Notícias

Banca de QUALIFICAÇÃO: ELLEN GERA DE BRITO MOURA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: ELLEN GERA DE BRITO MOURA
DATA: 14/09/2015
HORA: 15:00
LOCAL: Sala 260 do Departamento de Computação
TÍTULO:

Estudo Comparativo de Técnicas de Aprendizagem de Máquina Supervisionada para Classificação de Serviços de TI


PALAVRAS-CHAVES:

Aplicações de Sistemas Inteligentes, Processamento de Linguagem Natural, Aprendizagem de Máquina Supervisionada, Suporte de TI.


PÁGINAS: 50
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
RESUMO:

O interesse na classificação automática de textos em categorias predefinidas tem crescido nos últimos anos, motivado pelo alto volume de informações armazenadas de forma textual em sistemas de informação. Chamados técnicos gerenciados em service desk (centrais de serviço de TI) são classificados com o objetivo de categorizar, priorizar e identificar soluções para casos semelhantes. A classificação pode ser usada também para definir a área e o técnico (ou equipe técnica) responsável pelo atendimento. Considerando ambientes empresariais, uma classificação correta dos chamados permite otimizar recursos e minimizar impactos negativos aos processos de negócio que dependem de serviços de TI. Normalmente, os chamados técnicos são abertos e registrados por usuários, em linguagem natural, através de softwares específicos para gestão do seus respectivos ciclos de vida. Nesse contexto, propõe-se um método para classificação automática de chamados técnicos de TI, a partir de algoritmos de aprendizagem de máquina supervisionados e técnicas de processamento de linguagem natural. O método proposto contempla um componente de software que será utilizado para planejar a aplicação e para validá-lo em ambientes de service desk de TI em tempo real. Avaliações preliminares do método utilizaram os algoritmos Naive Bayes, SVM e SMO sobre um Corpus com 1.335 chamados de TI de um órgão público da esfera estadual. Os experimentos mostraram resultados promissores, tendo o algoritmo Naive Bayes atingido 91.9% de acurácia na atividade de classificação.


MEMBROS DA BANCA:
Presidente - 1226761 - RAIMUNDO SANTOS MOURA
Interno - 2061294 - RICARDO DE ANDRADE LIRA RABELO
Interno - 1446435 - VINICIUS PONTE MACHADO
Notícia cadastrada em: 01/09/2015 09:46
SIGAA | Superintendência de Tecnologia da Informação - STI/UFPI - (86) 3215-1124 | © UFRN | sigjb04.ufpi.br.instancia1 25/04/2019 01:03