Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.264
Aluno: Eric Anderson Ferreira dos Santos
Orientador: Prof. Ricardo Bastos Cavalcante Prudêncio
Título: Explicando um classificador de requisições de mudança com métodos de XAI
Data: 28/01/2026
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Alexandre Cabral Mota (UFPE / Centro de Informática)
Prof. André Câmara Alves do Nascimento (UFRPE / Departamento de Computação)
Prof. Ricardo Bastos Cavalcante Prudêncio (UFPE / Centro de Informática)
RESUMO:
A inteligência artificial (IA) cresce aceleradamente nas mais diversas tarefas da esfera humana, devido aos hardwares poderosos, algoritmos de aprendizagem de máquina potentes e grande bases de dados. IA tem atingido resultados incríveis por meio de tecnologias que simulam habilidades cognitivas de seres humanos, como a linguagem natural, visão, memória e processo de inferência. A complexidade dos modelos de IA e o uso massivo por humanos, criam a necessidade de que tecnologias inteligentes tenham a habilidade de explicar seu funcionamento, seja para fins de entendimento de seu processo de decisões ou para fins de inspeção. XAI (eXplainable Artificial Inteligence, IA explicável em português) é uma área que tem como objetivo o desenvolvimento de ferramentas e abordagens que possam gerar explicações para as tecnologias inteligentes. Apesar de seus recentes avanços, as explicações para dados textuais ainda é uma parte nova da área, possuindo desafios como a heterogeneidade nos dados e alta dimensionalidade. O presente trabalho se propôs a gerar explicações para um classificador de requisições de mudança de software (ou CRs – Change Requests) treinado com dados textuais. Essa pesquisa exploratória investigou a aplicação de técnicas de XAI para o CRs classifier, uma ferramenta que objetiva a classificação automática de criticidade das CRs associadas a dispositivos móveis de uma empresa real em Recife – PE. As implementações incluíram experimentos e aplicações de uma estratégia XAI conhecida como método de “Feature Importance” (Importância de características) da biblioteca SHAP (Shapley Additive Explanations) aplicada a representações trigramáticas de CRs. Além disso, métodos estabelecidos de explicações para humanos foram incorporados às explicações geradas, melhorando a interpretabilidade e o poder de abstração. Adicionalmente, realizamos uma experimentos e avaliações com a técnica XAI de modelos substitutos, para observar o quão confiável ela pode ser para explicar e aproximar resultados de modelos complexos.
Palavras-chave: Inteligência Artificial Explicável. XAI. Aprendizagem de Máquina. Mineração de Dados. Dados Textuais. Shapley.
Comentários desativados