José Luís Pedroso Vieira

Algoritmos Inteligentes para a deteção de

padrões na sociedade dos serviços

Projeto de Dissertação

Mestrado em Engenharia e Gestão de Sistemas de Informação

Trabalho efetuado sob a orientação do/da/de

Professor Doutor Carlos Filipe da Silva Portela

Professor Doutor Manuel Filipe Vieira Torres dos Santos

Fevereiro de 2018

ii

iii

RESUMO

Todos os dias surgem novas tecnologias que cada vez mais são direcionadas para a sociedade

e para as necessidades humanas. Quando se fala de necessidades humanas, fala-se numa perspetiva

quotidiana da vida, de necessidades ao nível da saúde, de quando se precisa de um mecânico porque

aconteceu uma avaria no carro ou quando se precisa de um carpinteiro para colocar uma prateleira no

armário de casa. Estes são alguns exemplos de serviços fornecidos por pessoas para suprimir as nossas

necessidades. No mundo tecnológico, não existe uma única plataforma capaz de permitir a um utilizador

resolver os problemas anteriormente referidos em tempo real, abrindo-se assim uma nova perspetiva no

mundo digital. A aproximação e comunicação entre alguém que necessita de um serviço, o procura

através de um meio tecnológico e tenta encontrar um prestador do mesmo, que no caso desta

dissertação é realizado através de uma plataforma, é designada como Sociedade dos Serviços. A

Inteligência Artificial é uma área vasta e que se encontra em constante crescimento, nela podemos

encontrar e desenvolver Algoritmos Inteligentes que sejam capazes de aprender e ao serem integrados

em máquinas ou tecnologias permitam a um determinado utilizador obter respostas para as suas

necessidades.

Com a elaboração deste projeto de dissertação pretende-se o desenvolvimento de um Algoritmo

Inteligente que possa ser implementado numa plataforma que está a ser desenvolvida pela IOTech e que

permita a um utilizador efetuar um pedido para um determinado serviço. Esse algoritmo deverá perceber

qual a necessidade do utilizador e devolver a resposta desejada pelo mesmo, disponibilizando um leque

de profissionais que possam realizar o serviço pretendido, bem como, um conjunto de informações que

seja útil á tomada de decisão sobre qual prestador de serviços o utilizador prefere. Esta dissertação

divide-se em três atividades principais, nomeadamente: a elaboração do projeto de dissertação, da

dissertação e de artigos científicos. Neste documento apresenta-se como metodologias o “Design Science

Research”, e “Scrum”. Também podemos observar o Plano de Trabalho, os Objetivos e Resultados

Esperados e uma revisão de Literatura na área de AI e áreas subjacentes.

Palavras-Chave: Inteligência Artificial, Algoritmos Inteligentes, Sociedade dos Serviços, Application

Programming Interface

v

ABSTRACT

Every day recent technologies emerge in order in improve human necessities, as well as society

in general. When one talks about human necessities, one speaks in an everyday perspective of life, of

needs related to health, of when a mechanic is wanted because a car has been damaged in some way

or when a carpenter is required to put a shelf in the house’s cupboard. These are some examples of

services supplied by people to satisfy our needs. In the technological world, there is not a single platform

able to allow a user to solve problems previously told in real time, thus opening a new perspective in the

digital world. The approach and communication between someone who needs a service, seeks it through

a technological means and tries to find a provider, which in the case of this dissertation is carried out

through a platform, is designated as Service Society. Artificial Intelligence is a vast and growing area

where we can find and develop Intelligent Algorithms that can acquire knowledge and when integrated in

machines or technologies allow a given user to obtain answers to their needs.

This dissertation project intends to develop an Intelligent Algorithm that can be implemented in

a platform that is being developed by IOTech which allows a user to make an order for a certain service.

This algorithm should be able understand the user's need and return the desired response by providing

a range of professionals who can perform the intended service, as well as a set of information that is

useful in deciding about which service provider the user prefers. This dissertation is divided in three main

activities, namely: the elaboration of the project of the dissertation, dissertation and scientific articles. In

this document, "Design Science Research" and "Scrum" are presented as methodologies. We can also

observe the Work Plan, the Expected Objectives and Results and a literary review in AI and the underlying

areas.

Keywords: Artificial Intelligence, Intelligent Algorithms, Service Society, Application Programming

Interface

vii

ÍNDICE

Resumo.............................................................................................................................................. iii

Abstract............................................................................................................................................... v

Índice ................................................................................................................................................ vii

Lista de Figuras .................................................................................................................................. ix

Lista de Tabelas ................................................................................................................................. xi

Lista de Abreviaturas, Siglas e Acrónimos ......................................................................................... xiii

1. Introdução .................................................................................................................................. 1

1.1 Enquadramento e Motivação ............................................................................................... 1

1.2 Objetivos e Resultados Esperados ........................................................................................ 2

1.3 Estrutura do Documento...................................................................................................... 3

2. Revisão de Literatura .................................................................................................................. 4

2.1 Prestação e Sociedade de Serviços ...................................................................................... 4

2.2 Inteligência Artificial, Machine Learning e Deep Learning ..................................................... 5

2.2.1 Inteligência Artificial ..................................................................................................... 5

2.2.2 Machine Learning ...................................................................................................... 11

2.2.3 Deep Learning ........................................................................................................... 18

2.3 Algoritmos Inteligentes ...................................................................................................... 18

2.3.1 Algoritmos do Facebook ............................................................................................. 19

2.3.2 Algoritmos da Google ................................................................................................. 19

3. Abordagens Metodológicas ........................................................................................................ 22

3.1 Design Science Research .................................................................................................. 22

3.2 Scrum ............................................................................................................................... 24

4. Trabalho Realizado.................................................................................................................... 28

4.1 Zaask ................................................................................................................................ 28

4.2 BCLEVR ............................................................................................................................ 29

4.3 Sobert ............................................................................................................................... 30

4.4 Knok ................................................................................................................................. 30

4.5 Matriz de Funcionalidades ................................................................................................. 31

viii

4.6 Características da Plataforma ............................................................................................ 32

5. Planeamento ............................................................................................................................ 34

5.1 Atividades ......................................................................................................................... 34

5.2 Lista de Riscos .................................................................................................................. 36

6. Conclusão ................................................................................................................................ 38

Bibliografia ....................................................................................................................................... 39

Anexo I – Matriz de Conceitos ........................................................................................................... 42

Anexo II – Diagrama de Gantt ........................................................................................................... 44

ix

LISTA DE FIGURAS

Figura 1- Interação de um Utilizador com um Sistema Inteligente ........................................................ 7

Figura 2 - Crescimento da Área de Inteligência Artificial ....................................................................... 8

Figura 3 - Abordagens de Machine Learning ...................................................................................... 12

Figura 4 - Reinforcement Learning Process ....................................................................................... 14

Figura 5 - Neurónio Biológico ............................................................................................................ 15

Figura 6 - Árvore de Decisão binária .................................................................................................. 16

Figura 7 - Fluxo de Trabalho de Machine Learning ............................................................................. 17

Figura 8- Metodologia Design Science Research ................................................................................ 22

Figura 9 - Diagrama de Gantt ............................................................................................................ 44

xi

LISTA DE TABELAS

Tabela 1 - Dados não rotulados e problemas de rotulagem ................................................................ 13

Tabela 2 - Sprints do Projeto ............................................................................................................. 25

Tabela 3 - Análise SWOT ao Zaask .................................................................................................... 29

Tabela 4 - Análise SWOT ao BCLEVR ................................................................................................. 30

Tabela 5 - Análise SWOT ao Knok ..................................................................................................... 31

Tabela 6 - Matriz de Funcionalidades e Características do Sistema .................................................... 31

Tabela 7 - Atividades do Projeto ........................................................................................................ 34

Tabela 8 - Lista de Riscos ................................................................................................................. 36

Tabela 9 - Matriz de Conceitos .......................................................................................................... 42

xiii

LISTA DE ABREVIATURAS, SIGLAS E ACRÓNIMOS

AInt- Algoritmo Inteligente

ANN- Artificial Neural Network

DSR- Design Science Research

DL- Deep Learning

DT- Decision Tree

GNB- Gaussian Nave Bayes

IA- Inteligência Artificial

KNN- K-nearest Neighbors

ML- Machine Learning

PS- Prestação de Serviços

RL- Reinforcement Learning

SL- Supervised Learning

SS- Sociedade dos Serviços

SSL- Semi-Supervised Learning

UL- Unsupervised Learning

1

1. INTRODUÇÃO

Neste capitulo serão abordados o enquadramento e a motivação para a execução do projeto, os

objetivos e resultados esperados e também a estrutura do documento.

1.1 Enquadramento e Motivação

Os serviços enquadram-se no desenvolvimento deste Projeto de Dissertação como a área de

intervenção principal. Se fizermos uma curta reflexão rapidamente iremos perceber que estamos

rodeados de serviços no nosso dia-a-dia e muito do que fazemos é sustentado pelos mesmos. Os serviços

satisfazem muitas das nossas necessidades e têm a capacidade de poder resolver parte dos nossos

problemas. Para o serviço realmente existir é necessário que exista um prestador do mesmo. A Prestação

de Serviços (PS) consiste nos serviços prestados por um profissional que tenha a capacidade de realizar

esse mesmo serviço com um determinado nível de qualidade podendo esse serviço ter um valor

monetário ou não.

A PS é realizada com o intuito de resolver problemas da sociedade. A Sociedade dos Serviços (SS)

permite caracterizar a prestação de serviços através de meios tecnológicos, ou seja, a SS representa a

aproximação entre um prestador de serviços e alguém que pretenda utilizar o seu serviço através de uma

qualquer plataforma ou aplicação, utilizando meios do mundo digital.

Uma das áreas do mundo digital que está em grande crescimento é a Inteligência Artificial (IA)

que segundo Pannu (2015) é o estudo e desenvolvimento de software capaz de raciocinar, aprender,

reunir conhecimento, comunicar, manipular e perceber objetos tornando os sistemas inteligentes. A IA

oferece-nos um conjunto de soluções que ao serem aplicadas têm a capacidade de executar tarefas que,

sendo executadas por seres humanos, seriam consideradas como inteligentes (Widman & Loparo, 1990).

Com a IA podemos desenvolver Algoritmos Inteligentes (AInt) que são armazenados dentro do software

(Hanne & Dornberger, 2017).

Tendo por base o pressuposto anterior este projeto de dissertação consiste no desenvolvimento,

conjuntamente com IOTech, de um AInt que seja capaz de fornecer informação relevante para que seja

possível uma aproximação entre os prestadores de serviços e um utilizador que requer um determinado

serviço através da plataforma.

2

A IOTech é uma empresa que tem como objetivo resolver problemas da sociedade em geral,

desenvolvendo soluções inovadoras e inteligentes com capacidade de simplificar a vida das pessoas e

conecta-las a um mundo interativo.

A motivação para a realização desta dissertação prende-se, primeiramente, pelo interesse na área

de IA. Depois, pelo impacto que o desenvolvimento do AInt terá na área da SS e concretamente na

performance da plataforma. A SS ainda é pouco explorada nos dias de hoje e necessita de um salto

qualitativo que pode ser alcançado com a conceção esta plataforma.

1.2 Objetivos e Resultados Esperados

Para a elaboração deste projeto de dissertação foi identificada a seguinte pergunta de investigação:

“É possível utilizar algoritmos inteligentes para relacionar os clientes e os prestadores de serviços?”.

Para responder a esta questão, será desenvolvido um Algoritmo Inteligente que seja capaz de ser

integrado numa plataforma e que devolva as respostas desejadas ao cliente que utiliza uma aplicação

de fornecimento de serviços. Esta aplicação será desenvolvida em conjunto com a IOTech. Desta forma

foi definido um objetivo estruturante principal que permitem dar resposta à questão de investigação, bem

como alguns objetivos estruturantes secundários que foram definidos da seguinte forma:

• Desenvolver o Algoritmo

1. Identificar plataformas já existentes e levantamento das suas características

2. Identificar “atributos” chave e conceção do algoritmo

3. Prova de conceito do algoritmo desenvolvido.

Como resultado espera-se desenvolver um algoritmo que seja capaz de aprender e ser cada vez mais

eficiente nas suas respostas. Para que o processo de desenvolvimento do algoritmo corra como esperado

irá ser realizada uma revisão de literatura que abrange os conceitos de Inteligência Artificial (IA), Machine

Learning (ML), e Deep Learning (DL) e Algoritmos Inteligentes (AInt).

Espera-se com esta revisão adquirir conhecimento quanto a tecnologias, ferramentas e técnicas que

auxiliem na conceção do algoritmo para posteriormente ser realizada uma prova de conceito para avaliar

a capacidade do mesmo.

3

1.3 Estrutura do Documento

O documento do projeto de dissertação encontra-se dividido em seis capítulos. O primeiro capitulo,

onde se encontra este tópico, tem como objetivo contextualizar o tema da dissertação. Através deste

capitulo podemos perceber o enquadramento do projeto bem como os objetivos e resultados esperados.

O segundo capitulo irá focar-se nas áreas que serão utilizadas para a elaboração do trabalho

proposto e de que forma estas estarão presentes no projeto dissertação. Essas áreas são a IA, o ML e o

DL. Esta secção contará também com uma exposição de algoritmos inteligentes que foram desenvolvidos

pelo Facebook e pela Google.

No terceiro capitulo irão ser abordadas as duas metodologias a utilizar para o desenvolvimento do

projeto, são elas o Design Science Research como metodologia de investigação e o Scrum que será

utilizado para o desenvolvimento do projeto.

O quarto capitulo está relacionado com o trabalho de pesquisa que foi efetuado para fazer o

levantamento de requisitos e características de plataformas semelhantes à que irá ser desenvolvida em

conjunto com a IOTech.

O quinto capitulo contém o planeamento do projeto, apresentam-se as atividades a realizar e os

riscos inerentes ao mesmo.

No sexto capitulo irão ser tecidas considerações finais sobre o projeto de dissertação bem como

o trabalho futuro.

O documento termina com a lista de referências bibliográficas que foram utilizadas para a

conceção do mesmo e documentos anexos que sejam relevantes para a compreensão do projeto.

4

2. REVISÃO DE LITERATURA

A Revisão de Literatura deste Projeto de Dissertação foi realizado nas seguintes plataformas:

Google Scholar, Scopus, RepositóriUM e B-On. Para efetuar a seleção da literatura privilegiou-se artigos

recentes, avaliando também o tipo e a qualidade do documento. A data a restringir inicialmente

contemplava artigos da presente década, mas com a necessidade de fornecer informações históricas na

contextualização de algumas áreas surgiu a necessidade de recorrer a documentos de datas mais

antigas. O tipo de documentos que foram selecionados foram artigos científicos, livros e referencias web.

Em relação à qualidade dos documentos, primeiramente era analisado o abstract e depois o conteúdo

de forma mais abrangente dos mesmos.

A Revisão de Literatura foi sendo realizada com a pesquisa de várias palavras fundamentais para

a realização deste Projeto de Dissertação sendo elas “Inteligência Artificial”, “Deep Learning”, “Machine

Learning”, “Algoritmos Inteligentes” e “Prestação de Serviços” e “Serviços”.

A recolha de literatura começou a 25 de Outubro 2017 e terminou no dia 4 de Fevereiro de 2018

e foi efetuado na língua inglesa sendo isso refletido ao longo da revisão pelo o uso de inúmeros termos

em inglês. Para uma melhor perceção da revisão efetuada foi criada uma matriz de conceitos que pode

ser analisada no Anexo I – Matriz de Conceitos em que são relacionados os documentos analisados e a

sua área de intervenção.

2.1 Prestação e Sociedade de Serviços

O termo Prestação de Serviços (PS) é reconhecido no artigo nº 1154 do Código Civil1 como um

contrato “em que uma das partes se se obriga a proporcionar à outra certo resultado do seu trabalho

intelectual ou manual, com ou sem retribuição”. Segundo Meirelles, (2006) serviço é definido como um

“trabalho na sua aceção ampla e fundamental, podendo ser realizado não só através dos recursos

humanos (trabalho humano) como também através das máquinas e equipamentos (trabalho mecânico)”.

São exemplo de serviços um canalizador para reparar um cano que vazou em casa, uma consulta médica

ao domicílio, uma empresa de construção civil para fazer obras, etc. As tecnologias encontram-se cada

1 http://www.stj.pt/ficheiros/fpstjptlp/portugal_codigocivil.pdf

5

vez mais presentes no quotidiano da sociedade sendo utilizadas para as mais diversas finalidades. Por

vezes, aparecem-nos pequenos obstáculos que com a ajuda da tecnologia podem ser solucionados,

essas tecnologias são idealizadas a pensar nas pessoas. Com base na definição de PS surge o termo

Sociedade dos Serviços (SS). A SS pode definir-se como serviços prestados em prol da sociedade e dos

cidadãos, sendo o contacto gerado através de uma aplicação ou tecnologia.

A aplicação que será desenvolvida, e onde o Algoritmo Inteligente (AInt) será incorporado, tem como

objetivo aproximar o prestador e o requerente do serviço através da tecnologia. A aproximação será

efetuada em tempo real, o que permitirá ao requerente do serviço transmitir todas as informações

necessárias ao prestador do serviço de forma a que esta tenha uma melhor perceção das necessidades

do requerente, com o objetivo de poder dar algum orçamento, ou marcar uma visita ao local para resolver

alguma situação.

Enquadra-se desta forma o título da dissertação “Algoritmos Inteligentes para a deteção de padrões

na sociedade dos serviços".

2.2 Inteligência Artificial, Machine Learning e Deep Learning

Neste subcapítulo irão ser abordados os tópicos de Inteligência Artificial (IA), Machine Learning (ML)

e Deep Learning (DL), sendo IA a principal área do projeto de dissertação. O ML surge neste tema de

dissertação como sendo subárea de IA, e o DL como sendo uma subárea de ML.

2.2.1 Inteligência Artificial

a) Contextualização e Definições

A sociedade passa parte do seu dia interagindo com sistemas inteligentes e a Inteligência Artificial

(IA) é o núcleo de tudo isto, tornando-se cada vez mais parte do estilo de vida moderno. Estes sistemas

são aplicações complexas que podem ir desde simples campos de pesquisa na internet até ao

reconhecimento facial ou de voz sendo que a IA utiliza a matemática e algoritmos para a conceção de

sistemas Inteligentes (Joshi, 2017). A IA foi introduzida em 1956 por John McCarthy, na conferência de

Dartmouth e foi originalmente inspirada no teste de Turing, sendo uma ciência de pesquisa de teorias e

metodologias que podem ajudar máquinas a compreender o mundo e a reagirem de forma adequada,

6

da mesma forma como reage um humano. Várias definições sobre esta área da computação foram

surgindo ao longo do tempo (Li & Jiang, 2017). A IA é uma forma de “fazer as máquinas pensarem e se

comportarem de forma inteligente. Estas máquinas são controladas pelo seu próprio software, sendo

que a IA tem muito a fazer com os programas de software inteligente que controlam essas máquinas”

(Joshi, 2017). Já segundo Pannu (2015) a “IA é o estudo e desenvolvimento de máquinas e software

que podem raciocinar, aprender, reunir conhecimento, comunicar, manipular e perceber os objetos.

Widman e Loparo (1990) defendem que a IA são programas que efetuam tarefas que ao serem

executadas por um ser humano seriam consideradas inteligentes. Para Li e Jiang (2017) o termo IA

continua um pouco vago, “a IA ainda não tem uma definição única”, no entanto estes autores defendem

que “acredita-se que a IA é uma disciplina que estuda o processo de simulação computacional de certos

comportamentos humanos inteligentes, como a perceção, aprendizagem, raciocínio, comunicação e

atuação.”, aproximando-se assim da definição de Pannu.

A área de IA abrange uma grande variedade de tópicos como a lógica, planeamento, visão de

máquina e processamento de linguagem natural (Antonsson & Cagan, 2001). Serão agora abordadas

algumas áreas de IA, como por exemplo, o Reconhecimento de voz, Sistemas Inteligentes, Jogos, etc.,

segundo (Joshi, 2017):

• Visão Computacional: sistemas que lidam com dados visuais como imagens e vídeos.

Estes sistemas compreendem o conteúdo e extraem informação com base no caso de uso.

A Google usa a pesquisa de imagem reversa para procurar imagens visualmente similares

na Web.

• Processamento de Linguagem Natural: este campo lida com compreensão de texto.

Podemos interagir com uma máquina escrevendo frases de linguagem natural. Os motores

de busca utilizam-na extensivamente para fornecer os resultados de pesquisa corretos.

• Reconhecimento de voz: estes sistemas são capazes de ouvir e compreender as palavras

emitidas por um utilizador. Um exemplo disso é a Siri2, que não é mais do que um assistente

pessoal inteligente que devolve informação ou realiza uma acção consoante o que ouve por

parte do Utilizador.

• Sistemas Inteligentes: utilizam técnicas de IA para fornecer conselhos ou tomar decisões.

Normalmente utilizam bases de dados de áreas de conhecimento específico. São exemplos

2 https://www.apple.com/ios/siri/

7

as áreas das finanças, medicina e o marketing. Na Figura 1 podemos analisar como um

Sistema Inteligente (SI) interage com o utilizador e os fluxos que ocorrem entre os dois.

• Jogos: a IA é consideravelmente utilizada na indústria dos videojogos. É utilizada para

conceber agentes inteligentes que possam competir com humanos. Por exemplo o AlphaGO3

é um programa que possibilita jogar o jogo de estratégia Go. Também utilizamos IA em outro

tipo de jogos, jogos onde seja expectável que o computador se comporte de forma

inteligente.

• Robótica: os sistemas robóticos combinam vários conceitos de IA e são capazes de

executar diferentes tarefas. Dependendo das situações, os robôs têm sensores que podem

fazer diferentes coisas, como por exemplo, ver o que está à sua frente, medir temperaturas,

identificar zonas de calor e detetar movimentos. Estes robôs contêm processadores que

calculam várias coisas em tempo real e têm a capacidade de se adaptarem a novos

ambientes.

b) O crescimento da IA nas últimas décadas

Neste tópico irá ser analisado de forma geral o crescimento da IA desde o seu inicio, passando pela

introdução do Machine Learning (ML) e terminando no aparecimento do Deep Learning (DL). Como

referido anteriormente a IA surgiu em 1956 na conferencia de Dartmouth e foi originalmente inspirada

3 https://deepmind.com/research/alphago

Figura 1- Interação de um Utilizador com um Sistema Inteligente (adaptado de (Joshi,2017))

8

no teste de Turing (Li e Jiang, 2017). Segundo Copleand (2016), ao longo das últimas décadas esta área

foi evoluindo, apesar de alternadamente anunciada como a chave para o futuro mais brilhante da

sociedade e outras vezes, como algo que se fosse demasiado desenvolvido poderia ser um problema.

Na década de 80 nasce uma subárea da IA, o Machine Learning (ML).

O ML foi criado com o objetivo de habilitar as máquinas para realizar tarefas usando software

inteligente (Mohammed, Kan, & Bashier, 2017). Segundo Copeland (2016) o ML utiliza algoritmos para

analisar dados e depois conseguir fazer previsões com os mesmos sobre algo do mundo real, sendo

desta forma desnecessário programar tarefas manualmente, pois com grandes quantidades de dados e

algoritmos consegue-se dar a capacidade a um sistema de realizar tarefas. O Deep Learning (DL)

capacitou as aplicações práticas de ML e por extensão o campo geral da IA.

O DL, segundo Kim (2016), começou a ser utilizado em aplicações comercias a partir dos anos 90,

no entanto, Copeland (2016) defende que o DL teve grande impacto a partir de 2010. O surgimento do

DL potenciou várias novas tecnologias como: carros que conduzem de forma autónoma, cuidados

médicos preventivos, recomendações de filmes, etc. (Copeland, 2016). Na Figura 2 podemos observar

cronologicamente o aparecimento das diferentes subáreas da IA, sendo elas o ML e o DL.

Figura 2 - Crescimento da Área de Inteligência Artificial (adaptado de (Copeland, 2016))

9

c) Aplicações da IA

No mundo moderno, a IA é utilizado em muitas vertentes e de diferentes formas (Joshi, 2017).

Neste tópico serão abordadas diferentes aplicações de IA em várias áreas são elas: a medicina, indústria

do petróleo, indústria aeroespacial,

• Medicina: o diagnóstico médico é um processo em que se aplica uma grande intensidade

de conhecimento e de experiência. Por vezes ocorrem pequenas mudanças em exames que

são difíceis de detetar, especialmente para os profissionais mais jovens que não têm tanta

experiência, podendo resultar num diagnóstico menos preciso do que o esperado. Os

avanços na área da Visão Computacional, neste caso, relativo ao reconhecimento de

imagens e de padrões contribuem para o diagnóstico médico baseado em imagens como

ressonâncias magnéticas (Li & Jiang, 2017). Stoitsis et al. (2006), introduziu o método fuzzy

c-means e métodos baseados em algoritmos genéticos para extrair recursos a partir de

imagens médicas. Essas imagens juntamente com tecnologias de IA são uma ferramenta

que permite alcançar uma análise quantitativa precisa bem como uma análise qualitativa

dos dados médicos. A ressonância magnética é uma ferramenta de diagnóstico importante

para a deteção precoce do cancro sendo que, foram desenvolvidas técnicas de visão

máquina para decidir se um determinado tumor é benigno ou maligno através da análise e

reconhecimento de imagem. Zygmut e Napieralski (2015) introduziram um sistema

baseado em Artificial Neural Networks (ANN) para diagnosticar a probabilidade de um

utente poder vir a ter uma disfunção cerebral através do reconhecimento da fala, sendo que

os utentes utilizados para testar este sistema sofrem de desordem motora da fala. A IA

também tem aplicações ao nível de doenças cardiovasculares, Adeli e Neshat (2010)

conceberam um sistema inteligente fuzzy para diagnosticar doenças do coração, tendo

como exemplo treze dados médicos de entrada tais como: dor no peito, pressão sanguínea,

colesterol, etc. O resultado é a probabilidade de um utente sofrer uma doença do coração.

• Indústria do Petróleo: a aplicação de tecnologia de IA nesta área tem crescido bastante

nos últimos anos. Diferentes técnicas de IA foram sendo utilizadas para otimizar a

perfuração dos solos ou prever uma possibilidade de derrame num campo de petróleo. A

utilização destes sistemas de IA, superiorizou-se aos métodos tradicionais como por

exemplo, métodos baseados em hardware e métodos biológicos (Li & Jiang, 2017).

10

Manshad et al., (2016), desenvolveu um método com dois modelos para otimizar a

perfuração dos solos utilizando uma dupla camada de redes neuronais de perceção. O

primeiro modelo tem como objetivo a escolha da broca de perfuração mais indicada para

um determinado tipo de solo, o segundo tem como objetivo prever a profundidade máxima

da penetração da broca no solo. Desta forma os modelos forneceram uma maior eficiência

e precisão ao sistema com o intuito de otimizar a taxa de perfuração. Já Singha et al.,

(2012), demonstram que as ANN podem ser utilizadas em sistemas de classificação de

derramamento de óleo utilizando segmentação de dados e classificação de recursos. Esta

abordagem propõe dois modelos de ANN diferenciados, o primeiro para segmentar as

imagens identificando pixels dos recursos de óleo, a segunda rede tem como objetivo

classificar objetos em derrames de óleos com base nos seus recursos.

• Indústria Aeroespacial: existem várias tarefas complexas inacabadas nesta indústria que

com uma utilização apropriada de tecnologias de IA podem ser concluídas. Nesta área as

aplicações de IA incluem diagnóstico para aeromotores, controlo das condições e do

desgaste de uma aeronave, otimização de parâmetros-chave de metais aeroespaciais entre

outras (Li & Jiang, 2017).Oroumieh et al., (2013) introduziu modelos de IA para a

construção de aeronaves demonstrando que com a utilização de modelos fuzzy logic e ANN

pode ajudar a selecionar associações adequadas de parâmetros-chave das aeronaves, com

as ferramentas de IA, o ciclo de vida de um projeto de conceção de uma aeronave foi

reduzido. Já Ma et al. (2014) construi um modelo baseado em algoritmos imunes para

diagnosticar a condição de desgaste do motor de uma aeronave. O autor utilizou o principio

da seleção negativa para treinar os detetores usando dados referentes a amostras de falhas.

Foram detetados três tipos de falhas de desgaste incluindo sobrecarga da engrenagem,

desgaste de rolamentos e aglutinação ou arranhões na engrenagem dos motores.

• Indústria da Energia: garantir a “saúde” dos dispositivos na área da energia é uma

questão chave pois a inatividade ou interrupção da sua atividade pode causar um grande

dano mesmo que a falha seja mínima. Foram realizados vários estudos com o objetivo de

serem utilizadas técnicas de IA no diagnóstico de falhas de transformadores de potência e

no diagnóstico de falhas de máquinas (Li & Jiang, 2017). Fenge et al. (2016) concebeu um

modelo de Deep Neural Networks (DNN), com o intuito de diagnosticar máquinas rotativas

para poder extrair características de falhas disponíveis e classificar tipos de falhas com

precisão. Já Ismail et al. (2016), optou por utilizar modelos ANN e algoritmos genéticos

11

para deteção e diagnóstico de falhas para utilizar num sistema inteligente de deteção de

falhas numa estação de energia.

2.2.2 Machine Learning

a) Contextualização e Definições

Existem várias definições da área de ML, Mohammed et al., (2017) entende que Machine Learning

(ML) é um ramo da IA que tem como objetivo habilitar as máquinas a realizar as suas tarefas usando

software inteligente e surge como uma consequência natural da junção da área da ciência da

computação e da estatística. Segunfo Alpaydin (2010) o ML é” a tarefa de programação de computadores

para otimizar um critério de desempenho usando dados ou experiência”. O ML é o estudo e a modelação

computacional de processos de aprendizagem nas suas múltiplas manifestações (Camastra & Vinciarelli,

2008). Com o ML “surgiu a auto programação e algoritmos de auto ajuste que superaram o problema

dos conjuntos estáticos de instruções.” (Arlitsch & Newell, 2017). Estes mesmo autores defendem que

os algoritmos sofisticados que surgem da área de IA, combinados com grandes quantidades de dados e

um poder de processamento avançado, permitem uma qualidade de decisão ao nível de um humano.

Em ML existem duas entidades que desempenham um papel crucial, são elas o professor e o aluno.

O professor porque possui o conhecimento necessário para executar uma determinada tarefa. O aluno

porque é a entidade que precisa de obter o conhecimento para poder executar a tarefa com sucesso

(Trigueiros, Ribeiro, & Reis, 2012).

b) Abordagens

Todas as instâncias em qualquer dataset utilizado por um algoritmo de ML são representadas pelo

mesmo conjunto de características. Essas características poderão ser categóricas ou binárias. Se as

instâncias forem fornecidas com “etiquetas” ou resultado conhecido (correspondem a outputs

corretos) então a aprendizagem é considerada Supervised Learning (SL), caso contrário, a

aprendizagem é considerada Unsupervised Learning (UL), onde as instâncias não têm um resultado

conhecido (Kotsiantis, 2007). Outras técnicas abordadas serão o Semi-Supervised Learning (S-SL) e

o Reinforcement Learning (RL). A S-SL é uma mistura das abordagens de SL e UL combinando dados

rotulados com dados não rotulados. Na RL não existe resposta chave, o agente tem que decidir como

12

agir e vai aprendendo com a experiência (Maini & Sabri, 2017). Na Figura 3pode observar-se as

várias abordagens existentes em ML e o tipo de dados que cada uma delas utiliza como por exemplo

o SL que utiliza dados classificados.

A seguir é apresentado de forma mais detalhada cada uma das abordagens referenciadas,

segundo (Mohammed et al., 2017):

• Supervised Learning (SL): o objetivo do SL ou Aprendizagem Supervisionada é inferir uma

função ou mapeamento de dados de treino. Estes dados de treino consistem num vetor de input

X e num vetor de output Y com uma tag sendo a tag do output Y a explicação do seu respetivo

input X. Juntos estes vetores formam um exemplo de treino. A definição de SL advém do vetor

Y conter rótulos para cada exemplo de treino. Esse “rótulo” é fornecido por um supervisor. A

maior parte das vezes os supervisores são humanos, mas as máquinas também podem ser

usadas para fazer rotulagem. O SL contém dois grupos ou categorias de algoritmo, sendo eles

a regressão e a classificação. O julgamento humano é mais dispendioso do que o de uma

máquina, mas tem uma taxa de erro de dados rotulados inferior à de uma máquina. De qualquer

modo, em alguns casos as máquinas são consideradas fiáveis para rotulagem. Na Tabela 1

demonstram-se cinco exemplos de dados não rotulados e como os mesmo podem ser rotulados

de diferentes maneiras, quer seja por um humano ou por uma máquina, sendo que, o primeiro

Figura 3 - Abordagens de Machine Learning (adaptado de (Mohammed et. al., 2017))

13

é uma análise ou sentimento de um tweet. A SL será a abordagem utilizada para o

desenvolvimento do AInt.

Tabela 1 - Dados não rotulados e problemas de rotulagem (adaptado de Mohammed et. al (2017))

• Unsupervised Learning (UL): quando utilizamos a UL ou Aprendizagem não

Supervisionada, não existe um supervisor ou dados de treino, ou seja, apenas temos dados

não rotulados. O objetivo da UL é encontrar uma estrutura escondida nos dados. Com

inúmeros dispositivos para recolha de dados, esta área está a atingir um volume de dados

sem precedentes. A variedade, velocidade e volume são as dimensões nas quais o Big Data

é analisado e o objetivo de quem pratica o ML é conseguir extrair algo de concreto e produtivo

desses dados. Os algoritmos alocados a esta técnica são algoritmos de clustering.

• Semi-Supervised Learning (SSL): na SSL ou o Aprendizagem Semi-Supervisionada, os

dados fornecidos são uma mistura de dados classificados e não classificados. Esta

combinação é utilizada para gerar um modelo apropriado para classificação de dados. Na

maior parte das situações os dados não rotulados aparecem em grande abundância ao

contrário dos dados rotulados que são escassos. O objetivo da SSL é aprender um modelo

que preveja classes de dados em testes futuros de forma mais efetiva do que apenas com

a utilização de dados rotulados.

• Reinforcement Learning (RL): o objetivo do RL ou Aprendizagem por Esforço é utilizar

um conjunto de observações a partir da interação do agente com o ambiente para serem

Dados Não

Rotulados

Julgamento para a

Rotulagem

Possíveis Rótulos Possível Supervisor

Tweet Sentimento do Tweet Positivo/Negativo Humano/Máquina

Foto Contém casa e carro Sim/Não Humano/Máquina

Gravação de Áudio A palavra futebol foi

ouvida Sim/Não Humano/Máquina

Vídeo São usadas armas

neste vídeo? Sim/Não Humano/Máquina

Raio-X Presença de tumor no

raio-X Presente/Ausente Especialista/Máquina

14

tomadas ações que maximizem a recompensa ou minimizem o risco. De forma a produzir

programas inteligentes (também chamados de agentes inteligentes), esta técnica incide nos

seguintes passos:

1. Estado do input é observado pelo agente.

2. Função de tomada de decisão é utilizada para fazer com que o agente execute uma

ação.

3. Após a execução da ação, o agente recebe recompensa ou reforço do ambiente.

4. A informação do par estado-ação sobre a recompensa é armazenada.

Usando a informação armazenada, a ação para um estado específico pode ser ajustada,

ajudando dessa forma o agente na tomada de decisão ideal. No processo de RL, o agente observa

o ambiente, efetua uma ação e recebe uma recompensa positiva ou negativa, podendo este

processo ser observado na Figura 4.

c) Modelos/Algoritmos

Os algoritmos ou modelos a explorar neste tópico são apenas de SL pois os dados que serão

utilizados para o desenvolvimento deste projeto serão dados rotulados e o que se pretende prever é uma

classificação, neste caso uma área ou serviço específico da Prestação de Serviço (PS). No SL existem

inúmeros modelos que podem ser aplicados neste projeto de dissertação, nomeadamente: Artificial

Neural Network, Boosting, Decision Tree, Gaussian Nave Bayes, K-nearest Neighbors, Logistic

Figura 4 - Reinforcement Learning Process (adaptado de (Maini e Sabri, 2017))

15

Regression, Random Forest, e SVM. Explana-se neste tópico alguns dos modelos referidos acima segundo

Mohammed et. al., (2017) , e para o modelo de Decision Tree será analisa segundo Kotsiantis (2007):

• Artificial Neural Network (ANN): uma ANN ou Rede Neuronal Artificial é um modelo de

raciocínio inspirado pelas redes neuronais biológicas que é o sistema nervoso central de

cérebro de um animal. O cérebro humano consiste num grande número de células nervosas

(neurónios) interligadas. A principal função das dendrites é receber mensagens de outros

neurónios, o sinal viaja para o corpo celular principal conhecido como soma como podemos

analisar na Figura 5. O sinal sai da soma e viaja para a sinapse através do axônio, chegando

à outra extremidade do neurónio e depois para o espaço entre os neurónios podendo assim

ser passada a mensagem para outro neurónio. O cérebro humano contém cerca de dez

biliões de neurónios e sessenta triliões de conexões e sinapses entre eles. O primeiro modelo

neuronal surgiu em 1943 por McCulloch e Pitts. Eles descrevem o conceito de neurónio

como uma célula individual que comunica com outras células através de uma rede. Esta

abordagem é considerada uma das mais eficientes ferramentas de classificação.

Figura 5 - Neurónio Biológico (retirado de (Mohammed, 2017))

• Decision Tree (DT): DT ou Árvores de Decisão, são árvores que classificam instâncias

com base no valor dos seus recursos. Cada nó de uma árvore representa um recurso de

uma instância para ser classificado e cada ramo apresenta um valor que o nó poderá

assumir. Estas instâncias são classificadas a partir do nó da raiz e ordenadas de acordo com

os valores dos seus recursos. Preferencialmente o recurso que melhor divide os dados de

treino será o nó da raiz da árvore, mas existem imensos métodos para encontrar o recurso

que melhor divide os dados de treino. Pode-se analisar na Figura 6, uma DT para uma

classificação binária de “Sim” ou “Não. Existem duas abordagens comuns que o algoritmo

16

de indução de DT podem usar para evitar a superação de dados de treino, a primeira é parar

o algoritmo de treino antes que ele atinja um ponto em que se encaixe perfeitamente nos

dados de treino, a segunda é organizar a arvore de decisão. Se as duas árvores aplicarem o

mesmo tipo de testes e tiverem a mesma precisão de previsão é normalmente preferido a

que tem menos folhas. A maioria dos algoritmos usa um método de poda com o objetivo de

melhorar a taxa de acerto do modelo.

Figura 6 - Árvore de Decisão binária (retirado de (Kotsiantis et. al, 2007))

• Gaussian Nave Bayes(GNB): o GNB é um classificador baseado numa probabilidade

aplicada pelo teorema de Bayes com a suposição de independência forte entre recursos. A

equação que indica o teorema em termos matemáticos é dada por: P(A|B)=P(A)P(B|A)P(B),

onde A e B são eventos e P(A) e P(B) são as probabilidades prévias de A e B sem

consideração um do outro (independência). P(A|B) é designado de probabilidade posterior,

é a probabilidade de observar o evento A sendo que B é verdadeiro. P(B|A) é designado de

probabilidade (likelihood) de observar o evento B sendo que A é verdadeiro.

• K-nearest Neighbors (K-NN): este é um método não paramétrico usado para a

classificação e regressão. O input consiste nos k exemplos de treino mais próximos do

recurso, a saída depende da aplicação do algoritmo. No caso deste projeto será utilizada a

classificação, ou seja, o output é um membro da classe. Um objeto é classificado pela

maioria dos votos do seu vizinho, com o objeto a ser atribuído à classe mais comum do

17

método. Normalmente k é um valor pequeno e inteiro. Se o k for um (k=1), significa que o

objeto é atribuído à classe de apenas um vizinho. O K-NN é uma abordagem baseada em

instâncias ou aprendizagem “preguiçosa” (lazy learning), onde a função é apenas

aproximada localmente e toda a computação é adiada até à classificação. Este é um dos

algoritmos mais simples de ML. Neste algoritmo poderá ser útil atribuir um determinado

peso à contribuição dos vizinhos, de modo a que os vizinhos mais próximos contribuam mais

para a média que os vizinhos mais distantes.

d) Fluxo de Trabalho de ML

Para se realizar um bom trabalho utilizando técnicas de ML deve-se seguir um conjunto de práticas

e regras de forma a que o desenvolvimento decorra da forma mais apropriada. Segundo Zheng (2015),

existem várias etapas no processo de desenvolvimento de um modelo de ML, ou seja, existem várias

etapas em que o modelo desenvolvido tem de ser avaliado. A fase inicial é a prototipagem, onde se testa

vários modelos até encontrar o que mais se ajusta á realidade do projeto. Após a seleção do modelo

fazemos a sua implementação, o que em ML designa-se por colocar em produção. Para se poder

perceber a validade do modelo ele precisa de ser avaliado, quer em modo online em que se utiliza as

métricas live com dados live, ou seja, dados gerados pelos acessos realizados, quer em offline onde

utilizamos as métricas do modelo protótipo em dados históricos e por vezes também dados online como

podemos ver na Figura 7. As métricas offline podem medir diferentes métricas como a precisão, ou

precision recall. Métricas online permitem-nos mediar métricas de negócio como por exemplo, o valor do

ciclo de vida de um cliente.

Figura 7 - Fluxo de Trabalho de Machine Learning (adaptado de (Zeng, 2017))

18

2.2.3 Deep Learning

O Deep Learning (DL), é uma subárea do ML que permite ao computador aprender com a

experiência e entender o mundo em termos de hierarquia de conceitos, isto é, o computar aprende

conceitos complexos construindo esse conceito através de conceitos mais simples (Kim, 2016). Já Wang

et al., (2018) defende que o DL nasce não só das tradicionais técnicas de ML mas também da inspiração

da aprendizagem estatística e utiliza a representação de dados para aprender a executar tarefas

transformando os dados em representações abstratas que permitem que os recursos sejam aprendidos.

Os métodos de DL são métodos de representação de aprendizagem com múltiplos níveis que são obtidos

pela composição de módulos simples, mas não lineares, sendo que cada módulo está representado num

nível de abstração aquando da entrada (Input) até chegar a um nível superior de abstração (Lecun,

Bengio, & Hinton, 2015). O mesmo autor defende também que os sistemas de ML são utilizados para

identificar objetos em imagens, transcrever discursos para texto, efetuar recomendações consoante as

pesquisas dos utilizadores e selecionar resultados relevantes de pesquisas, este conjunto de aplicações

utilizam técnicas de DL.

Apesar de apenas se falar há relativamente pouco tempo do DL, as primeiras experiências com

Redes Neuronais (RN), surge na década de 1950 e começou a ser utilizada em aplicações comerciais

na década de 90 sendo que, ao longo do tempo a quantidade de dados foi aumentando

exponencialmente o que leva a que seja cada vez mais fácil utilizar o DL (Kim, 2016).

2.3 Algoritmos Inteligentes

A IA é baseada em algoritmos que não são mais que instruções que dizem a um computador

como terminar uma determinada tarefa. Qualquer tarefa pode ser definida num conjunto de

procedimentos que podem ser automatizados com o uso de algoritmos, sendo que, estes algoritmos são

crucias para algumas aplicações que utilizamos todos os dias como por exemplo: email, aplicações para

smartphones, mapas e GPS, transações financeiras, sistemas de recomendações, sites de viagens, etc.

(Arlitsch & Newell, 2017). Com o uso de IA podemos desenvolver Algoritmos Inteligentes (AInt) que são

armazenados dentro do software (Hanne & Dornberger, 2017). Estes algoritmos têm um ou mais agentes

inteligentes. Segundo Gori (2017), um agente inteligente interage com o ambiente a partir do qual é

19

expectável que aprenda, com o objetivo de efetuar determinadas tarefas. Existem também agentes de

software, que são designados por robôs de software ou softbots (Russell et al., 1995).Segundo Suresh

et al. (2015), os robôs estão presentes no dia-a-dia das pessoas, não só na industria, mas também em

nossas casas pois existem robôs de serviço como, aspiradores, assistência a pessoas com deficiências,

etc. Os mesmos autores defendem também que os robôs podem ser controlados por humanos ou

executar tarefas pré-definidas.

De seguida serão apresentados alguns exemplos de AInt desenvolvidos pelo Facebook e pela

Google.

2.3.1 Algoritmos do Facebook

Durante este subcapítulo serão abordados dois tópicos de AInt realizados pelo Facebook, o

primeiro será sobre uma otimização de noticia no Feed de Notícias. O segundo está relacionado com

dois chatbots que pareciam conversar entre si numa linguagem estranha.

Segundo a Wallaroo (2018) o Facebook fez atualizações recentes ao seu algoritmo que seleciona

a informação que observamos no Feed de Notícias, focando-se em noticias locais confiáveis. Se algum

utilizador seguir este tipo de páginas locais ou se um amigo partilhar uma noticia local certamente a

publicação irá aparecer no Feed.

Segundo (Griffin, 2017) os dois chatbots, Alice e Bob, criaram uma linguagem própria para

comunicarem entre si facilitando a forma como ambos trabalham. Estes dois robôs negoceiam entre si

num ambiente de comércio tentando trocar chapéus, bolas e livros. Estes robôs foram instruídos a

descobrir como negociar entre eles e a melhorar as trocas que iam fazendo, no entanto, não lhes foi dito

que deveriam utilizar um inglês compreensivo para comunicarem, criando eles próprios a sua taquigrafia.

Foram alcançados resultados positivos conseguindo ser efetuadas algumas trocas entre os robôs,

negociando na linguagem que os próprios desenvolveram. O Facebook acabou por terminar este

processo pois o seu objetivo era que os robôs conseguissem falar com humanos.

2.3.2 Algoritmos da Google

Durante este tópico irão ser abordados dois algoritmos desenvolvidos pela empresa Google, um

deles e talvez o mais famoso é o seu algoritmo de pesquisa e um segundo relacionado com o Gmail, que

fornece a possibilidade de respondermos a um email de forma simples e rápida.

20

O campo de pesquisa da Google, seleciona as respostas a devolver de entre centenas de milhares

de milhões de páginas baseado no seu sistema de classificação. Este sistema de classificação é

constituído por vários AInt que analisam a pesquisa do utilizar e selecionam as informações a devolver.

No seu site a Google (2018) referencia algumas formas de como utiliza estes algoritmos:

• Analisar as Palavras: para as respostas serem eficazes o algoritmo tem de perceber

o significado das palavras, para isso foram criados modelos de idiomas para tentar

decifrar as strings que devem ser pesquisadas. Para aperfeiçoar a pesquisa foram

criados mecanismo para deteção de erros de ortografia e para tentar compreender o

tipo de consulta foram aplicadas técnicas ao nível da compreensão de linguagem

natural.

• Correspondência na pesquisa: os Alnt da Google procuram os termos inseridos no

campo de pesquisa com o objetivo de encontrar as páginas mais adequadas para a

resposta, analisando a frequência e o local onde essas palavras-chave são colocadas na

página web, mais especificamente, se estão no titulo, num cabeçalho, ou no corpo do

texto. Estes algoritmos também têm a capacidade de perceber a relevância de imagens

ou vídeos referentes à pesquisa que está a ser feita sendo que o processo termina dando

prioridade a páginas que estejam no idioma preferido do utilizador.

• Classificação das páginas: de forma a perceber a utilidade das páginas na pesquisa,

existem algoritmos que avaliam vários parâmetros relativamente à qualidade da

informação apresentada. São exemplos destes parâmetros a atualidade dos conteúdos

ou o número de vezes que as palavra-chave aparecem nesse mesmo conteúdo. Estes

AInt conseguem perceber que sites foram consultados por outros utilizadores com

pesquisas idênticas e detetam também a quantidade de vezes que um site é

referenciado noutro site da mesma área, sendo esse, segundo a Google, um indicador

de que a qualidade da informação é elevada. Foram também criados algoritmos para

detetar sites spam que utilizam técnicas como repetir várias vezes a palavra-chave ou

compra de links para aumentar a classificação da sua página, o objetivo destes

algoritmos é o de não ser criada uma má experiencia ao utilizador.

• Considerar o contexto: informações como a localização, pesquisas anteriores e

definições de pesquisa influenciam os resultados devolvidos pelo algoritmo. Por exemplo

21

se pesquisarmos futebol em Londres, irão ser obtidas respostas relacionadas com o

campeonato principal de Inglaterra.

• Devolução de Resultados: para finalizar o processo de pesquisa, a Google analisa

como as informações relevantes se relacionam, verificando se existe apenas um ou mais

tópicos entre os resultados de pesquisa ou se várias páginas se focam numa

interpretação restrita. Também é um objetivo deste AInt devolver informações nos

formatos mais úteis para o tipo de pesquisa.

O outro algoritmo, está relacionado com a criação do Gmail Smart Reply, um algoritmo que

sugere três respostas aos emails recebidos usando técnicas de ML. Segundo (Strope & Kurzweil, 2017)

o conteúdo da linguagem é profundamente hierárquico, desde letras a palavras, de palavras a frases,

frases a parágrafos e assim sequencialmente. Analisando o exemplo, “Aquela pessoa interessante do

café que gostamos, lançou-me um olhar” os pedaços hierárquicos da frase podem ser muito variáveis.

O sujeito da frase é a pessoa do café, o modificar “interessante” diz algo sobre experiências do passado,

sabe-se que está a acontecer algo no café. Cada palavra faz parte de uma hierarquia ou mais que uma,

por exemplo um café é um tipo de restaurante que é um tipo de loja que é um tipo de estabelecimento,

etc. Para uma resposta apropriada para esta mensagem devemos considerar o significado de lançar um

olhar que pode ser ambíguo pois não sabemos se é algo positivo ou negativo. Muita quantidade de dados

sobre o mundo e a capacidade de julgamento fundamentado são necessários para fazer distinções subtis.

Estas distinções são alcançadas através de abordagens de ML com exemplos suficientes de linguagem.

22

3. ABORDAGENS METODOLÓGICAS

Tendo em conta que o processo de elaboração deste Projeto de Dissertação tem uma

complexidade elevada irão ser utilizadas duas metodologias, a metodologia principal é designada de

Design Science Research (DSR). Posteriormente na parte prática irá ser utilizada o Scrum que é uma

metodologia direcionada para o desenvolvimento de Software.

3.1 Design Science Research

Design Science, tal como foi conceituada por Simon, suporta um paradigma de pesquisa pragmática

que requer a criação de artefactos inovadores para resolver problemas do mundo real (Hevner &

Chatterjee, 2010).

O DSR tem diversas fases que podem ser analisadas na Figura 8 e que posteriormente serão

explicadas de forma mais detalhada, por exemplo podemos verificar que na fase de Identificação do

Problema deve-se definir o problema e mostrar a sua importância.

A escolha desta metodologia deve-se primeiramente, à flexibilidade do seu processo de iteração que

permite regressar a fases anteriores e depois porque são definidos o problema e os objetivos de forma

clara. Segue-se uma explicação detalhada das várias fases desta metodologia segundo Peffers et al.

(2007):

1. Identificação do Problema e Motivação: define-se o problema específico da pesquisa

e fundamenta-se o valor da solução, podendo ser necessário fragmentar conceptualmente

o problema de forma a que o autor capte a complexidade da solução. A partir do momento

em que o problema é definido, inicia-se o desenvolvimento de um artefacto que forneça de

Figura 8- Metodologia Design Science Research (adaptado de (Peffers et al., 2007))

23

forma efetiva uma solução. Relativamente a esta dissertação, esta fase representa a

definição do tema e a motivação para o surgimento e desenvolvimento do mesmo.

2. Definir os Objetivos da Solução: através da definição do problema e conhecimento do

que é possível fazer inferimos o objetivo da solução. Os objetivos poderão ser quantitativos

(a solução desejável seria melhor do que a atual) ou qualitativos (um novo artefacto onde é

esperado que sejam suportadas soluções que não foram abordadas até agora para um

determinado problema). Assim sendo e relativamente à conceção desta dissertação, nesta

fase procede-se à definição dos objetivos e resultados esperados.

3. Conceção e Desenvolvimento: esta é fase de conceção do artefacto, tal artefacto pode

ser potencialmente construções, modelos, métodos ou instanciações. Neste ponto define-

se a funcionalidade desejada para o artefacto bem como a sua arquitetura e criação. O

recurso necessário para esta fase são o conhecimento da literatura escolhida.

Relativamente a esta dissertação esta fase está relacionada com a conceção e

desenvolvimento do Algoritmo Inteligente.

4. Demonstração: demonstração da utilidade do artefacto para resolver um ou mais

problemas que apareçam na fase anterior, podendo envolver experiências, simulações,

casos de estudo, provas de conceito, ou qualquer atividade apropriada. No caso desta

dissertação será realizada uma prova de conceito ao algoritmo a desenvolver.

5. Avaliação: observar e medir o quão bem o artefacto suporta a solução do problema. Esta

atividade envolve a comparação dos resultados dos objetivos da solução atual a partir do

uso do artefacto na fase de demonstração. Isto requere o conhecimento de métricas

relevantes e análise das técnicas utilizadas.

6. Comunicação: comunicar o problema e a sua importância na forma de artefacto,

demonstrando a sua utilidade e novidade, o rigor da sua conceção e eficácia para outros

investigadores ou outros púbicos relevantes, bem como, para profissionais quando

apropriado. No caso desta dissertação, os resultados serão comunicados através do

documento de dissertação bem como com a realização de artigos científicos.

24

3.2 Scrum

Segundo Lei, et al., (2017) Scrum é baseado na teoria empírica do controlo de processos, sendo

uma metodologia iterativa e incremental de gestão de projeto para controlar o risco e otimizar a

previsibilidade de um projeto.

Os três pilares em que assenta o processo SCRUM são a Transparência, Inspeção e Adaptação. A

Transparência significa que o processo tem de ser visível a todas as pessoas que estão envolvidas no

projeto. A Inspeção deve ser efetuada permanentemente de forma a que sejam identificados potenciais

erros numa fase inicial. O terceiro pilar é adaptação, caso um inspetor determine que algum aspeto do

projeto não é aceitável ou que esteja fora do âmbito do mesmo, o processo terá de ser ajustado de forma

a evitar problemas posteriores.

“Scrum consiste em equipas Scrum, eventos, artefactos e regras. As regras são essenciais para ligar

equipas, eventos e artefactos juntos durante o projeto.” (Lei et al., 2017). Explica-se agora de forma mais

especifica os vários componentes desta metodologia segundo Schwaber e Sutherland (2017):

• Equipa Scrum: as equipas Scrum têm duas características fundamentais, uma delas é

serem auto-organizadas, ou seja, escolhem a melhor forma de realizar o seu trabalho. A

outra característica é serem equipas multifuncionais, isto é, possuem todas as

competências necessárias para realizar o trabalho da melhor forma. Estas duas

características fazem com que a equipas Scrum sejam completamente independentes de

outras equipas. Este modelo de equipa foi pensado de forma a otimizar a flexibilidade,

criatividade e produtividade. A equipa Scrum é composta por:

o Dono do Produto: responsável por maximizar o valor do produto e também o

trabalho da equipa de desenvolvimento, a forma como o faz depende de cada

pessoa, organizações e equipas. O Dono do Produto é a IOTech- Innovation on

Technology sendo também responsável pela gestão do Backlog de Produtos.

o Equipa de Desenvolvimento: constituída por profissionais que entregam

incrementos de qualidade a um determinado produto. Estas equipas para além de

serem auto-organizadas e multifuncionais são constituídas apenas pelo cargo de

desenvolvedor, não contêm subequipas e apesar de poderem ter membros de

diferentes áreas as responsabilidades são imputadas á equipa como um todo.

Relativamente a esta dissertação a equipa será constituída pelos criadores da

25

plataforma no qual o autor deste documento está inserido concebendo o Algoritmo

Inteligente da mesma.

o Mestre Scrum: responsável por garantir que o Scrum é entendido por todos,

certificando-se que os constituintes da equipa aderem á teoria, práticas e regras.

Ajuda também as pessoas ou entidades externas que tenham um entendimento

do que é ou não útil numa possível interação com a equipa Scrum. O Mestre

Scrum é o CEO da empresa parceira neste projeto.

• Eventos: os eventos no Scrum existem no sentido de criar alguma regularidade,

minimizando a necessidade de reuniões que não estejam previstas. Os eventos são

planeados numa caixa temporal, dividida em vários eventos e é definido o tempo máximo

desse evento, as várias caixas temporais são designadas de Sprint. Todos os eventos no

Scrum são olhados como mais uma oportunidade para a inspeção e adaptação. Esta

metodologia agrega os seguintes eventos:

o Sprint: considerado como o núcleo do Scrum, é o espaço temporal que no

máximo dura um mês onde deve ser criado algo de valor, um incremento para o

cliente. Um Sprint só começa quando termina o anterior. Para o desenvolvimento

deste projeto foram definidos os seguintes Sprints que podem ser observados na

Tabela 2 sendo que o primeiro Sprint é referente à validação das features e inicia a

5 de Fevereiro terminando a dia 9 do mesmo mês.

Tabela 2 - Sprints do Projeto

Sprint

ID

Sprinalt Inicio Fim

1 Validação dos Features (Recursos) 05/02/18 09/02/18

2 Elaboração do Modelo de Machine Learning 12/02/18 16/03/18

3 Conceber campo de pesquisa com sugestão 05/03/18 30/03/18

4 Sugestão caso a pesquisa não encontre equivalência 02/04/18 27/04/18

5 Identificação do melhor Prestador de Serviços para

determinado Serviço

30/04/18 25/05/18

6 Integração do Algoritmo na Plataforma 28/05/18 15/06/18

7 Desenvolvimento da API 18/06/18 29/06/18

26

o Sprint Planning: é um encontro realizado com todos os elementos da equipa

Scrum, onde se planeia de forma colaborativa o que que se vai fazer no Sprint e

deve demorar um máximo de oito horas caso se esteja a planear um Sprint de um

mês. O Scrum Master é responsável por marcar o local da reunião e garantir que

todos entendem o seu propósito.

o Sprint Goal: é um conjunto de objetivos para um determinado sprint que pode

ser alcançado através da implementação do Product Backlog. Permite á Equipa de

Desenvolvimento perceber porque está a fazer aquele incremento, o que poderá

trazer alguma flexibilidade. É criado durante o Sprint Planing.

o Daily Scrum: evento diário que dura no máximo 15 minutos para a equipa de

desenvolvimento sincronizar atividades e planear o que fazer nas próximas 24

horas. Este evento tem a presença do Scrum Master e baseia-se em 3 perguntas:

O que fiz ontem que ajudou a equipa a atingir objetivo? O que vou fazer hoje para

ajudar a equipa a atingir o objetivo? Existe algum impedimento que não permita a

mim e à equipa conseguir atingir o objetivo?

o Sprint Review: é uma reunião informal que acontece no fim de um Sprint para

inspecionar o Incremento adicionado e adaptar o Product Backlog caso seja

necessário. Caso esteja tudo bem, então tenta-se perceber o que se pode fazer

mais para acrescentar valor ao projeto. O objetivo é receber o feedback dos

stakeholders e fomentar a colaboração entre as partes.

o Sprint Restrospective: a Equipa Scrum faz uma análise do que aconteceu no

Sprint anterior. Ocorre depois do Sprint Review e tem como objetivo criar um plano

para se poder implementar as melhorias que a Equipa acha que devem ser feitas

na forma como desenvolve o seu trabalho.

• Artefactos: representam o trabalho ou valor realizados com o objetivo de maximizar a

transparência de informações chave de forma a que, toda a gente entenda o artefacto

sendo mais uma oportunidade para a inspeção e para a adaptação. Os artefactos

desenvolvidos são os seguintes:

o Product Backlog: este artefacto guarda uma lista ordenada de todos os

requisitos do produto bem como,

o qualquer alteração que seja necessária ser feita. O Dono do Produto é

responsável pelo conteúdo deste artefacto bem como pela sua disponibilidade e

27

ordenação dos requisitos. Os atributos desta lista são a descrição do requisito,

ordem, estimativa que é feita pela equipa de desenvolvimento e valor. Este

artefacto pode estar em constantes alterações ao longo do tempo.

o Sprint Backlog: é o conjunto de requisitos selecionados do Product Backlog para

o Sprint bem como um plano de como entregar esse requisito. É feita uma

previsão do trabalho que será necessário realizar pela equipa para conseguir o

incremento a entregar.

o Incremento: é a soma de todos os requisitos do Product Backlog que foram

concluídos durante um determinado Sprint.

28

4. TRABALHO REALIZADO

Neste tópico serão expostas as plataformas de fornecimento de serviços que foram analisadas

para o desenvolvimento do projeto. Para cada plataforma foi realizada uma descrição das características

e funcionamento da mesma bem como, uma análise SWOT. A Análise SWOT tem como objetivo

identificar as forças e fraquezas de uma organização e as oportunidades e ameaças do ambiente.

Identificando esses fatores, desenvolve-se a estratégia, aproveita-se os pontos fortes, elimina-se as

fraquezas, explora-se as oportunidades e contrariam-se as ameaças (Dyson, 2004).

O objetivo desta análise na execução do projeto é perceber as mais valias criadas pelas

plataformas que foram analisadas, deste modo, criou-se uma matriz de funcionalidades/características

onde podemos analisar de forma mais clara o funcionamento de cada plataforma. No tópico seguinte,

define-se um conjunto de funcionalidades que se interpretam como relevantes para o desenvolvimento

do algoritmo e para o funcionamento da plataforma a desenvolver em conjunto com a IOTech.

4.1 Zaask

A plataforma Zaask funciona através de contacto por email, mensagem ou contacto telefónico

entre o fornecedor do serviço e o seu consumidor.

Quando entramos na plataforma temos a possibilidade de escolher entre duas formas o serviço

que necessitamos. A primeira é um campo de pesquisa que, à medida que vamos escrevendo vai

sugerindo serviços que possam ser aquele que o utilizador procura, caso não exista correspondência a

plataforma sugere opções ao utilizador que se aproximam do que foi escrito no campo de pesquisa. A

segunda forma é através das categorias em que os serviços estão alocados, no caso do Zaask encontram-

se as seguintes categorias principais: serviços para a casa, bem-estar, eventos, aulas e outros. Dentro

dessas categorias principais existem subcategorias, por exemplo, ao escolher a categoria principal

“Serviços para a Casa”, encontramos as subcategorias: Projetos Gerais, Projetos de Interior, Projetos de

Exterior e Reparações e assistência técnica. Em todas as categorias encontra-se também os projetos

mais populares, sendo exemplos: Canalizadores, Serralharia, Mudanças, Trabalhos de Eletricidade, etc.

Após o requerente do serviço escolher o serviço que pretende tem de responder a um conjunto

de questões de forma a especificar da melhor forma possível qual o problema que tem. Posteriormente

a isso, será contactado via email por no máximo cinco fornecedores do tipo de serviço requerido que

estejam interessados em efetuar o trabalho.

29

Terminando o questionário a plataforma pede o nome do utilizador e cria uma conta

automaticamente, aí o utilizador poderá ver o progresso do seu pedido que tem 4 fases: a primeira é a

publicação do pedido; a segunda é obter propostas onde as propostas poderão ter uma estimativa de

preço, o perfil e avaliações do prestador de serviços e uma mensagem; a terceira fase é a fase de

contacto com os profissionais; a quarta fase é onde se seleciona o profissional desejado para a execução

do serviço.

Tabela 3 - Análise SWOT ao Zaask

Strenghts Weaknesses

• Varias áreas de atuação na plataforma • Aplicação Mobile para o fornecedor de

serviços • Plataforma User-Friendly

• Processo moroso • Sem contacto instantâneo • Lacuna na área da Saúde

Opportunities Threats

• Melhorar as sugestões quando a pesquisa não tem uma equivalência

• Explorar mais a área da saúde • Apostar em publicidade para divulgar a

plataforma devido á emergência deste mercado

• Aparecimento de outras plataformas

4.2 BCLEVR

O BCLEVR é uma plataforma de serviços que possibilita o contacto entre o prestador de serviços

e o requerente, este contacto acontece via email.

Ao entrar na plataforma temos a possibilidade de escrever num campo de pesquisa o serviço

pretendido, sendo que, à medida que o utilizador escreve a plataforma vai dando sugestões. Existe

também a possibilidade de encontrar o serviço pretendido entrando nas várias categorias que a

plataforma possui, são elas: aulas e explicações; bens e produtos; construção, casa e jardim, festas e

eventos; freelancers e outros serviços; imóveis e alojamento; moda e lifestyle; saúde e bem-estar;

transportes e mudanças; fazer obras em casa e pilotos e drones.

30

Quando o utilizador especifica o serviço desejado tem de responder a um conjunto de perguntas

de forma a que o serviço requerido seja o mais explicito possível, facilitando assim aos fornecedores de

serviços perceber exatamente a necessidade do utilizador

Tabela 4 - Análise SWOT ao BCLEVR

Strenghts Weaknesses

• Variedade de áreas na plataforma • Possibilidade de adicionar fotos para

melhor entendimento das necessidades • Sem necessidade de criar conta

• Só podemos selecionar as sugestões • Sem contacto instantâneo • Não tem área da Saúde

Opportunities Threats

• Apostar em publicidade para divulgar a plataforma devido á emergência deste mercado

• Explorar mais a área da saúde

• Aparecimento de outras plataformas

4.3 Sobert

Durante o levantamento das plataformas existentes foi também encontrada a Sorbert. Esta

plataforma está ainda em desenvolvimento, mas tem como objetivo fazer a organização das

necessidades de serviços que um determinado utilizador tenha. O utilizador apenas diz o que pretende,

a plataforma trata de escolher o profissional ideal para realizar o serviço e o utilizador vai analisando

esse processo na plataforma. Devido a não se conseguir utilizar a plataforma não foi realizada a análise

SWOT da mesma.

4.4 Knok

O Knok é uma aplicação mobile que funciona apenas na área da saúde. O objetivo desta aplicação

é permitir marcar uma consulta ao domicilio ou por videochamada com um médico à escolha do

utilizador.

Quando entramos na aplicação criamos o nosso perfil com o nome, idade, a localização da nossa

residência e um cartão de crédito para o pagamento de consultas. O processo de marcação da consulta

inicia com uma descrição do problema do utilizador que pretende obter a consulta para que a aplicação

possa sugerir qual o tipo de médico (a sua área de intervenção) que o cliente necessita. A aplicação irá

sugerir vários médicos tendo em conta a localização do utilizador e do médico, bem como informações

31

do preço das consultas, percurso académico e cursos que tenha frequentado, podendo assim o utilizador

escolher o profissional de saúde que preferir. Posteriormente à escolha, o utilizador terá de efetuar o

pagamento da consulta através de um cartão de crédito que estará associado à conta do utilizador. Na

aplicação é marcada a consulta e existe a possibilidade no fim avaliar o profissional de saúde que prestou

o serviço.

Tabela 5 - Análise SWOT ao Knok

Strenghts Weaknesses

• Plataforma Mobile • Possibilidade de efetuar videochamada

como consulta • Pagamento por cartão

• Só podemos selecionar as sugestões • Sem contacto instantâneo • Mau calculo das distâncias • O website não funciona para pedirmos o

serviço

Opportunities Threats

• Apostar em publicidade para divulgar a plataforma devido á emergência deste mercado

• Aparecimento de outras plataformas

4.5 Matriz de Funcionalidades

Para uma melhor perceção das funcionalidades que devem ser incluídas na plataforma que irá

ser desenvolvida em conjunto com a IOTech, cria-se na Tabela 6 uma Matriz de Funcionalidades e

Características existentes em cada uma das plataformas analisadas de forma a existir uma melhor

triagem do que realmente é relevante e deve ser incluído na plataforma a desenvolver. Foram também

realizados pedidos de serviços para perceber o tempo de resposta das plataformas.

Tabela 6 - Matriz de Funcionalidades e Características do Sistema

Funcionalidades e

Características

Plataformas

Zaask BCLEVR Knok

Campo de pesquisa

com sugestão Sim Sim Não contém

Sugestão caso a

pesquisa não encontre

equivalência

Sim Não contém Não contém

32

Funcionalidades e

Características

Plataformas

Zaask BCLEVR Knok

Plataforma organizada

por categorias Sim Sim Não contém

Exemplos de serviços

dentro das categorias Sim, diversas Sim, diversas Não contém

Adicionar ficheiros

multimédia para uma

melhor analise da

situação

Sim, após iniciar a

troca de mensagens

Sim, no ato de

requisição do serviço Não contém

Análise do Estado do

Pedido Sim Não Sim

Resposta em Tempo

Real Não Não Sim

Localização,

distâncias,

proximidade

Não calcula Não calcula Calcula de forma

errada

4.6 Características da Plataforma

Consoante o estudo que foi feito às plataformas, definiu-se algumas

características/funcionalidades que irão ser dividas em duas partes, uma parte para com enfoque

apenas na conceção do algoritmo e outra na conceção da plataforma.

Para a conceção da plataforma propõe-se que esta tenhas as seguintes características:

• seja user-friendly

• contenha um campo de pesquisa onde estará integrado o Algoritmo Inteligente a

desenvolver

• na página principal exista uma área reservada ao cliente e outra ao prestador de serviços

• os utilizadores devem ter a possibilidade de escolher e posteriormente visualizar quais os

prestadores de serviços preferidos

33

• as trocas de mensagens entre as partes devem ficar armazenadas durante um período

mínimo de um mês e deve ser possível adicionar conteúdos multimédia.

Relativamente ao algoritmo propõe-se que este seja capaz de:

• devolver as informações corretas quando um utilizar precisa de um determinado serviço

bem como informações relevantes quanto aos prestadores de serviços como a sua

localização e as avaliações ao mesmo.

• caso a pesquisa não tenha match o algoritmo deve conseguir perceber qual a

necessidade do utilizador e devolver uma resposta adequada.

34

5. PLANEAMENTO

Neste capitulo irá ser abordado o planeamento do projeto, apresentam-se as atividades a realizar

ao longo do projeto, bem como, os riscos inerentes à realização do mesmo com as respetivas ações

atenuantes.

5.1 Atividades

Neste tópico serão definidas as atividades do projeto de dissertação bem como, as datas da sua

realização e as precedências entre as mesmas. As atividades estão organizadas pelas várias fases da

metodologia Design Science Research (DSR) e pelos momentos de entrega dos documentos do Plano de

Trabalho, Projeto de Dissertação e Dissertação. Na Tabela 7 são apresentadas as várias atividades a

realizar. No Anexo II – Diagrama de Gantt encontra-se o Diagrama de Gantt, onde podemos ter uma

perspetiva temporal das atividades e analisar as suas precedências. As atividades que contém um

losango são as milestones definidas na metodologia de desenvolvimento Scrum.

Tabela 7 - Atividades do Projeto

ID Atividade Início Conclusão Precedência

1 Plano de Atividades 21/09/17 21/12/18

1.1 Plano de Trabalho 22/09/17 02/10/17

1.1.1 Elaboração do Resumo 23/09/17 24/09/17

1.1.2 Elaboração do Enquadramento 24/09/17 24/09/17

1.1.3 Descrição das Abordagens Metodológicas 25/09/17 27/09/17

1.1.4 Definição dos Objetivos e Resultados

Esperados

27/09/17 27/09/17

1.1.5 Elaboração da Calendarização 28/09/17 29/09/17

1.1.6 Elaboração e Revisão do Plano de Trabalho 29/09/17 01/10/17

1.1.7 Submissão do Plano de Trabalho 02/10/17 02/10/17 1.1.6

1.2 Projeto de Dissertação 03/10/17 22/01/18 1.1

1.2.1 Identificação do Problema e Motivo 03/10/17 05/10/17

1.2.1.1 Elaborar Enquadramento e Motivação 03/10/17 05/10/17

35

1.2.2 Definição dos Objetivos da Solução 06/10/17 20/10/17 1.2.1

1.2.2.1 Elaborar Objetivos e Resultados

Esperados

06/10/17 08/10/17 1.2.1.1

1.2.2.2 Pesquisa e Seleção da Literatura 09/10/17 20/10/17 1.2.2.1

1.2.3 Elaboração do Documento do Projeto de

Dissertação

23/10/17 18/01/18 1.2.2.2

1.2.4 Revisão do Documento do Projeto de

Dissertação

19/01/18 20/01/18 1.2.3

1.2.5 Submissão do Documento do Projeto de

Dissertação

22/01/18 22/01/18 1.2.4

1.3 Dissertação 23/01/18 21/12/18 1.2

1.3.1 Realização de Tutoriais de Phyton 23/01/18 31/01/18

1.3.2 Conceção e Desenvolvimento do

Artefacto

05/02/18 28/06/18

1.3.2.1 Validação dos Features (Recursos) 05/02/18 09/02/18

1.3.2.2 Elaboração do Modelo de Machine

Learning

12/02/18 16/03/18

1.3.2.3 Conceber campo de pesquisa com

sugestão

05/03/18 30/03/18

1.3.2.4 Sugestão caso a pesquisa não encontre

equivalência

02/04/18 27/04/18

1.3.2.5 Identificação do melhor Prestador de

Serviços para determinado Serviço

30/04/18 25/05/18

1.3.2.6 Integração do Algoritmo na Plataforma 28/05/18 15/06/18

1.3.2.7 Desenvolvimento da API 18/06/18 29/06/18

1.3.3 Demonstração 02/07/18 13/07/18 1.3.2

1.3.3.1 Prova de Conceito 02/07/18 13/07/18

1.3.4 Avaliação 16/07/18 27/07/18 1.3.3

1.3.4.1 Verificação da Qualidade de Resposta do

Algoritmo

16/07/18 27/07/18

36

1.3.5 Elaboração e Revisão do Documento de

Dissertação

05/02/18 20/10/18

1.3.6 Comunicação 16/04/18 12/11/18 1.3.4

1.3.6.1 Escrita e Revisão de Artigos Científicos 16/04/18 12/11/18

1.3.7 Submissão do Documento de Dissertação 22/10/18 22/10/18 1.3.5

1.3.8 Apresentação da Dissertação 23/10/18 21/12/18 1.3.7

1.4 Reunião Semanal com o Orientador 25/09/17 20/10/18

5.2 Lista de Riscos

Todos os projetos têm os seus riscos que devem ser identificados de forma a serem atenuados. Na

Tabela 8 apresentam-se os riscos do projeto, a possibilidade de acontecerem e o impacto que poderão

ter na execução do projeto sendo a multiplicação destas características a severidade do risco. Cada risco

tem um determinado no projeto e terá uma ação atenuante. Os valores variam entre 1 e 5, sendo que 1

é muito baixo e 5 muito alto. As siglas P, I e S correspondem a “Probabilidade”, “Impacto” e “Severidade”

respetivamente.

Tabela 8 - Lista de Riscos

Risco P I S Impacto Acção Atenuante

Complexidade

elevada do projeto

2 5 10 Problemas com o uso das

ferramentas a serem

utilizadas no projeto.

Explorar as ferramentas,

analisar documentação e

realizar tutoriais para

melhor compreensão.

Falta de comunicação

com o orientador

1 4 4 Pode provocar atrasos nos

prazos e má interpretação

dos resultados obtidos ao

longo da execução do

projeto.

Reuniões periódicas

definidas com o professor.

Definir meios de

comunicação para

esclarecimentos pontuais.

37

Risco P I S Impacto Acção Atenuante

Alteração dos

objetivos e dos

resultados esperados

2 3 6 Caso o orientador entenda

que é necessário proceder

à alteração dos objetivos e

dos resultados esperados,

obrigando desta forma à

alteração do planeamento.

Ajustar o plano de trabalho

à nova realidade.

Má interpretação dos

objetivos e dos

resultados esperados

2 4 8 Se os objetivos e

resultados esperados

forem mal interpretados o

resultado não será o

esperado.

Reunir com o orientador

para analisar o estado do

projeto e esclarecimento de

duvidas.

Fraca qualidade dos

dados

2 4 8 Caso os dados não sejam

os melhores o algoritmo

não será testado da

melhor forma

comprometendo assim a

qualidade final do projeto.

Analisar os dados para

descobrir erros ou

incoerências nos dados.

Perca de Ficheiros 1 4 4 Caso exista algum

problema com a máquina

poderão ser perdidos

ficheiros e informação

relevante atrasando assim

a realização do projeto.

Realizar Backups.

Ajustar planeamento.

Avaria da Máquina 1 3 3 Caso a máquina avarie

poderá existir perca de

informação e o plano pode

sofrer atrasos.

Fazer Backups.

Ter máquina de reserva.

Ajustar planeamento.

38

6. CONCLUSÃO

Com o objetivo de responder à questão de investigação, “É possível utilizar algoritmos inteligentes

para relacionar os clientes e os prestadores de serviços?”, procedeu-se à seleção e estudo da literatura

de áreas que permitam solucionar esta questão. Com base nesta literatura foi possível perceber a lacuna

que existe no mundo digital de plataformas de aproximação em tempo real entre prestadores de serviços

e clientes. Com o crescimento da Inteligência Artificial (IA) e as várias áreas de aplicação em que a

mesma pode ser inserida, percebeu-se que, com a criação de um Algoritmo Inteligente (AInt) podemos

conseguir que um sistema aprenda e que consiga dar as respostas esperadas a um determinado

utilizador. Como auxílio foi feito um levantamento de plataformas já existentes na área de forma a

perceber o que existe já desenvolvido na área da Prestação de Serviços (PS) e o que se pode fazer para

criar algo de novo.

A literatura sobre o desenvolvimento de AInt na área da PS é inexistente, e mesmo em outras

áreas é reduzida apesar de existirem vários exemplos de aplicações de IA, não é demonstrada a forma

como foram concebidos os AInt, como foram treinados com modelos de Machine Learning (ML) e

posteriormente como são implementados nos softwares.

Relativamente ás abordagens de investigação descritas, optou-se pelo Design Science Research

(DSR) como metodologia principal e o Scrum pois é uma metodologia mais detalhada ao nível do

desenvolvimento de software, complementando assim a fase do DSR referente à conceção e

desenvolvimento do artefacto.

Foi também realizado um levantamento de plataformas existentes na área da Prestação de

Serviços (PS) de forma a existir uma melhor perceção daquilo que é feito nesta área, tentando assim,

perceber de que forma se poderá criar uma plataforma que marque a diferença, aplicando soluções

inteligentes à mesma.

Concluindo a literatura revista permitiu identificar, conceitos, metodologias, modelos e aplicações

que servirão como base ao desenvolvimento prático do Projeto de Dissertação. Nessa vertente prática

será desenvolvido o AInt em conjunto com a IOTech utilizando a metodologia Scrum. Para isso foram

definidas algumas funcionalidades que se consideram indispensáveis ao bom funcionamento do AInt e

consequentemente da plataforma a desenvolver. Para além do desenvolvimento do AInt, serão também

elaborados artigos científicos de forma a colmatar a falta de literatura existente nesta área.

39

BIBLIOGRAFIA

Adeli, A., & Neshat, M. (2010). A fuzzy expert system for heart disease diagnosis. In Lecture Notes in

Engineering & Computer Science (Vol. 1, pp. 1–6).

Alpaydin, E. (2010). Inroduction to Machine Learning.

https://doi.org/10.1016/j.neuroimage.2010.11.004

Antonsson, E. K., & Cagan, J. (2001). Formal engineering design synthesis.

Arlitsch, K., & Newell, B. (2017). Thriving in the Age of Accelerations: A Brief Look at the Societal Effects

of Artificial Intelligence and the Opportunities for Libraries. Journal of Library Administration, 57(7),

789–798. https://doi.org/10.1080/01930826.2017.1362912

Camastra, F., & Vinciarelli, A. (2008). Machine Learning for Audio, Image and Video Analysis. Young,

413–430. https://doi.org/10.1007/978-1-84800-007-0

Copeland, M. (2016). Difference Bewteen Artificial Intelligence, Machine Learning, and Deep Learning.

Retrieved January 20, 2018, from https://blogs.nvidia.com/blog/2016/07/29/whats-difference-

artificial-intelligence-machine-learning-deep-learning-ai/

Dyson, R. G. (2004). Strategic development and SWOT analysis at the University of Warwick. European

Journal of Operational Research, 152(3), 631–640. https://doi.org/10.1016/S0377-

2217(03)00062-6

Feng, J., Lei, Y., Lin, J., & Al., E. (2016). Deep neural networks: A promising tool for fault characteristic

mining and intelligent diagnosis of rotating machinery with massive data. Mechanical Systems &

Signal Processing, 72–73, 303–315.

Google. (2018). Como funcionam os Algoritmos de Pesquisa. Retrieved January 5, 2018, from

https://www.google.com/search/howsearchworks/algorithms/

Gori, M. (2017). Machine Learning: A Constraint-Based Approach.

Griffin, A. (2017). Facebook’s Artificial Intelligence Robots shut down after they start talking to each other

in their own language. Retrieved January 30, 2018, from http://www.independent.co.uk/life-

style/gadgets-and-tech/news/facebook-artificial-intelligence-ai-chatbot-new-language-research-

openai-google-a7869706.html

Hanne, T., & Dornberger, R. (2017). Computational Intelligence in Logistics and Supply Chain

Management. (Springer, Ed.).

Hevner, A., & Chatterjee, S. (2010). Design Research in Information Systems, 22, 9–23.

40

https://doi.org/10.1007/978-1-4419-5653-8

Ismail, R. I. B., Alnaimi, F. B. I., & Alqrimli, H. F. (2016). Artificial intelligence application in power

generation industry: initial considerations,. IOP Conference Series Earth and Environmental Science,

32, 1–4.

Joshi, P. (2017). Artificial Intelligence with Python-Packt Publishing - ebooks Account (2017).

Kim, K. G. (2016). Deep Learning Book Review. Healthc Inform Res.

https://doi.org/10.4258/hir.2016.22.4.351

Kotsiantis, S. B. (2007). Supervised Machine Learning: A Review of Classification Techniques. Emerging

Artificial Intelligence Applications in Computer Engineering. Retrieved from

http://books.google.com/books?hl=en&lr=&id=vLiTXDHr_sYC&pgis=1

Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.

https://doi.org/10.1038/nature14539

Lei, H., Ganjeizadeh, F., Jayachandran, P. K., & Ozcan, P. (2017). A statistical analysis of the effects of

Scrum and Kanban on software development projects. Robotics and Computer-Integrated

Manufacturing, 43, 59–67. https://doi.org/10.1016/j.rcim.2015.12.001

Li, X., & Jiang, H. (2017). Artificial Intelligence Technology and Engineering Applications, 32(5), 381–

389.

Ma, A., Li, Y., Cao, Y., & Al., E. (2014). Intelligent diagnosis for aero-engine wear condition based on

immune theory. In Artificial intelligence application in power generation industry: initial

considerations.

Maini, V., & Sabri, S. (2017). Machine Learning for Humans. Medium.

Manshad, A., Rostami, H., Toreifi, H., & et al. (2016). Optimization of Drilling Penetration Rate in Oil

Fields Using Artificial Intelligence Technique (Nova Scien). NY, USA.

Meirelles, D. S. E. (2006). O conceito de Serviço, 26(1), 119–136.

Mohammed, M., Kan, M. B., & Bashier, E. B. M. (2017). Machine learning : algorithms and applications.

Oroumieh, M., Malaek, S., Ashrafizaadeh, M., & et al. (2013). No Title. Aerospace Science & Technology,

26, 244–258.

Pannu, A. (2015). Artificial Intelligence and its Application in Different Areas. Certified International

Journal of Engineering and Innovative Technology, 9001(10), 2277–3754.

https://doi.org/10.1155/2009/251652

Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A Design Science Research

Methodology for Information Systems Research. Journal of Management Information Systems,

41

24(3), 45–77. https://doi.org/10.2753/MIS0742-1222240302

Russell, S. J., Norvig, P., Canny, J. F., Malik, J. M., Edwards, D. D., & Jonathan, S. J. S. (1995). A Modern

Approach. Theory and Practice (Vol. 13). https://doi.org/10.1007/s11894-010-0163-7

Schwaber, K., & Sutherland, J. (2017). The Scrum Guide - The Definitive Guide to Scrum: The Rules of

the Game. Retrieved from https://www.scrumguides.org/docs/scrumguide/v2017/2017-Scrum-

Guide-US.pdf

Singha, S., Bellerby, J., & Trieschmann, O. (2012). Detection and classification of oil spill and lookalike

spots from SAR imagery using an artificial neural network. In IEEE Geoscience and Remote Sensing

Symposium (pp. 5630–5633).

Stoitsis, J. et al. (2006). Computer aided diagnosis based on medical image processing and artificial

intelligence methods, Nuclear Instruments & Methods in Physics Research.

Strope, B., & Kurzweil, R. (2017). Efficient Smart Reply, now for Gmail. Retrieved January 10, 2018, from

https://research.googleblog.com/2017/05/efficient-smart-reply-now-for-gmail.html

Suresh, L. P., Dash, S. S., & Panigrahi, B. K. (2015). Artificial Intelligence and Evolutionary Algorithms in

Engineering Systems. (L. P. Suresh, S. S. Dash, & B. K. Panigrahi, Eds.) (Vol. 324). New Delhi:

Springer India. https://doi.org/10.1007/978-81-322-2126-5

Trigueiros, P., Ribeiro, F., & Reis, L. P. (2012). A comparison of machine learning algorithms applied to

hand gesture recognition. Information Systems and Technologies (CISTI), 2012 7th Iberian

Conference on, 1–6.

Wallaroo. (2018). Facebook Newsfeed Algorithm History. Retrieved February 1, 2018, from

https://wallaroomedia.com/facebook-newsfeed-algorithm-change-history/

Wang, J., Ma, Y., Zhang, L., Gao, R. X., & Wu, D. (2018). Deep learning for smart manufacturing: Methods

and applications. Journal of Manufacturing Systems, 1–13.

https://doi.org/10.1016/j.jmsy.2018.01.003

Widman, L. E., & Loparo, K. A. (1990). Artificial Intelligence, Simulation, and Modeling, 1990(April 1990),

48–66.

Zheng, A. (2015). Evaluating Machine Learning Models: A Beginner’s Guide to Key Concepts and Pitfalls.

O’Reilly.

Zygmunt, C., & Napieralski, A. (2015). Artificial intelligence in medical diagnosis of some brain

dysfunctions. International Journal of Microelectronics and Computer Science, 6, 1–5.

42

ANEXO I – MATRIZ DE CONCEITOS

A matriz de Conceitos que se encontra refletida na Tabela 9, tem como objetivo uma melhor

perceção da relação entre autores e as áreas em que foram citados ao longo deste documento.

Tabela 9 - Matriz de Conceitos

Autor

Conceitos

Inteligência

Artificial

Machine

Learning

Deep

Learning

Algoritmos

Inteligentes

Adeli e Neshat (2010) X

Alpaydin (2004) X

Arlitsch e Newell (2017) X X

Canastra e Vinciarelli (2008) X

Fenge et al. (2016) X

Goodfellow et al. (2016) X

Hanne e Dornberger, 2017 X

Ismail et al. (2016) X

Joshi (2017) X

(Kim, 2016) X

Kotsiantis (2007) X

LeCun et al., 2015 X

Li e Jiang (2017) X

Ma et. al (2013) X

Manshad et al. (2016) X

Marini e Sabri (2017) X

Mohammed et. al (2017) X X

Oroumieh et al. (2013) X

Pannu (2015) X

Russel e Norving (1995) X

Singah et al. (2012) X

Stoitsis et al. (2006) X

Suresh et al. (2014) X

43

Autor

Conceitos

Inteligência

Artificial

Machine

Learning

Deep

Learning

Algoritmos

Inteligentes

Trigueiros et. al, 2012 X

Turing (1950) X

Wang et al. (2018) X

Zeng (2015) X

Zygmut e Napieralski (2015) X

44

ANEXO II – DIAGRAMA DE GANTT

O Diagrama de Gantt apresentado na Figura 9, demonstra as atividades ao longo da linha

temporal do projeto bem como, as precedências entre elas e um conjunto de Milestones que são

representadas no diagrama com um losango

Figura 9 - Diagrama de Gantt