Uma Análise da Necessidade de um Modelo de Referência MPS para Inteligência Artificial

• Antonio Pedro Santos Alves PUC-Rio
• Julia Araújo PUC-Rio
• Marina Araújo PUC-Rio
• Wallace Albertini PUC-Rio
• Marcos Kalinowski PUC-Rio

DOI: https://doi.org/10.5753/wamps.2024.33366

Resumo

O uso cada vez mais comum da Inteligência Artificial (IA) como ferramenta potencializadora de novos negócios, traz na sua incorporação em sistemas desafios únicos. Por anos, o Modelo de Referência MPS-SW apoiou a construção e evolução de sistemas de software de qualidade, contudo, o mesmo não contempla particularidades de soluções de IA. Neste artigo realizamos uma reflexão com base na adaptação da ISO 5338 feita em cima da ISO 12207 para sistemas de IA. Nesta adaptação, 23 processos foram modificados e três novos processos foram incluídos para melhor atender ao domínio de IA. Entendemos que o trabalho realizado no contexto da ISO 5338 possa apoiar a concepção de um modelo de referência MPS para IA.

Referências

Alves, A. P. S., Kalinowski, M., Giray, G., Mendez, D., Lavesson, N., Azevedo, K., Villamizar, H., Escovedo, T., Lopes, H., Biffl, S., et al. (2023). Status quo and problems of requirements engineering for machine learning: Results from an international survey. In International Conference on Product-Focused Software Process Improvement, pages 159–174. Springer.

Amershi, S., Begel, A., Bird, C., DeLine, R., Gall, H., Kamar, E., Nagappan, N., Nushi, B., and Zimmermann, T. (2019). Software engineering for machine learning: A case study. In 2019 IEEE/ACM 41st International Conference on Software Engineering: Software Engineering in Practice, pages 291–300. IEEE.

Giray, G. (2021). A software engineering perspective on engineering machine learning systems: State of the art and challenges. Journal of Systems and Software, 180:111031.

ISO (2017). Systems and software engineering — Software life cycle processes. ISO/IEC/IEEE 12207:2017.

ISO (2022a). Framework for Artificial Intelligence (AI) Systems Using Machine Learning (ML). ISO/IEC 22989:2022.

ISO (2022b). Information technology — Artificial intelligence — Artificial intelligence concepts and terminology. ISO/IEC 23053:2022.

ISO (2023). Information technology — Artificial intelligence — AI system life cycle processes. ISO/IEC 5338:2023.

Kalinowski, M., Escovedo, T., Villamizar, H., and Lopes, H. (2023). Engenharia de Software para Ciência de Dados: Um guia de boas práticas com ênfase na construção de sistemas de Machine Learning em Python. Casa do Código.

Kalinowski, M., Mendez, D., Giray, G., Alves, A. P. S., Azevedo, K., Escovedo, T., Villamizar, H., Lopes, H., Baldassarre, T., Wagner, S., Biffl, S., Musil, J., Felderer, M., Lavesson, N., and Gorschek, T. (2024). Naming the pain in machine learning-enabled systems engineering.

Kalinowski, M., Weber, K., Franco, N., Barroso, E., Duarte, V., Zanetti, D., and Santos, G. (2014). Results of 10 years of software process improvement in brazil based on the mps-sw model. In 2014 9th International Conference on the Quality of Information and Communications Technology, pages 28–37. IEEE.

Nazir, R., Bucaioni, A., and Pelliccione, P. (2024). Architecting ml-enabled systems: Challenges, best practices, and design decisions. Journal of Systems and Software, 207:111860.

Softex (2024). MPSBR - Melhoria de Processo do Software Brasileiro - Guia Geral MPS de Software. Guia Geral MPS de Software: 2024.

Villamizar, H., Kalinowski, M., Lopes, H., and Mendez, D. (2024). Identifying concerns when specifying machine learning-enabled systems: A perspective-based approach. Journal of Systems and Software, 213:112053.

Zimelewicz, E., Kalinowski, M., Mendez, D., Giray, G., Santos Alves, A. P., Lavesson, N., Azevedo, K., Villamizar, H., Escovedo, T., Lopes, H., et al. (2024). Ml-enabled systems model deployment and monitoring: Status quo and problems. In International Conference on Software Quality, pages 112–131. Springer.