Entrada > Notícias > Miguel Guimarães venceu o prémio Best Paper no ESTG Masters

Miguel Guimarães venceu o prémio Best Paper no ESTG Masters

Notícia

Miguel Guimarães, estudante de mestrado na Escola Superior de Tecnologia e Gestão do Politécnico do Porto, foi distinguido com o prémio Best Paper em mais uma edição do ESTG Masters.


O prémio Best Paper do Mestrado em Engenharia Informática, na 12ª edição do ESTG Masters, foi entregue ao artigo: “A Meta-Learning Approach to Error Prediction” do estudante Miguel Guimarães em coautoria com Davide Rua Carneiro.

Os prémios Best Paper são atribuídos ao melhor artigo apresentado no ESTG Masters por cada curso de mestrado da Escola e consiste no reembolso do pagamento de uma inscrição em conferência/formação, no valor máximo de 300€.

Muitos parabéns Miguel Guimarães e muitos sucessos!

Ficamos com o seu testemunho sobre esta experiência académica.

 

“Vivemos numa sociedade cada vez mais digital. As empresas adaptam-se a uma nova realidade e investem cada vez mais em tecnologias atuais que podem trazer uma vantagem competitiva, como é o caso de Machine Learning (ML). 

ML tem atingido dia após dia um pico crescente de utilização em massa por todo o tipo de entidades e domínios de aplicação, mesmo que não nos apercebamos disso. Exemplos disso estão presentes no quotidiano das pessoas. Desde transportes, como a Uber, para minimizar os tempos de espera e desvios no percurso, até ao desenvolvimento de carros autónomos. ML está presente em todo o lado. Abrimos a nossa caixa de correio eletrónico, e ML auxilia a separar os emails mais importantes para nós, e a fazer a filtragem daqueles considerados SPAM. Em compras online, ML encontra e filtra os produtos mais relevantes segundo os nossos interesses e pesquisas/compras anteriores. Para prevenir fraudes eletrónicas, ML deteta transações fora do comum e bloqueia o cartão no exato momento de compra, mesmo que o próprio dono não se aperceba. ML faz parte das nossas vidas e não nos irá abandonar tão cedo. 

As empresas que não consigam acompanhar esta tecnologia correm o risco de não oferecer uma solução tão eficaz como os concorrentes, levando consequentemente à possível perda de clientes e potencial falência da mesma. 

Contudo, numa era em que a informação viaja constantemente e em tempo real a uma velocidade, como definido pela FCC dos EUA de "banda larga básica" de 25 megabits por segundo, é impossível acompanhar este fluxo de informação e manter modelos de ML atualizados com os mais recentes dados. 

No entanto, uma maior quantidade de dados não significa necessariamente novos padrões, correndo-se o risco de desperdiçar recursos a re-treinar um modelo cuja performance não é superior à sua versão anterior. 

Para abordar este problema, propõe-se o uso de meta-learning para prever a performance de um modelo de ML com base nas características dos dados (meta-features). De forma resumida, será construído um meta-modelo com base nas meta-features de vários datasets, que terá a capacidade de prever uma métrica de erro de um futuro modelo de ML, e.g. RMSE, MSE, R², MAE, incluindo o tempo que demora a treinar o modelo, permitindo assim decidir quanto ao re-treino ou não do modelo. Desta forma, será possível ter sempre o melhor modelo de ML ativo e servir da melhor forma os utilizadores que usam este tipo de serviços referidos anteriormente, enquanto permite às empresas reduzir custos a re-treinar um modelo que não traria nenhum benefício nem para os utilizadores, nem para a empresa. 

Este projeto e ideia não seriam possíveis se não fosse o apoio incondicional do meu orientador, Davide Rua Carneiro, na qual deixo os meus sinceros agradecimentos. Gostaria de agradecer também à ESTG e aos professores que a constituem pela proximidade com estes e disponibilidade para com os seus alunos. Ao Centro de Inovação e Investigação em Ciências Empresariais e Sistemas de Informação - CIICESI - por permitir-me desenvolver este projeto cofinanciado por uma bolsa que me permitiu estudar e trabalhar nas áreas que eu mais me identifico, Engenharia Informática e Machine Learning.

Miguel Guimarães, estudante do Mestrado em Engenharia Informática – 15-03-2022

Autor

ampn

Partilhar