Please use this identifier to cite or link to this item: https://repositorio.insper.edu.br/handle/11224/5586
Type: Trabalho de Conclusão de Curso
Title: Detecção de Bugs em Modelos de Machine Learning
Author: Santos, Giovanni Cardoso Pertence dos
Andrade, João Pedro Gianfaldoni de
Silva, William Augusto Reis da
Examination board: Ayres, Fabio Jose
Tavares, Tiago Fernandes
Advisor: Barth, Fabrício Jailson
Academic degree: Graduação
Publication Date: 2022
Original Abstract: Modelos de Machine Learning em produção muitas vezes apresentam comportamentos inesperados, que não foram detectados durante as etapas de treino, teste e validação, ao serem expostos a dados do mundo real. Esses comportamentos inesperados, ou “bugs” do modelo, ocorrem por diferentes motivos, como o não cumprimento de regras de negócio, dados de treino rotulados incorretamente e generalizações errôneas do próprio modelo. Este projeto tem como objetivo desenvolver uma biblioteca de Machine Learning explainability, open source, na linguagem de programação Python, que seja capaz de realizar diagnósticos e produzir relatórios que identifiquem esses bugs e comportamentos inesperados, permitindo assim que o cliente IFOOD, ou qualquer outro usuário da biblioteca, os corrija. Essa biblioteca poderá ser utilizada em modelos de classificação binária, na forma de “caixa-preta”, que foram treinados com dados tabulares.
Keywords in original language : Machine Learning
Identificação de bugs
explicabilidade
Abstract: Machine Learning models in production environment sometimes present unexpected behavior, which have not been detected during training, testing or validation phases, when faced with data from the real world. Those unexpected behaviors, or model bugs, have different explanations, such as not following business rules, wrong generalizations, or mislabeled training data. The goal of this project is to develop an open-source Python library for Machine Learning models explainability, that produces diagnosis and reports that identifies those bugs and allows the client IFOOD to correct them. This library will be compatible with “black boxes” binary classification Machine Learning models that have been trained with structured/tabular data.
Keywords (english terms): Machine Learning
bug identification
explicability
Language: Português
CNPq Area: Engenharias
Copyright: TODOS OS DOCUMENTOS DESTA COLEÇÃO PODEM SER ACESSADOS, MANTENDO-SE OS DIREITOS DOS AUTORES PELA CITAÇÃO DA ORIGEM
Notes: Projeto realizado para empresa IFood - Mentor na Empresa: Thiago Cardoso
Appears in Collections:Graduações em Engenharias

Files in This Item:
File Description SizeFormat 
Relatorio_Publico_iFood_20222.pdfRelatorio_Publico_iFood_202223.02 MBAdobe PDFThumbnail
View/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.