Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.insper.edu.br/handle/11224/5586
Tipo de Material: Trabalho de Conclusão de Curso
Titulo: Detecção de Bugs em Modelos de Machine Learning
Autor: Santos, Giovanni Cardoso Pertence dos
Andrade, João Pedro Gianfaldoni de
Silva, William Augusto Reis da
Junta examinadora: Ayres, Fabio Jose
Tavares, Tiago Fernandes
Asesor: Barth, Fabrício Jailson
Nivel de grado académico: Graduação
Fecha de Publicación: 2022
Resumen en idioma original : 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.
Palabras clave en idioma original : Machine Learning
Identificação de bugs
explicabilidade
Resumen en ingles: 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 (términos en inglés): Machine Learning
bug identification
explicability
Idioma: Português
Area del CNPq: Engenharias
Licencias de uso: TODOS OS DOCUMENTOS DESTA COLEÇÃO PODEM SER ACESSADOS, MANTENDO-SE OS DIREITOS DOS AUTORES PELA CITAÇÃO DA ORIGEM
Notas: Projeto realizado para empresa IFood - Mentor na Empresa: Thiago Cardoso
Aparece en las colecciones: Graduações em Engenharias

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Relatorio_Publico_iFood_20222.pdfRelatorio_Publico_iFood_202223.02 MBAdobe PDFVista previa
Visualizar/Abrir

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.