um fenômeno grave que atinge os mais variados grupos, e diversos tipos de hostilidades contra elas são comuns de serem encontradas em diversos contextos como no ambiente familiar e relações matrimoniais. Nesse contexto, a CCA foi utilizada para análise e identificação de cenas de violência do homem contra a mulher. Objetivo: propomos um modelo de identificação de cenários de violência de um homem contra uma mulher a partir da análise de cenas acústicas, utilizando técnicas de aprendizagem de máquina. Método: para a realização desta pesquisa, foi utilizada a metodologia de pesquisa Design Science Research (DSR) a partir da seguinte pergunta: Como identificar indícios de violência contra a mulher a partir da análise de áudios gerados no contexto de conversas entre homens e mulheres? Para resolução desse problema prático foram realizados 2 ciclos completos sugeridos pelo DSR. O primeiro ciclo foi responsável pela criação de um modelo inicial de classificação utilizando apenas 1 classificador. E para conseguir evoluir e melhorar a performance do modelo alcançada durante o ciclo 1 foi realizado um segundo ciclo utilizando 5 classificadores diferentes. Resultados: para o ciclo 1, apresentamos análises envolvendo três diferentes features extraídas dos áudios (Energy, MFCC e ZCR), utilizando apenas um classificador, o SVM, e como resultado, foi obtido o melhor desempenho utilizando a feature MFCC, atingindo uma acurácia média de 73,14% e, para um modelo específico, a acurácia atingida foi de 74,7%. Para o ciclo 2, foram gerados modelos utilizando apenas as features Energy e MFCC (melhores performances no ciclo 1) e considerando cinco classificadores diferentes (SVM, KNN, RF, GB e ET). E como resultado final, foi verificado que novamente a feature MFCC obteve melhor performance na geração do modelo, utilizando o classificador Extra Trees (ET), que alcançou acurácia média de 80,82%, e um modelo específico atingiu 82,2% de acurácia para esse problema de classificação. Conclusão: foi demonstrado que, utilizando uma abordagem supervisionada de aprendizado de máquina juntamente com features extraídas do sinal produzido pelo som, é possível a geração de um modelo de classificação com alta taxa de acurácia. Além disso, foi identificada uma melhor configuração para geração do modelo utilizando o Extra Trees juntamente com MFCC, considerando valores de janelas de médio e curto prazo de 100 ms e 10 s respectivamente, e o valor de 500 para o parâmetro n_estimators utilizado pelo classificador.
Palavras-chave: Classificação de Cenas Acústicas; Aprendizado de Máquina; Violência Contra a Mulher; Design Science Research.
O aluno Diogo Dantas Moreira apresentou “Testes de Sistemas de Classificação de Cenas Acústicas Utilizando Relações Metamórficas”, com orientação de Ana Paula Carvalho Cavalcanti Furtado (CESAR School/ UFRPE – Departamento de Computação) e co-orientação de Sidney de Carvalho Nogueira. O avaliador interno foi Rodrigo Botelho Cursino (CESAR School) e o avaliador externo foi Lucas Albertins de Lima (UFRPE – Departamento de Computação).
Resumo:
Contexto: aplicações de Inteligência Artificial (IA) aparecem como uma das principais demandas para a indústria de software e, nesse contexto, o reconhecimento de fala e a detecção e classificação de cenas acústicas alcançam um desempenho próximo dos níveis humanos. No entanto, realizar testes sistemáticos nesses aplicativos é desafiador e se torna muito custoso se seguirmos as metodologias de testes atuais. Nesse cenário, Testes Metamórficos apresentam uma abordagem eficiente para garantir a qualidade de sistemas baseados em aprendizagem de máquina. Objetivo: analisar as técnicas e aplicações de testes metamórficos e propor relações metamórficas para realizar verificação e validação de um sistema de classificação de cenas acústicas. Método: o uso do Design Science Research para proporcionar o desenvolvimento da pesquisa de forma iterativa e incremental, por meio do qual apresenta-se os resultados alcançados em dois ciclos da pesquisa. Resultados: no primeiro ciclo, foi proposto o uso de duas relações metamórficas focadas em permutação de amostras e atributos para verificar e validar 6 algoritmos de aprendizagem em um sistema de classificação de cenas acústicas, onde em uma das relações aplicadas, o algoritmo Random Forest apresentou violações, levando a erros de predição e queda de 2,34% em sua acurácia em um dos testes realizados. No segundo ciclo, foram propostas três novas relações baseadas em variações acústicas para fins de validar os atributos de áudio, onde em todas elas o atributo ZCR se mostrou mais eficaz para lidar com as variações propostas. Conclusão: Ao fim dos dois ciclos, nossa abordagem revelou falhas de verificação e se mostrou eficientes também para fins de validação dos sistemas sob teste, permitindo que desenvolvedores de sistemas de classificação de cenas acústicas possam aplicá-las em seus componentes de aprendizagem, no processo de extração de atributos de áudio e na composição do conjunto de dados para treino e teste.
Palavras-chave: Classificação de Cenas Acústicas; Testes Metamórficos; Testes De Software.
O aluno Eduardo Tavares de Farias apresentou “Aplicação de Priorização de Casos de Teste Manuais Baseado em Requisitos”, com orientação de Ana Paula Carvalho Cavalcanti Furtado (CESAR School/ UFRPE – Departamento de Computação) e co-orientação de Lucas Albertins de Lima. A avaliadora interna foi Melissa Barbosa Pontes (CESAR School) e o avaliador externo foi Ivaldir Honório de Farias Júnior (SOFTEX/Recife).
Resumo:
Contexto: a priorização de casos de teste é uma técnica que organiza os casos de testes em uma determinada ordem para que os casos de teste que tenham maior importância sejam executados mais cedo. O sucesso do desenvolvimento de um software depende da sua qualidade e confiança. Nesse contexto, a priorização de casos de teste manuais baseado em requisitos é uma abordagem eficiente para aumentar a taxa de detecção de falhas. Objetivo: analisar e aplicar um algoritmo de priorização de casos de teste manuais baseado em requisitos, com o objetivo de aumentar a taxa de detecção de falhas. Como complemento, a criação da ferramenta FASTTEST para auxiliar nesta tarefa. Método: para realização desta pesquisa, foi realizada uma pesquisa bibliográfica para aprofundamento e embasamento teórico. Além disso, um estudo de caso foi executado em um ambiente empresarial, onde foi aplicada a técnica de priorização de casos de teste em um projeto de software em desenvolvimento. Resultados: o estudo de caso foi aplicado a um projeto de software real, que possuía cerca de 33 requisitos a serem testados e 46 casos de teste elaborados. Em seguida, os requisitos e casos de teste foram rastreados entre si para aplicação dos fatores de priorização e do algoritmo de priorização. Os testes foram executados na ordem priorizada e na ordem aleatória para efetuar um comparativo. Como resultado, foi verificado que a execução priorizada dos testes obteve uma taxa de detecção de falhas de 66% e a execução aleatória que obteve uma taxa de 41%, indicando que houve uma maior eficácia na detecção de falhas ao executar os testes na ordem priorizada. Conclusão: baseando-se nos resultados obtidos, concluiu-se que a aplicação do algoritmo de priorização de casos de teste manuais baseado em requisitos traz benefícios para a execução dos testes de software, pois os casos de teste mais importantes são executados primeiro, proporcionando uma maior eficácia na detecção de falhas.
Palavras-chave: Teste de software. Priorização de casos de teste. Testes manuais. Testes de sistema.