Comparação entre métodos, metodologias e frameworks para construção de sistemas computacionais analíticos-cognitivos / Comparison between methods, methodologies and frameworks for the construction of analytical-cognitive computational systems

(1)

Braz. J. of Develop.,Curitiba, v. 6, n.5, p.31887-31904 may. 2020. ISSN 2525-8761

Comparação entre métodos, metodologias e frameworks para construção de

sistemas computacionais analíticos-cognitivos

Comparison between methods, methodologies and frameworks for the

construction of analytical-cognitive computational systems

DOI:10.34117/bjdv6n5-586

Recebimento dos originais: 30/04/2020 Aceitação para publicação: 28/05/2020

Vinicius Tadeu Freire

Mestrando em Engenharia Elétrica e da Computação pela Universidade Presbiteriana Mackenzie Instituição: Universidade Presbiteriana Mackenzie

Endereço: R. da Consolação, 930 - Consolação, São Paulo - SP, 01302-907 E-mail: viniciustfreire@gmail.com

Nizam Omar

Doutor em Informática pela Pontifícia Universidade Católica do Rio de Janeiro Instituição: Universidade Presbiteriana Mackenzie

Endereço: R. da Consolação, 930 - Consolação, São Paulo - SP, 01302-907 E-mail: omar@mackenzie.br

RESUMO

Nos últimos anos houve um grande aumento de projetos analíticos- cognitivos mostrando a consolidação da ciência de dados. Esforços estão sendo feitos para identificar qual é a melhor forma de implementar este tipo de projeto, assim surge a necessidade de comparar os métodos,metodologias e frameworks existentes como CRISP-DM, KDD, SEMMA, PMBOK, SWEBOK, TOGAF para identificar as similaridades, diferenças e viabilidade destes métodos, metodologias e frameworks na construção de sistemas computacionais analíticos-cognitivos.

Palavra-chave:Ciência de Dados, Sistemas Cognitivos, Sistemas Analíticos, Descobrimento de

conhecimento.

ABSTRACT

In recent years has been a huge increase in analytical-cognitive projects showing the consolidation of data science. Efforts are being made to identify the best way to implement this type of project, so there is a need to compare existing methods, methodologies and frameworks as CRISP-DM, KDD, SEMMA, PMBOK, SWEBOK, TOGAF to identify the similarities, differences and usability of these methods, methodologies and frameworks in the construction of computer systems analytical-cognitive.

(2)

Brazilian Journal of Development

31888

1 INTRODUÇÃO

Inteligência Artificial é um dos tema que tem sido cada vez mais procurado por empresários e profissionais de tecnologia da informação segundo comparativo anual de periódicos de prestígio ou em buscas básicas como Google Trends.Dentre os vários temas que compõem o campo de estudo da inteligência artificial, destaca-se o de sistemas cognitivos, tema principal deste estudo.

Conforme [Grosz,2016] em seu estudo "One Hundred Year Study on Artificial Intelligence", o impacto da tecnologia até 2030 será enorme pois modificará a forma como a sociedade está estabelecida e organizada, impactando até seus níveis hierárquicos. Entretanto, alguns estudiosos como [Yampolskiy,2016] e [Kugel,2002] acreditam que esse tipo de tecnologia pode ser muito perigosa para a sociedade e que existe uma falta de controle na construção, manutenção e regulamentação destes sistemas cognitivos que poderiam causar desde perdas monetárias, projetos fracassados, até risco a vida dos usuários e da sociedade; alguns inclusive alegam que a máquina nunca será capaz de mimetizar as atividades humanas.

Destacam-se ainda as várias pesquisas realizadas pela Gartner como em [Cearley,2013] e [GARTNER,2018] que mostram como esta e outras tecnologias estão impactando a sociedade e quais serão as tendências e consequências destas mudanças.

De acordo com a Gartner, até 2020, projetos de inteligência artificial serão prioridade para mais de trinta por cento dos CIO e trinta e sete por cento das empresas ainda estão buscando refinar as suas estratégias e metodologias de inteligência artificial.

Ainda observando o estudo da Gartner,[Cearley,2013] a construção de sistemas cognitivos são complexos, apesar de nem sempre a questão da infraestrutura ou ferramentas o serem também.. Isto mais uma vez mostra que ter a infraestrutura e as ferramentas pode não ser suficiente, mas faz-se necessário saber utilizá-las faz-seguindo uma metodologia consistente.

Em outro estudo, orquestrado pela equipe de pesquisa e desenvolvimento da Gartner[GARTNER,2018], concluiu-se que dentre os principais problemas na pesquisa e no desenvolvimento estão em: encontrar casos de uso que realmente impactem no meio acadêmico ou na sociedade, identificar os desafios que devem ser focados pela equipe de pesquisa, dificuldade na adoção de várias ferramentas, estabelecer a devida comunicação entre pesquisadores e tomadores de decisão, planejar modelos que apoiem o portfólio e outros. Este estudo mostra novamente a

(3)

importância de um método que veja todo o ciclo de projeto, desde a identificação da oportunidade, até os aspectos técnicos e de negócio.

Observada acima a visão empresarial de pesquisa e desenvolvimento para o tema aqui estudado, complementa-se esta visão com um estudo referente a 45 tecnologias que estão presente ou surgindo no mercado e na academia.

Nela observa-se a grande importância de soluções que possuam interação com o cliente, chatbots e assistentes virtuais, ferramentas que sejam capazes de entender feedbacks de clientes, ferramentas que deem suporte na tomada de decisão, dentre outras. Estas tecnologias segundo[Morris,2008] tendem a crescer nos próximos anos, reforçando novamente a importância deste estudo.

Tomando como base todos os estudos [Morris,2008] , [GARTNER,2018] e [Cearley,2013] citados que possuem uma visão otimista para projetos de sistemas cognitivos e outros estudos como o de [Yampolskiy,2016] e [Kugel,2002] que possuem uma visão mais conservadora, verifica-se a importância da criação de um método de suporte na construção de sistemas cognitivos supervisionados, que seja capaz de balizar os parâmetros, mitigar riscos e dar uma sugestão ou rumo aos que procuram construir seu próprio sistema de computação cognitiva.

2 MÉTODO

O método foi baseado na comparação entre a existência das estruturas básicas do método contra as metodologias de mercado mais utilizadas para projetos analiticos.

Estas metodologias de mercado foram obtidas em entrevista com mais de quinze empresas diferentes, todas do mercado de T.I no Brasil ou multinacionais com representação no Brasil.

Ao buscar em livros e sites sobre computação cognitiva, participar de workshops, palestras, simpósios para o enriquecimento do artigo e em pesquisas realizadas pela [KDnuggets, 2014] percebeu-se que falta uma metodologia amplamente utilizada para a criação de sistemas cognitivos supervisionados.

(4)

Brazilian Journal of Development

31890

Figura 01 - Pesquisa KDnuggets sobre qual principal metodologia estava usando para projetos de ciência de dados.[KDnuggets,2014.]

Segundo a [KDnuggets,2014] com em sua pesquisa sobre ranking de metodologias/processos para mineração de dados com cerca de 200 participantes, 86 dos entrevistados usam atualmente CRISP-DM, 55 usam métodos e processos próprios, cerca de 17 usam o Semma, 15 usam KDD, 07 usam da própria organização ,16 usam metodologias da específica da área, 0 usam nenhuma metodologia e 04 usam outra metodologia.Este estudo mostra como a maioria das empresas ou usam a metodologia CRISP-DM com 43% dos entrevistados ou usam outras metodologias em 57% dos casos.Assim, uma comparação que ajude a suportar e auxiliar na escolha de uma metodologia.

Outro aspecto importante da pesquisa é que de forma geral não houve grandes mudanças da pesquisa de 2007 contra a pesquisa de 2014 o que mostra que apesar de todos os avanços na área de ciência de dados a questão de qual metodologia utilizar para a construção destas soluções pouco mudou.

O artigo tem como meta deixar uma contribuição para a sociedade, empresas e para a academia, que hoje conforme pesquisas da Gartner [Morris,2008], [GARTNER,2018] e [Cearley,2013] estão com necessidades de projetos cognitivos na área da informática mas que possuem dificuldades em desenvolver projetos desta natureza.

A comparação pode ainda servir como base para a construção de sistemas cognitivos de suporte em atividades diárias operacionais, como nos setores administrativos, como também pode auxiliar na construção de sistemas cognitivos de suporte a professores e alunos no seu dia-a-dia.

(5)

Acrescenta-se a este cenário a dificuldade que é comparar métodos, segundo [Azevedo, Ana & Santos, Manuel, 2008.] comparar métodos é extremamente complicado pois existe a subjetividade de quem está avaliando e dos dos recursos que estão sendo utilizados.Ainda segundo [Azevedo, Ana & Santos, Manuel, 2008.] uma forma de evitar estes desafios é comparar os métodos contra uma mesma base de conhecimento evitando o máximo a subjetividade e o viés.

Assim serão comparados os métodos escolhidos contra a estrutura básica do sistema computacional analítico supervisionado.

Cada comparação feita gerou uma nota de um a quatro, sendo nota um nenhuma aderência, nota dois pouca aderência, nota três aderência boa, nota quatro aderência ótima.Após a comparação de cada metodologia contra os mais diversos requisitos de um sistema computacional analitico supervisionado foi gerado um rank contendo a nota final de cada um deles.

3 MÉTODOS,METODOLOGÍAS E FRAMEWORK ESTUDADOS

3.1 CRISP-DM

CRISP-DM segundo [Chapman, P. et al, 2000.] significa Cross-Industry Standard Process for Data Mining e consiste de seis etapas sendo elas: Business understanding que tem como objetivo entender as necessidades de negócio e os critérios de sucesso. Data understanding que tem como objetivo descrever, explorar, verificar a qualidade dos dados e fazer a coleta do mesmo. Data Preparation que tem como objetivo a seleção dos dados, limpeza e integração dos dados e a construção dos dados. Modeling que tem como objetivo escolher as técnicas de modelagem, construir o modelo, gerar testes. Evaluation tem como objetivo validar os resultados obtidos, rever o processo e determinar os próximos passos. No Deployment existe a fase do plano de deployment, monitoramento e manutenção da solução, relatórios finais do produto e revisão do projeto.

(6)

Brazilian Journal of Development

31892

Figura 02 - O ciclo de vida CRISP-DM[Chapman, P. et al, 2000.]

Figura 03 - Entradas(negrito) e saidas(itálico) do CRISP-DM.[Chapman, P. et al, 2000.]

3.2 KDD

Segundo [Fayyad et al. ,1996] o processo KDD é extremamente complexo e interativo com orientação aos objetivos do projeto e dependente da natureza do domínio. Ele consiste basicamente em cinco fases que são: Seleção onde os dados são selecionados baseados nos objetivos do projeto. Pré-processamento onde os dados são extraídos e pré processados para obter uma base consistente. Formatação onde os dados são transformados e tratados. Mineração de dados onde é realizada a busca

(7)

pelos melhores modelos e padrões. Interpretação e avaliação onde os resultados são analisados para que os dados possam se tornar conhecimento.

Figura 04 - KDD e seus cinco estágios traduzido.[Fayyad et al. ,1996]

3.3 SEMMA

SEMMA segundo [SAS,2008]é o acronimo para Sample,Explore,Modify,Model e Assess onde Sample significa extrair uma parte dos dados que representam uma amostra dos dados para que possa ser manipulada de forma rápida. Explore significa explorar os dados na busca por padrões e anomalias que possam existir. Modify significa transformar os dados encontrados escolhendo as melhores variáveis para o objetivo proposto. Model significa escolher o melhor modelo para o objetivo proposto. Assess significa verificar a acurácia e usabilidade dos modelos criados.

(8)

Brazilian Journal of Development

31894

Figura 05 - Os cinco estágios do SEMMA.[SAS,2008]

3.4 PMBOK

Segundo [PMBOK,2014], no PMBOK o principal objetivo é identificar as boas práticas do conjunto de conhecimentos em gerenciamento de projetos. Ele é dividido em 10 áreas do conhecimento sendo elas: Project Integration Management, Project Scope Management, Project Time Management, Project Cost Management, Project Quality Management, Project Human Resources Management, Project Communication Management, Project Risk Management, Project Procurement Management, Project Stakeholder Management. Cada área do conhecimento possui um ou mais objetivos conforme figura 06.

(9)

Figura 06 - Os dez KA do PMBOK

3.5 SWEBOK

Segundo [SWEBOK,2014],o SWEBOK tem como principais objetivos:

Promover uma visão consistente da engenharia de software mundialmente, especificar o escopo e o lugar da engenharia de software, caracterizar o conteúdo da disciplina engenharia de software, prover acesso ao corpo de conhecimento da engenharia de software, fornecer uma base para aperfeiçoamento de currículos e para o desenvolvimento individual. Ele é dividido em 15 áreas de conhecimento sendo elas: Software Requirements,Software Construction,Software Testing,Software Maintenance,Software Configuration Management,Software Engineering Management,Software

(10)

Brazilian Journal of Development

31896

Engineering Process,Software Engineering Models and Methods,Software Quality,Software Engineering Professional Practice,Software Engineering Economics,Computing Foundations,Mathematical Foundations e Engineering Foundations. Cada área do conhecimento possui um ou mais objetivos conforme figura 07.

Figura 07 - Os quinze KA do SWEBOK.[SWEBOK2014]

3.6 TOGAF

Segundo [TOGAF,2011] ,o TOGAF é um framework e metodologia voltados para arquitetura de negócios utilizados por grandes organizações para melhorar a eficiência dos negócios. É dividido em oito estágios sendo eles: Architecture Vision, Business Architecture, Information System Architectures, Technology Architecture, Opportunities and Solutions, Migration Planning, Implementation Governance, Architecture Change Management conforme figura 08

(11)

Figura 08 - Os oito estágios do TOGAF.[TOGAF,2011]

4 ESTRUTURA BÁSICA DO SISTEMA COMPUTACIONAL ANALÍTICO

SUPERVISIONADO

Como estrutura básica do Método temos os seguintes macro-tópicos:

Prospecção de Oportunidade, Desenho de Arquitetura do projeto, Ciclo Analítico, Capacitação da Equipe, Construção do Modelo, Construção do Protótipo, Implementação do Projeto, Transição para Produção, Suporte e Manutenção e Gerenciamento do Projeto.

4.1 PROSPECÇÃO DA OPORTUNIDADE

Na fase de prospecção de oportunidade, o método mostra como tratar projetos que já possuem seus desafios identificados e os projetos que ainda não possuem desafios identificados. Faz parte desta fase do projeto a validação do desafio assim como o estudo do ROI e deixar claro o que o sistema pode ou não fazer.

4.2 DESENHO DA ARQUITETURA DO PROJETO

Na fase de desenho da arquitetura do projeto inicia-se pela escolha de que tipo de serviço será utilizado, sendo algumas opções possíveis o uso de IAAS, SAAS, PAAS dentre outras. Segue-se pela escolha de sistemas híbridos, on-premiSegue-se e ou cloud,deSegue-senho da arquitetura do software onde

(12)

Brazilian Journal of Development

31898

uma visão funcional/ lógica é estabelecida junto a visão evolutiva do código levada em consideração.Reusabilidade, padrões de comunicação e a visão do usuário também são sub tópicos abordados dentro do desenho da arquitetura do projeto.Segue-se com o desenho da arquitetura front-end e back front-end e a construção do orquestrador.Outros temas são revistos nesta fase do projeto como segurança da solução, escalabilidade da solução.

4.3 CICLO ANALÍTICO

Por se tratar de um projeto de inteligência artificial com ciência de dados, o fornecedor deve escrever uma proposta de solução que englobe todo o ciclo analítico.

A solução obrigatoriamente deve passar por todas as etapas do ciclo analítico. São estas:

4.3.1 Extração, tratamento e carga

A solução deve ser capaz de extrair dados estruturados e não estruturados dos sistemas on-premise , on-cloud e multi-cloud, possuir ferramentas para transformar e tratar estes dados realizando desde tarefas simples como limpeza, integração, redução, transformação, discretização e outros, além de realizar o armazenamento dos dados trabalhados em ambiente a ser combinado entre as partes obedecendo as normas de acesso aos dados e normas de segurança estipulados pelo usuário e seus respectivos reguladores.

4.3.2 Análise descritiva

A solução deve ser capaz de trabalhar com os dados extraídos e transformados a fim de descrever as principais características de uma determinada base de dados, ou seja, mostrar com os dados descritivos da empresa informações como: quantidade, localização, freqüencia, fatos que tenham ocorridos e etc. Nesta etapa estarão contidos conceitos de BI como medidas, resumo(dispersão, posição relativa, associação,etc) e visualização de dados.

A visualização de dados deve ser feita por apresentar uma visão mais ampla da situação atual do objeto de estudo.

4.3.3 Análise diagnóstica

A solução deve ser capaz de, baseada na análise descritiva, mostrar o porquê dos desafios estarem ocorrendo. O sistema deve ser capaz de analisar qual é a causa raiz de um desafio, sendo ele análise de grupos, classificação, estimação, associação, anomalias ou outros.

(13)

4.3.4 Análise preditiva

Baseado nos dados existentes, na análise descritiva e diagnostica obtidas, a solução deve ser capaz de predizer desafios que irão ocorrer no curto, médio e longo prazo. A solução ainda deve destacar a prioridade de cada desafio. Estas predições devem ser baseadas em modelos matemáticos aplicados no âmbito do aprendizado de máquina supervisionado, semi supervisionado e não supervisionado dependendo da necessidade do usuário.

4.3.5 Análise prescritiva

Baseado nas predições realizadas a solução deve ser capaz de prescrever as melhores recomendações para tratar o respectivo desafio. Estas predições devem ser baseadas em modelos matemáticos aplicados no âmbito do aprendizado de máquina supervisionado, semi supervisionado e não supervisionado dependendo da necessidade do usuário

4.4 CAPACITAÇÃO DA EQUIPE

A capacitação da equipe também é uma fase que está contemplada no método, no qual a forma como a equipe será escolhida e quais são os conhecimentos que estão faltando nela permitirão realizar um projeto cognitivo.

4.5 CONSTRUÇÃO DO MODELO

Com a equipe capacitada chegou o momento de iniciar a construção do modelo projeto cognitivo. É neste momento que todos os aspectos trazidos até o momento por este estudo começarão a ser colocados em prática.

Iniciando pela identificação do caso de uso, do tipo de dado, pela construção do desenho da arquitetura do projeto, passando por todas suas sub-fases e finalmente inicia a escolha dos algoritmos para a mineração dos dados.

É especialmente importante nesta fase do projeto a construção de um passo a passo para o desenvolvimento do que será o protótipo do projeto, neste roteiro estará tudo que é necessário para implementar a solução, assim como deve abordar os aspectos que possam trazer algum tipo de risco para o projeto. É neste momento que o documento de requisitos funcionais e não funcionais do projeto devem ser realizados pela equipe de desenvolvimento , usuários e os patrocinadores. Mudanças

(14)

Brazilian Journal of Development

31900

futuras ou requisitos não validados ou encontrados podem gerar um grande impacto no desenvolvimento do projeto.

Durante esta fase de construção do modelo, o projeto reúne o documento de requisitos de projeto, documento de macro arquitetura do projeto, caso de uso identificado, tipos de dados identificados, algoritmos e técnicas de mineração escolhidas, o termo de validação de negócio pelos patrocinadores e usuários e. por último, um plano de gerenciamento de projeto com seus respectivos cronogramas.

4.6 CONSTRUÇÃO DO PROTÓTIPO

O protótipo tem como objetivo montar uma versão mínima viável do que será o projeto para que os usuários, patrocinadores e o time de desenvolvimento possam verificar se tudo está indo de acordo com o esperado e se os desenhos feitos no momento de modela gem e se as validações realizadas estão seguindo conforme esperado.

A primeira atividade desta fase é uma reunião entre as partes para fazer o planejamento do protótipo que tem como objetivo revisar todo o material desenvolvido na construção do modelo. Com os materiais validados segue-se para a próxima fase que é a primeira onda de desenvolvimento.

Com base no modelo criado e revisado pode-se iniciar a primeira onda de desenvolvimento do protótipo. Nesta fase, aspectos como a configuração do hardware, do software ou das APIs serão colocados em prática assim como a implementação mínima de funcionalidades como orquestradores, segurança, interface, aquisição e tratamento de dados. A partir de então, os primeiros algoritmos de mineração serão implementados.

4.7 IMPLEMENTAÇÃO DO PROJETO

Com o protótipo evoluindo para uma versão mais robusta inicia-se a fase de implementação do projeto onde o objetivo passa a aumentar a eficácia, pontualidade, precisão e confiabilidade das funcionalidades da soluçã̃o.

Em projetos cognitivos aumentar a precisão e a confiabilidade do projeto pode demandar tempo e esforços bastante elevados. Este inclusive é um ponto para ser debatido entre os patrocinadores e os desenvolvedores, pois em determinado momento será tão custoso aumentar a

(15)

precisão ou a confiabilidade de uma determinada função que o projeto deixa de ser interessante do ponto de vista financeiro.

É nesta fase também que é feita a revisão e são aplicadas as técnicas de qualidade de software para garantir que as funcionalidades estão estáveis, seguras e com capacidade de escalar mantendo a eficácia e a precisão esperadas para que o projeto possa seguir à fase de produção.

4.8 TRANSIÇÃO PARA PRODUÇÃO

Nesta fase o projeto já deve estar implementado e suas funcionalidades devem estar funcionando com o máximo de assertividade, confiança e precisão possíveis. A parte de hardware e software já possuem os componentes de escalabilidade, reuso, segurança e comunicação desenvolvidos garantindo um ambiente estável e mitigado para com os riscos que possam existir.

Assim, segue-se o plano de transição para produção elaborado e aprovado na fase de implementa̧cão do projeto para que o projeto possa finalmente ir para sua versão final e possa ser aberto a cem por cento dos usuários do mesmo.

Nesta fase é importante manter as ferramentas de monitoramento utilizadas ou desenvolvidas sob constante análise para evitar surpresas desagradáveis.

4.9 SUPORTE E MANUTENÇÃO

Nesta fase o projeto já está maduro e praticamente não haverá mais mudanças ou novas implementações. Assim é possível reduzir parte da equipe de desenvolvimento e trocar por profissionais que possam manter o projeto cognitivo funcionando.Estes profissionais devem ser capazes de dar manutenção tanto na parte de código e hardware quanto em dúvida dos usuários.É importante sempre deixar alguém do time de desenvolvimento na equipe de manutenção pois projetos cognitivos apresentam com bastante frequência atualizações em APIs ou em funcionalidades, fazendo com que a figura do desenvolvedor seja necessária.

4.10 GERENCIAMENTO DE PROJETO

O gerenciamento de projeto em projetos cognitivos é parte fundamental uma vez que os projetos possuem forte inter relação entre usuários, desenvolvedores, colaboradores e patrocinadores.

O gerente deve assumir a liderança do projeto desde o início para evitar que o projeto fuja do controle ou que alguma das partes interessadas deixe de entregar ou cobre mais do que foi apresentado.

(16)

Brazilian Journal of Development

31902

É importante que ele sempre mantenha o foco no cronograma, na qualidade e nos custos do projeto para evitar que haja problemas nos mesmos. Por possuir uma característica de implementação ágil, os projetos cognitivos exigem que o gerente de projeto também siga esta tendência de implementação e comunicação, ficando muito mais pŕoximo do time de desenvolvimento para acompanhar o desenvolver de cada funcionalidade do projeto.

5 RESULTADOS

Ao comparar os métodos,metodologias e frameworks contra a estrutura básica de um projeto cognitivo e atribuir uma nota conforme adequação do métodos,metodologias e frameworks contra a estrutura básica obteve-se o seguinte resultado conforme figura 08.

Cada comparação feita gerou uma nota de um a quatro, sendo nota um nenhuma aderência, nota dois pouca aderência, nota três aderência boa, nota quatro aderência ótima.

Figura 08 - Tabela comparativa entre Estrutura Base de projetos analíticos-cognitivos contra os métodos,metodologias e frameworks estudados

6 CONCLUSÃO E TRABALHOS FUTUROS

Ao analisar a comparação entre os métodos, metodologias e frameworks mais utilizados pelo mercado e pela academia contra a estrutura base de um projeto analítico-cognitivo percebeu-se que a aderência esteve entre cinquenta e três por cento e sessenta e quatro por cento.

Observou-se ainda que a maioria dos métodos, metodologias e frameworks obtiveram desempenho semelhante na análise geral entretanto alguns deles se mostraram mais eficazes em um ou outro tema da estrutura base do projeto, isto mostra que existe lacuna de conhecimentos nestes

(17)

métodos, metodologias e frameworks que poderiam ser trabalhados em futuras edições para que tenham uma maior adequação aos projetos atuais.

Como recomendação este artigo sugere para projetos analíticos-cognitivos o uso do CRISP-DM. Se possível enriquecer o projeto com o uso de TOGAF para arquitetura do projeto, PMBOK para gerenciamento do projeto e SWEBOK para implementação e manutenção do projeto.

Como trabalhos futuros sugere-se a criação de um métodos, metodologias e frameworks que possam ter uma aderência maior do que a atingida pelo CRISP-DM ou a inclusão de outros métodos, metodologias e frameworks para que possam ser novamente comparados. O enriquecimento desta pesquisa por outros pesquisadores também seria importante para diminuir o viés e dar maior amplitude a pesquisa.

REFERÊNCIAS

CEARLEY, D. Top 10 Strategic Technology Trends for 2019. GARTNER. Build the AI Business Case. 2018.

GARTNER. R & D leadership priorities in 2019. p. 8102, 2019.

KUGEL, P. Computing machines can’t be intelligent (...and Turing said so).Minds and Machines, v. 12, n. 4, p. 563–579, 2002. ISSN 09246495.

MORRIS, T. Current and Future Technologies in Automotive Development, Webinar,A, p. 182520, 2008.

YAMPOLSKIY, R. V.; SPELLCHECKER, M. S. Artificial Intelligence Safety and Cybersecurity: a Timeline of AI Failures. 2016.

PMBOK, A Guide to the Project Management Body of Knowledge (PMBOK Guide),4th Edition. 2008: Project Management Institute.

TOGAF VERSION 9.1,HAREN,VAN , 2011 10TH EDITION

SWEBOK, Guide to the Software Engineering Body of Knowledge (SWEBOK(R)): Version 3.0, 2014- 3RD EDITION ,2014- IEEE COMPUTER SOCIETY PRESS.

FAYYAD,U.M ET AL 1996 From data mining to knowledge discovery: an overview. In Fayyad, U. M.et al (Eds.), Advances in knowledge discovery and data mining. AAAI Press / The MIT Press.

SAS–SEMMA. SAS Institute. Accessed from

http://www.sas.com/technologies/analytics/datamining/miner/semma.html, on May 2008.

CHAPMAN, P ET AL,, 2000. CRISP-DM 1.0 - Step-by-step data mining guide. Accessed from http://www.crisp-dm.org/CRISPWP-0800.pdf on May 2008

(18)

Brazilian Journal of Development

31904

KDnugetts, 2014 - What main methodology are you using for your analytics, data mining, or data science projects? https://www.kdnuggets.com/polls/2014/analytics-data-mining-data-science-methodology.html

AZEVEDO,ANA & SANTOS, MANUEL(2008). KDD, semma and CRISP-DM: A parallel overview. 182-185.