Aspectos Avançados em Engenharia de Software: IoT e Desenvolvimento de Sistemas Embarcados e Aprendizado de Máquina Aplicada

A Engenharia de Software é uma disciplina em constante evolução, que busca aprimorar a forma como desenvolvemos e mantemos software. Com o avanço tecnológico, novos desafios e oportunidades surgem para os profissionais da área. Neste artigo, vamos explorar dois aspectos avançados em Engenharia de Software: a Internet das Coisas (IoT) e o desenvolvimento de sistemas embarcados, além do uso do Aprendizado de Máquina aplicado à Engenharia de Software.

Internet das Coisas (IoT) e Desenvolvimento de Sistemas Embarcados

O Conceito de Internet das Coisas (IoT)

A Internet das Coisas (IoT) é um conceito que se refere à interconexão de objetos físicos com a internet, permitindo que eles se comuniquem, coletam e troquem dados. Esses dispositivos, que podem variar desde sensores, atuadores, dispositivos vestíveis, até eletrodomésticos, carros, prédios e cidades inteligentes, são capazes de coletar, transmitir e receber dados pela internet. A IoT permite que objetos do cotidiano se tornem inteligentes, possibilitando uma comunicação eficiente e automatizada.

Além disso, podemos destacar que a IoT tem o potencial de transformar diversos setores da sociedade, como saúde, agricultura, indústria, transporte, energia e meio ambiente.

Para compreender melhor a IoT, é fundamental entender alguns conceitos-chave. Em seu livro “Internet of Things: Principles and Paradigms”, Rajkumar Buyya et al. exploram os princípios e fundamentos que regem a IoT, abordando tópicos como arquiteturas, tecnologias de comunicação e segurança.

Principais benefícios e desafios da IoT para a sociedade e para os negócios

A IoT pode trazer diversos benefícios para a sociedade e para os negócios, tais como:

• Melhorar a qualidade de vida das pessoas, oferecendo soluções inteligentes para as áreas de saúde, educação, segurança, lazer, entre outras. Por exemplo, dispositivos vestíveis podem monitorar a saúde dos usuários e alertar sobre possíveis problemas ou emergências. Aplicativos educacionais podem personalizar o ensino e o aprendizado de acordo com as necessidades e preferências dos alunos. Sistemas de segurança podem detectar e prevenir situações de risco ou violência. Dispositivos de entretenimento podem proporcionar experiências imersivas e interativas.
• Aumentar a eficiência e a produtividade dos processos, produtos e serviços de diversos setores da economia, como indústria, agricultura, transporte, energia, meio ambiente, entre outros. Por exemplo, sensores e atuadores podem automatizar e otimizar as operações industriais, reduzindo custos e desperdícios. Sistemas de irrigação inteligente podem economizar água e melhorar a qualidade das plantações. Veículos conectados podem melhorar o tráfego e a segurança nas estradas. Redes elétricas inteligentes podem gerenciar a demanda e o fornecimento de energia de forma mais eficaz e sustentável.
• Inovar e criar novos modelos de negócio, produtos e serviços, baseados na coleta, análise e uso dos dados gerados pela IoT. Por exemplo, empresas podem oferecer serviços personalizados ou sob demanda para os clientes, de acordo com seus perfis e preferências. Empresas podem criar novas formas de interação e engajamento com os consumidores, por meio de plataformas digitais ou dispositivos inteligentes. Empresas podem explorar novos mercados ou nichos, por meio da diferenciação ou da criação de valor agregado.

A IoT também apresenta diversos desafios para a sociedade e para os negócios, tais como:

• Garantir a segurança e a privacidade dos dados da IoT, que podem ser sensíveis ou críticos para os usuários e as organizações. A IoT envolve uma grande quantidade e variedade de dispositivos conectados à internet, que podem ser vulneráveis a ataques cibernéticos ou físicos. Além disso, a IoT gera um grande volume e velocidade de dados, que podem ser interceptados, manipulados ou vazados por agentes maliciosos. Portanto, é necessário adotar medidas de proteção dos dispositivos, dos dados e das comunicações da IoT.
• Lidar com a heterogeneidade e a complexidade dos dispositivos e plataformas da IoT, que exigem diferentes linguagens, protocolos, arquiteturas e padrões de comunicação. A IoT envolve uma grande diversidade de dispositivos com diferentes características, capacidades e funcionalidades. Além disso, a IoT envolve diferentes plataformas de software e hardware que devem interagir entre si. Portanto, é necessário garantir a interoperabilidade, a compatibilidade e a integração dos dispositivos e das plataformas da IoT.
• Gerenciar o ciclo de vida dos dispositivos da IoT, que devem ser atualizados e mantidos ao longo do tempo, considerando aspectos técnicos, econômicos e ambientais. A IoT envolve uma grande quantidade de dispositivos que devem operar em ambientes dinâmicos, incertos e hostis. Além disso, a IoT envolve dispositivos que devem acompanhar as mudanças tecnológicas, as demandas do mercado e as necessidades dos usuários. Portanto, é necessário prover soluções de atualização, manutenção e descarte dos dispositivos da IoT.

Neste contexto, para que a IoT seja possível, é necessário o desenvolvimento de sistemas embarcados, que são sistemas computacionais dedicados a realizar uma ou algumas funções específicas dentro de um sistema maior. Os sistemas embarcados são compostos por hardware e software integrados, que devem atender a requisitos de desempenho, confiabilidade, segurança e eficiência energética. Os sistemas embarcados são responsáveis por controlar os dispositivos físicos da IoT, bem como por processar e transmitir os dados gerados por eles.

As principais características e requisitos dos sistemas embarcados para IoT

Os sistemas embarcados para IoT são sistemas computacionais dedicados a realizar uma ou algumas funções específicas dentro de um sistema maior. Eles são compostos por hardware e software integrados, que devem atender a requisitos de desempenho, confiabilidade, segurança e eficiência energética. Algumas das características dos sistemas embarcados para IoT são:

• Baixo custo: Os sistemas embarcados para IoT devem ter um custo acessível, pois geralmente são produzidos em larga escala e distribuídos em diversos locais. Além disso, o custo do sistema embarcado pode influenciar no custo do produto ou serviço que o utiliza.
• Baixo consumo de energia: Os sistemas embarcados para IoT devem consumir pouca energia, pois muitas vezes operam com baterias ou fontes alternativas de energia, como painéis solares ou geradores eólicos. Além disso, o consumo de energia do sistema embarcado pode afetar o desempenho e a vida útil do dispositivo.
• Pequeno tamanho: Os sistemas embarcados para IoT devem ter um tamanho reduzido, pois muitas vezes são instalados em espaços limitados ou em dispositivos portáteis ou vestíveis. Além disso, o tamanho do sistema embarcado pode influenciar na mobilidade e na estética do dispositivo.
• Conectividade: Os sistemas embarcados para IoT devem ter capacidade de se conectar à internet ou a outros dispositivos, por meio de diferentes protocolos e tecnologias de comunicação sem fio, como Wi-Fi, Bluetooth, ZigBee, LoRa, entre outras. A conectividade do sistema embarcado permite a troca de dados e a integração com outros sistemas ou plataformas.
• Inteligência: Os sistemas embarcados para IoT devem ter capacidade de processar e armazenar dados localmente ou na nuvem, por meio de diferentes técnicas e algoritmos de computação, como aprendizado de máquina, processamento de sinais, criptografia, entre outras. A inteligência do sistema embarcado permite a realização de tarefas como classificação, regressão, agrupamento, recomendação, detecção de anomalias e geração de conteúdo.

Os requisitos dos sistemas embarcados para IoT são as especificações que definem o que o sistema deve fazer e como deve fazer. Eles podem ser divididos em dois tipos: funcionais e não funcionais.

• Requisitos funcionais: São os requisitos que descrevem as funções ou os serviços que o sistema deve fornecer aos usuários ou ao ambiente. Por exemplo, um sistema embarcado para IoT deve medir a temperatura e a umidade de uma estufa e enviar os dados para uma plataforma na nuvem.
• Requisitos não funcionais: São os requisitos que descrevem as propriedades ou as características que o sistema deve ter ou satisfazer. Por exemplo, um sistema embarcado para IoT deve ter uma precisão de 0.1°C na medição da temperatura e uma autonomia de 6 meses com uma bateria recarregável.

Os requisitos dos sistemas embarcados para IoT podem variar de acordo com o tipo, o domínio e a aplicação do sistema. Alguns exemplos de requisitos não funcionais comuns aos sistemas embarcados para IoT são:

• Desempenho: É o requisito que define o tempo de resposta, a taxa de transmissão, a capacidade de processamento e a qualidade do serviço do sistema.
• Confiabilidade: É o requisito que define a probabilidade de o sistema funcionar corretamente sob condições normais ou adversas.
• Segurança: É o requisito que define o nível de proteção do sistema contra ataques cibernéticos ou físicos.
• Privacidade: É o requisito que define o nível de proteção dos dados do sistema contra acesso não autorizado ou uso indevido.
• Eficiência energética: É o requisito que define o consumo de energia do sistema em relação à sua funcionalidade e ao seu tempo de operação.
• Portabilidade: É o requisito que define a facilidade de adaptação do sistema a diferentes plataformas ou ambientes.

Desenvolvimento de Sistemas Embarcados na IoT

O desenvolvimento de sistemas embarcados desempenha um papel crucial na implementação prática da IoT. Sistemas embarcados são dispositivos eletrônicos integrados em outros sistemas maiores, muitas vezes com propósitos específicos e restritos. Eles atuam como os “cérebros” dos dispositivos IoT, coletando informações dos sensores, tomando decisões com base nesses dados e controlando os atuadores para realizar ações.

Um exemplo prático de sistema embarcado na IoT é um termostato inteligente conectado à internet, como o Nest da Google. Esse dispositivo coleta informações sobre a temperatura do ambiente e ajusta automaticamente o sistema de aquecimento ou resfriamento para manter uma temperatura confortável.

O desenvolvimento de sistemas embarcados para IoT envolve diversos desafios e oportunidades para a Engenharia de Software. Alguns dos desafios são:

• Lidar com a heterogeneidade e a complexidade dos dispositivos e plataformas da IoT, que exigem diferentes linguagens, protocolos, arquiteturas e padrões de comunicação.
• Garantir a qualidade e a confiabilidade dos sistemas embarcados, que devem operar em ambientes dinâmicos, incertos e hostis, sujeitos a falhas, interferências e ataques.
• Prover soluções de segurança e privacidade para os dados da IoT, que podem ser sensíveis ou críticos para os usuários e as organizações.
• Gerenciar o ciclo de vida dos sistemas embarcados, que devem ser atualizados e mantidos ao longo do tempo, considerando aspectos técnicos, econômicos e ambientais.

Algumas das oportunidades são:

• Explorar novas técnicas e ferramentas para o projeto, a implementação, o teste e a validação dos sistemas embarcados, que possam aumentar a produtividade, a qualidade e a eficiência dos processos de desenvolvimento.
• Aplicar métodos ágeis e colaborativos para o desenvolvimento de sistemas embarcados, que possam favorecer a inovação, a adaptação e a integração entre as equipes multidisciplinares envolvidas na IoT.
• Utilizar abordagens baseadas em modelos e componentes para o desenvolvimento de sistemas embarcados, que possam facilitar a reutilização, a portabilidade e a interoperabilidade dos sistemas.
• Empregar técnicas de aprendizado de máquina para o desenvolvimento de sistemas embarcados inteligentes, que possam se adaptar às mudanças do ambiente e às necessidades dos usuários.

Metodologias e Ferramentas para Desenvolvimento na IoT

O desenvolvimento de sistemas IoT requer metodologias e ferramentas específicas para garantir a eficiência e a segurança do processo. As técnicas são os métodos ou procedimentos que os engenheiros de software comumente utilizam para realizar as atividades do processo de desenvolvimento aplicações, porém voltadas e dedicadas aos sistemas embarcados para IoT.

As ferramentas são os programas ou dispositivos que os engenheiros de software utilizam para aplicar as técnicas do processo de desenvolvimento de sistemas embarcados para IoT. Algumas das ferramentas mais populares são:

• Arduino: É uma plataforma de hardware e software aberta e fácil de usar para o desenvolvimento de sistemas embarcados para IoT. O Arduino consiste em uma placa eletrônica com um microcontrolador, entradas e saídas digitais e analógicas, e uma interface USB para comunicação com o computador. O Arduino também possui uma IDE (Integrated Development Environment) que permite escrever, compilar e carregar o código-fonte na placa, utilizando uma linguagem baseada em C/C++. O Arduino pode ser conectado a diversos sensores, atuadores e módulos sem fio para criar projetos criativos e interativos.
• Raspberry Pi: É um mini-computador de baixo custo e alto desempenho para o desenvolvimento de sistemas embarcados para IoT. O Raspberry Pi consiste em uma placa eletrônica com um processador ARM, memória RAM, entradas e saídas digitais e analógicas, interfaces USB, HDMI, ethernet e sem fio. O Raspberry Pi pode executar diversos sistemas operacionais baseados em Linux ou Windows, como Raspberry Pi OS (ex. Raspbian), Ubuntu ou Windows 10 IoT Core . O Raspberry Pi pode ser usado para diversas aplicações como multimídia, jogos, robótica, automação, entre outras.
• Eclipse IoT: É um conjunto de projetos e ferramentas de software livre para o desenvolvimento de sistemas embarcados para IoT. O Eclipse IoT inclui projetos como Eclipse Kura, que é um framework para a criação de gateways IoT; Eclipse Paho, que é uma biblioteca para a implementação do protocolo MQTT; Eclipse Mosquitto, que é um broker MQTT para a comunicação entre dispositivos IoT; Eclipse Vorto, que é uma ferramenta para a modelagem e geração de código para dispositivos IoT; entre outros . O Eclipse IoT visa facilitar o desenvolvimento, a integração e o gerenciamento de soluções IoT baseadas em padrões abertos e interoperáveis.
• Node-RED: É uma ferramenta de programação visual para o desenvolvimento de sistemas embarcados para IoT. O Node-RED permite criar fluxos de dados e eventos entre dispositivos e serviços IoT, utilizando uma interface gráfica baseada em navegador. O Node-RED consiste em uma coleção de nós que representam diferentes tipos de entradas, saídas, funções ou serviços. Os nós podem ser arrastados e conectados na tela para criar lógicas de programação sem a necessidade de escrever código. O Node-RED pode ser executado em diversos dispositivos como Raspberry Pi, Arduino, BeagleBone ou na nuvem . O Node-RED pode ser usado para prototipar, testar e implantar aplicações IoT de forma rápida e fácil.

Principais padrões e protocolos de comunicação utilizados na IoT

Os padrões são as normas ou as regras que definem os formatos, as estruturas e as semânticas dos dados e das mensagens que são trocados entre os dispositivos e as plataformas da IoT. Os padrões visam garantir a interoperabilidade, a compatibilidade e a integração dos sistemas da IoT. Alguns dos padrões mais comuns são:

• Internet Protocol Version 6 (IPv6): É o padrão que define o formato e o endereçamento dos pacotes de dados que são transmitidos pela internet. O IPv6 é uma evolução do IPv4, que permite um maior número de endereços disponíveis, além de oferecer recursos como segurança, mobilidade e qualidade de serviço. O IPv6 é essencial para a IoT, pois permite que cada dispositivo tenha um endereço único e global na internet.
• Constrained Application Protocol (CoAP): É o padrão que define um protocolo de aplicação para a comunicação entre dispositivos da IoT. O CoAP é baseado no modelo cliente-servidor e utiliza o método REST (Representational State Transfer) para a troca de recursos entre os dispositivos. O CoAP é projetado para operar em redes com restrições de largura de banda, latência, perda de pacotes e consumo de energia.
• Message Queuing Telemetry Transport (MQTT): É o padrão que define um protocolo de transporte para a comunicação entre dispositivos da IoT. O MQTT é baseado no modelo publicador-subscritor e utiliza um intermediário chamado broker para gerenciar os tópicos e as mensagens entre os dispositivos. O MQTT é projetado para operar em redes com restrições de confiabilidade, segurança e eficiência energética.

Os protocolos são os conjuntos de regras ou procedimentos que definem o funcionamento, a sincronização e a coordenação dos dispositivos e das plataformas da IoT. Os protocolos visam garantir a conectividade, a funcionalidade e a inteligência dos sistemas da IoT. Alguns dos protocolos mais populares são:

• Bluetooth Low Energy (BLE): É um protocolo de comunicação sem fio para a conexão entre dispositivos da IoT. O BLE é uma versão otimizada do Bluetooth clássico, que reduz o consumo de energia, aumenta o alcance e melhora a segurança. O BLE é ideal para aplicações como dispositivos vestíveis, saúde, fitness e automação residencial.
• ZigBee: É um protocolo de comunicação sem fio para a conexão entre dispositivos da IoT. O ZigBee é baseado no padrão IEEE 802.15.4, que define as camadas física e de enlace de dados para redes sem fio de baixa potência. O ZigBee utiliza uma topologia em malha, que permite a auto-organização, a auto-cura e a escalabilidade da rede. O ZigBee é ideal para aplicações como iluminação inteligente, controle remoto e medição inteligente.
• LoRa: É um protocolo de comunicação sem fio para a conexão entre dispositivos da IoT. O LoRa utiliza uma técnica de modulação chamada Chirp Spread Spectrum (CSS), que permite uma alta imunidade ao ruído, uma longa distância de transmissão e uma baixa taxa de dados. O LoRa é ideal para aplicações como rastreamento de ativos, agricultura inteligente e cidades inteligentes.

Exemplos de aplicações e domínios da IoT

As aplicações da IoT são as soluções inteligentes que utilizam os dispositivos e as plataformas da IoT para resolver problemas ou atender necessidades de diferentes setores da sociedade. Algumas das aplicações mais populares são:

• Monitoramento de saúde: Consiste em utilizar dispositivos vestíveis ou ingeríveis para capturar e transmitir dados sobre a saúde e o bem-estar dos usuários, como sinais vitais, atividade física, sono, alimentação, entre outros. Esses dados podem ser analisados por médicos ou algoritmos inteligentes para fornecer diagnósticos, tratamentos, alertas ou recomendações. O monitoramento de saúde pode melhorar a qualidade de vida, a prevenção de doenças e a assistência médica dos usuários.
• Iluminação inteligente: Consiste em utilizar sensores de luminosidade e presença para ajustar automaticamente o nível de luz das lâmpadas LED em uma residência ou escritório, economizando energia e melhorando o conforto dos usuários. A iluminação inteligente pode ser controlada remotamente por meio de aplicativos móveis ou assistentes virtuais, como o Google Home ou a Alexa.
• Rastreamento veicular: Consiste em utilizar dispositivos GPS embutidos nos veículos para enviar informações sobre a localização, a velocidade e o consumo de combustível para uma central de controle ou um aplicativo móvel. O rastreamento veicular pode melhorar o gerenciamento da frota, a segurança nas estradas, o compartilhamento do veículo e a mobilidade urbana.
• Agricultura inteligente: Consiste em utilizar sensores e atuadores para monitorar e controlar as condições ambientais e os recursos hídricos das plantações. A agricultura inteligente pode otimizar a produção agrícola, reduzir o uso de água e fertilizantes, prevenir pragas e doenças e aumentar a sustentabilidade ambiental.
• Cidades inteligentes: Consiste em utilizar dispositivos e plataformas da IoT para coletar, processar e compartilhar dados sobre diversos aspectos da vida urbana, como trânsito, poluição, segurança, energia, entre outros. As cidades inteligentes podem melhorar a qualidade de vida, a eficiência dos serviços públicos, a participação cidadã e a governança urbana .

Os domínios da IoT são as áreas de conhecimento ou de atuação que se relacionam com os dispositivos e as plataformas da IoT. Alguns dos domínios mais importantes são:

• Engenharia eletrônica: É o domínio que se dedica ao projeto, à construção e à manutenção dos componentes eletrônicos que compõem os dispositivos da IoT, como microcontroladores, sensores, atuadores, módulos de comunicação sem fio etc.
• Engenharia de software: É o domínio que se dedica ao projeto, à construção e à manutenção dos componentes lógicos que compõem os dispositivos e as plataformas da IoT, como linguagens de programação, protocolos de comunicação, algoritmos de computação etc.
• Engenharia de redes: É o domínio que se dedica ao projeto, à construção e à manutenção das redes que conectam os dispositivos e as plataformas da IoT, como redes sem fio, redes móveis, redes ópticas etc.
• Ciência da computação: É o domínio que se dedica ao estudo dos fundamentos teóricos e práticos da computação aplicados à IoT, como estruturas de dados, sistemas operacionais, bancos de dados, inteligência artificial etc.
• Ciência dos dados: É o domínio que se dedica ao estudo dos métodos científicos para coletar, analisar e extrair conhecimento dos dados gerados pela IoT, como estatística, aprendizado de máquina, visualização de dados etc.

Tendências e desafios futuros da IoT e do desenvolvimento de sistemas embarcados

A IoT e o desenvolvimento de sistemas embarcados estão em constante evolução, acompanhando as inovações tecnológicas, as demandas do mercado e as necessidades dos usuários. Algumas das tendências mais relevantes são:

• Edge computing: Consiste em realizar o processamento e a análise dos dados da IoT na borda da rede, ou seja, nos próprios dispositivos ou em gateways próximos a eles. O edge computing visa reduzir a latência, o consumo de energia e a dependência da nuvem, bem como aumentar a segurança, a privacidade e a escalabilidade dos sistemas da IoT.
• Inteligência artificial: Consiste em aplicar técnicas de aprendizado de máquina, processamento de linguagem natural, visão computacional, entre outras, para criar sistemas embarcados inteligentes, que possam se adaptar às mudanças do ambiente e às necessidades dos usuários. A inteligência artificial visa melhorar a funcionalidade, a eficiência e a experiência dos sistemas da IoT.
• 5G: Consiste na quinta geração de redes móveis, que promete oferecer uma maior velocidade, capacidade, confiabilidade e cobertura para a comunicação entre dispositivos da IoT. O 5G visa habilitar novas aplicações e serviços da IoT, como veículos autônomos, realidade virtual e aumentada, telemedicina, entre outras.
• Blockchain: Consiste em uma tecnologia de registro distribuído, que permite armazenar e validar transações de forma segura, transparente e descentralizada. O blockchain visa prover soluções de confiança, rastreabilidade e identidade para os dispositivos e as plataformas da IoT.

A IoT e o desenvolvimento de sistemas embarcados também enfrentam diversos desafios e obstáculos que precisam ser superados para alcançar o pleno potencial da IoT. Alguns dos desafios mais importantes são:

• Segurança: Consiste em proteger os dispositivos e os dados da IoT contra ataques cibernéticos ou físicos, que podem comprometer a integridade, a disponibilidade e a confidencialidade dos sistemas. A segurança é um desafio crítico para a IoT, pois envolve uma grande quantidade e variedade de dispositivos conectados à internet, que podem ser vulneráveis ou maliciosos.
• Privacidade: Consiste em proteger os dados da IoT contra o acesso não autorizado ou o uso indevido, que podem violar os direitos ou as preferências dos usuários ou das organizações. A privacidade é um desafio ético e legal para a IoT, pois envolve um grande volume e velocidade de dados sensíveis ou críticos, que podem ser interceptados, manipulados ou vazados.
• Interoperabilidade: Consiste em garantir a compatibilidade e a integração dos dispositivos e das plataformas da IoT, que utilizam diferentes linguagens, protocolos, arquiteturas e padrões de comunicação. A interoperabilidade é um desafio técnico e organizacional para a IoT, pois envolve uma grande diversidade de dispositivos com diferentes características, capacidades e funcionalidades.
• Sustentabilidade: Consiste em garantir o uso racional e responsável dos recursos naturais e humanos envolvidos na produção, operação e descarte dos dispositivos da IoT. A sustentabilidade é um desafio ambiental e social para a IoT, pois envolve uma grande quantidade de dispositivos que consomem energia, geram resíduos e impactam o ecossistema.

Referências

Para saber mais sobre IoT e desenvolvimento de sistemas embarcados, recomendo as seguintes obras:

• Al-Fuqaha A., Guizani M., Mohammadi M., Aledhari M., Ayyash M. Internet of Things: A Survey on Enabling Technologies, Protocols, and Applications. IEEE Communications Surveys & Tutorials, vol. 17, no. 4, pp. 2347-2376, 2015.
• Bormann C., Shelby Z., Hartke K., Kumar V. The Constrained Application Protocol (CoAP). RFC 7252, 2014.
• Bluetooth SIG. Bluetooth Core Specification Version 5.0. 2016.
• Cleveroad. Internet of Things in Business: Use Cases, Benefits, and Challenges.
• Dorri A., Kanhere S.S., Jurdak R., Gauravaram P. Blockchain for IoT Security and Privacy: The Case Study of a Smart Home. In: Proceedings of the IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops), 2017.
• M. Fahmideh, A. Ahmad, A. Behnaz, J. Grundy and W. Susilo, “Software Engineering for Internet of Things: The Practitioners’ Perspective,” in IEEE Transactions on Software Engineering, vol. 48, no. 8, pp. 2857-2878, 1 Aug. 2022, doi: 10.1109/TSE.2021.3070692.
• Khan R., Khan S.U., Zaheer R., Khan S. Future Internet: The Internet of Things Architecture, Possible Applications and Key Challenges. In: Proceedings of the IEEE International Conference on Frontiers of Information Technology (FIT), 2012.
• Gubbi J., Buyya R., Marusic S., Palaniswami M. Internet of Things (IoT): A Vision, Architectural Elements, and Future Directions. Future Generation Computer Systems, vol. 29, no. 7, pp. 1645-1660, 2013.
• Lee I., Sokolsky O., Chen S., Hatcliff J., Jee E., Kim D., King A., Mullen-Fortino M., Park S., Roederer A., Venkatasubramanian K.K. Challenges and Research Directions in Medical Cyber–Physical Systems. Proceedings of the IEEE, vol. 100, no. 1, pp. 75-90, 2012.
• LoRa Alliance. LoRaWAN Specification Version 1.0.3. 2018.
• Malekshahi Rad, M., Rahmani, A.M., Sahafi, A. et al. Social Internet of Things: vision, challenges, and trends. Hum. Cent. Comput. Inf. Sci. 10, 52 (2020).
• OASIS MQTT Specifications. MQTT is an OASIS standard. The specification is managed by the OASIS MQTT Technical Committee.
• Perera C., McCormick C., Bandara A.K., Price B.A., Nuseibeh B. Privacy-by-Design Framework for Assessing Internet of Things Applications and Platforms. In: Proceedings of the ACM International Conference on Internet of Things and Cloud Computing (ICC), 2016.
• Roman R., Zhou J., Lopez J. On the Features and Challenges of Security and Privacy in Distributed Internet of Things. Computer Networks, vol. 57, no. 10, pp. 2266-2279, 2013.
• Shi W., Cao J., Zhang Q., Li Y., Xu L. Edge Computing: Vision and Challenges. IEEE Internet of Things Journal, vol. 3, no. 5, pp. 637-646, 2016.
• Zanella A., Bui N., Castellani A., Vangelista L., Zorzi M. Internet of Things for Smart Cities. IEEE Internet of Things Journal, vol. 1, no. 1, pp. 22-32, 2014.
• Zhang K., Mao Y., Leng S., He Q., Zhang Y., Fan P. Mobile-Edge Computing for Vehicular Networks: A Promising Network Paradigm with Predictive Off-Loading. IEEE Vehicular Technology Magazine, vol. 12, no. 2, pp. 36-44, 2017.
• Connectivity Standards Alliance (CSA). ZigBee Specification.

Aprendizado de Máquina Aplicada à Engenharia de Software

O Conceito de Aprendizado de Máquina

O Aprendizado de Máquina (ML, Machine Learning) é uma área da Inteligência Artificial que permite que computadores aprendam a partir de dados, identificando padrões e tomando decisões sem a necessidade de programação explícita para cada tarefa.

ML utiliza algoritmos e técnicas estatísticas para construir modelos matemáticos que representam o conhecimento extraído dos dados. Esses modelos podem ser usados para realizar tarefas como classificação, regressão, agrupamento, recomendação, detecção de anomalias e geração de conteúdo.

Uma obra essencial sobre Aprendizado de Máquina é o livro “Pattern Recognition and Machine Learning” de Christopher Bishop. Esse livro aborda os fundamentos do aprendizado de máquina, desde conceitos básicos até técnicas avançadas, tornando-se uma referência importante para estudantes e profissionais da área.

ML tem sido aplicado à Engenharia de Software (ES) com o objetivo de melhorar a qualidade e a produtividade dos processos, produtos e serviços de software. Desta forma, ele pode auxiliar os engenheiros de software em diversas atividades.

Aplicações do Aprendizado de Máquina na Engenharia de Software

O Aprendizado de Máquina oferece inúmeras aplicações na Engenharia de Software. Vamos explorar algumas delas:

Análise de requisitos

ML pode ser usado para extrair informações relevantes dos documentos de requisitos, como as características funcionais e não funcionais do software, as restrições do projeto e as preferências dos clientes.

Testes de Software

Testar software de maneira eficiente e abrangente é um desafio constante na Engenharia de Software. O Aprendizado de Máquina pode ser usado para criar modelos de testes automatizados que identificam padrões de comportamento e detectam possíveis falhas. O artigo “The integration of machine learning into automated test generation: A systematic mapping study” de Afonso Fontes e Gregory Gay apresenta um estudo sobre a aplicação de técnicas de aprendizado de máquina em testes de software.

Gerenciamento de Projetos

O Aprendizado de Máquina pode ser usado para prever o tempo e os recursos necessários para concluir um projeto de software com base em projetos anteriores. Isso ajuda os gerentes a tomarem decisões mais informadas e alocarem recursos de forma mais eficiente. O artigo “Machine Learning-based Software Effort Estimation: An Analysis” de Zdzislaw Polkowski e outros analisa a aplicação do aprendizado de máquina na estimativa de esforço de projetos de software.

Implementação de software

ML pode ser usado para gerar ou refatorar código-fonte de software, seguindo padrões de codificação, boas práticas e requisitos de qualidade.

Manutenção de software

ML pode ser usado para analisar o histórico e o comportamento do software em operação, identificando oportunidades de melhoria, evolução ou adaptação do software às novas demandas ou condições do ambiente.

Exemplos práticos

Alguns exemplos práticos de ML aplicado à ES são:

• Um sistema de análise estática que utiliza técnicas de aprendizado profundo para detectar vulnerabilidades de segurança no código-fonte de software.
• Um sistema de geração automática de documentação que utiliza técnicas de processamento de linguagem natural para extrair informações relevantes do código-fonte e dos comentários do software.
• Um sistema de recomendação que utiliza técnicas de filtragem colaborativa para sugerir bibliotecas, frameworks ou ferramentas adequadas para o desenvolvimento de um determinado tipo de software.
• Um sistema de teste baseado em modelo que utiliza técnicas de aprendizado por reforço para gerar casos de teste ótimos para o software a partir da especificação formal do seu comportamento.
• Um sistema de predição que utiliza técnicas de aprendizado supervisionado para estimar a probabilidade de falha do software em função das características do código-fonte e dos dados históricos.

Atividades da engenharia de software que podem ser melhoradas ou automatizadas com o uso de aprendizado de máquina

As atividades da engenharia de software são os processos ou procedimentos que os engenheiros de software realizam para desenvolver o software. Algumas das atividades mais importantes para o uso de aprendizado de máquina são:

• Análise de dados: Consiste em coletar, processar e explorar os dados relacionados ao software e ao seu processo de desenvolvimento, como dados históricos, em tempo real, estruturados ou não estruturados. A análise de dados pode fornecer insights valiosos sobre o comportamento, o desempenho e a qualidade do software, bem como sobre as necessidades, as preferências e o feedback dos clientes e usuários.
• Aprendizado contínuo: Consiste em treinar, atualizar e avaliar os modelos de aprendizado de máquina utilizados pelo software ou pelo seu processo de desenvolvimento, utilizando os dados coletados e analisados. O aprendizado contínuo pode permitir que o software se adapte às mudanças do ambiente e às necessidades dos clientes e usuários, bem como que o processo de desenvolvimento se torne mais eficiente e eficaz.
• Engenharia reversa: Consiste em recuperar informações sobre o software ou o seu processo de desenvolvimento, a partir dos artefatos gerados, como código, documentação, modelos, testes, entre outros. A engenharia reversa pode facilitar a compreensão, a manutenção e a evolução do software, bem como a reutilização ou a migração de componentes ou soluções.

Exemplos de aplicações e projetos de engenharia de software que utilizam aprendizado de máquina

As aplicações de engenharia de software que utilizam aprendizado de máquina são as soluções inteligentes que empregam algoritmos e modelos de aprendizado de máquina para resolver problemas ou atender necessidades de diferentes domínios ou setores da sociedade. Algumas das aplicações mais populares são:

• Busca e Recuperação de Informação: Consiste em utilizar aprendizado de máquina para melhorar a eficiência e a relevância dos sistemas de busca e recuperação de informação, como motores de busca, sistemas de recomendação, sistemas de resposta a perguntas, entre outros. O aprendizado de máquina pode ser usado para tarefas como indexação, classificação, ranqueamento, filtragem, extração, sumarização, entre outras.
• Processamento de Linguagem Natural: Consiste em utilizar aprendizado de máquina para melhorar a capacidade e a qualidade dos sistemas de processamento de linguagem natural, como tradutores automáticos, assistentes virtuais, chatbots, analisadores sentimentais, entre outros. O aprendizado de máquina pode ser usado para tarefas como reconhecimento, geração, compreensão, tradução, síntese, entre outras.
• Visão Computacional: Consiste em utilizar aprendizado de máquina para melhorar o desempenho e a precisão dos sistemas de visão computacional, como reconhecedores faciais, sistemas de segurança, sistemas de diagnóstico médico, entre outros. O aprendizado de máquina pode ser usado para tarefas como detecção, reconhecimento, segmentação, classificação, rastreamento, entre outras.
• Aprendizado Automático: Consiste em utilizar aprendizado de máquina para melhorar o próprio processo e os resultados do aprendizado de máquina, como seleção e otimização de modelos, hiperparâmetros e características, análise e interpretação de resultados, entre outros. O aprendizado automático pode ser usado para tarefas como meta-aprendizado, auto-aprendizado, aprendizado ativo, aprendizado federado, entre outras.

Os projetos de engenharia de software que utilizam aprendizado de máquina são os casos concretos e específicos que ilustram o uso e o impacto do aprendizado de máquina em diferentes domínios ou setores da sociedade. Alguns dos projetos mais relevantes são:

• Google Search: É um projeto que utiliza aprendizado de máquina para oferecer um serviço de busca e recuperação de informação na internet. O Google Search utiliza algoritmos e modelos de aprendizado profundo para indexar bilhões de páginas web e fornecer resultados relevantes e personalizados para as consultas dos usuários.
• Microsoft Translator: É um projeto que utiliza aprendizado de máquina para oferecer um serviço de tradução automática de texto, voz e vídeo entre mais de 70 idiomas. O Microsoft Translator utiliza algoritmos e modelos de aprendizado profundo para reconhecer, gerar e traduzir as expressões dos usuários, preservando o sentido e o contexto.
• Facebook DeepFace: É um projeto que utiliza aprendizado de máquina para oferecer um serviço de reconhecimento facial em fotos e vídeos compartilhados na rede social. O Facebook DeepFace utiliza algoritmos e modelos de aprendizado profundo para detectar, identificar e verificar as faces dos usuários, atingindo uma precisão de 97%.
• AutoML: É um projeto que utiliza aprendizado automático para oferecer um serviço de criação e otimização de modelos de aprendizado profundo. O AutoML utiliza algoritmos e modelos de meta-aprendizado, auto-aprendizado, aprendizado ativo, entre outros, para selecionar, treinar, avaliar e melhorar os modelos de acordo com os dados e os objetivos dos usuários.

Benefícios e desafios do uso de aprendizado de máquina na engenharia de software

O aprendizado de máquina pode trazer diversos benefícios para a engenharia de software, tais como:

• Melhorar a qualidade do software, por meio da detecção e correção de defeitos, da predição e prevenção de falhas, da otimização de testes, da análise de código, entre outras técnicas que utilizam algoritmos de aprendizado de máquina para analisar dados históricos ou em tempo real do software e do seu processo de desenvolvimento.
• Aumentar a produtividade dos desenvolvedores, por meio da automação ou assistência de tarefas repetitivas, complexas ou criativas, como a geração ou refatoração de código, a documentação ou comentários de código, a recomendação ou síntese de requisitos, entre outras técnicas que utilizam algoritmos de aprendizado de máquina para gerar ou sugerir soluções baseadas em exemplos ou especificações.
• Inovar e criar novos produtos ou serviços, por meio da incorporação de funcionalidades inteligentes, adaptativas ou personalizadas ao software, como a classificação ou recomendação de conteúdo, a interação ou engajamento com o usuário, a otimização ou melhoria contínua do desempenho, entre outras técnicas que utilizam algoritmos de aprendizado de máquina para aprender com os dados ou o feedback do usuário.

O aprendizado de máquina também apresenta diversos desafios para a engenharia de software, tais como:

• Garantir a confiabilidade e a explicabilidade do software baseado em aprendizado de máquina, que pode apresentar comportamentos imprevisíveis, inconsistentes ou inesperados, devido à natureza probabilística, não determinística ou não transparente dos algoritmos de aprendizado de máquina. Portanto, é necessário desenvolver métodos e ferramentas para verificar, validar e explicar o funcionamento e os resultados do software baseado em aprendizado de máquina.
• Lidar com a complexidade e a heterogeneidade dos dados e dos modelos utilizados pelo software baseado em aprendizado de máquina, que podem envolver diferentes fontes, formatos, qualidades e volumes de dados, bem como diferentes tipos, arquiteturas e parâmetros de modelos. Portanto, é necessário desenvolver métodos e ferramentas para gerenciar, processar e armazenar os dados e os modelos utilizados pelo software baseado em aprendizado de máquina.
• Integrar o aprendizado de máquina com as práticas e os processos da engenharia de software tradicional, que podem não ser adequados ou compatíveis com as características e os requisitos do software baseado em aprendizado de máquina. Portanto, é necessário desenvolver métodos e ferramentas para adaptar ou criar novas práticas e processos que possam suportar o ciclo de vida do software baseado em aprendizado de máquina.

Métodos e Ferramentas para Aplicação de Aprendizado de Máquina

As técnicas de aprendizado de máquina são os métodos ou procedimentos que os engenheiros de software utilizam para aplicar o aprendizado de máquina em diferentes tarefas da engenharia de software. Algumas das técnicas mais comuns são:

• Aprendizado supervisionado: É a técnica de treinar um modelo de aprendizado de máquina a partir de dados rotulados, ou seja, dados que possuem uma saída ou classe desejada. O objetivo é fazer com que o modelo aprenda a mapear as entradas nas saídas corretas, e possa generalizar para novos dados não vistos. O aprendizado supervisionado pode ser usado para tarefas como predição de defeitos, classificação de requisitos, geração de código, entre outras.
• Aprendizado não supervisionado: É a técnica de treinar um modelo de aprendizado de máquina a partir de dados não rotulados, ou seja, dados que não possuem uma saída ou classe pré-definida. O objetivo é fazer com que o modelo descubra padrões, estruturas ou agrupamentos nos dados, sem a intervenção humana. O aprendizado não supervisionado pode ser usado para tarefas como análise de código, detecção de anomalias, recomendação de conteúdo, entre outras.
• Aprendizado por reforço: É a técnica de treinar um modelo de aprendizado de máquina a partir da interação com um ambiente, onde o modelo recebe recompensas ou punições por suas ações. O objetivo é fazer com que o modelo aprenda a maximizar as recompensas a longo prazo, e possa se adaptar às mudanças do ambiente. O aprendizado por reforço pode ser usado para tarefas como otimização de testes, síntese de requisitos, personalização de software, entre outras.

Existem várias bibliotecas de Aprendizado de Máquina disponíveis para desenvolvedores. Essas bibliotecas fornecem implementações eficientes de algoritmos de aprendizado de máquina e facilitam a experimentação e a aplicação prática de técnicas de aprendizado. Algumas das ferramentas mais populares são:

• TensorFlow: É uma plataforma de software livre para o desenvolvimento e execução de modelos de aprendizado profundo, que é um tipo especializado e avançado de aprendizado de máquina. O TensorFlow permite criar redes neurais artificiais com diferentes arquiteturas e funções, e treiná-las com grandes conjuntos de dados. O TensorFlow pode ser usado para tarefas como geração ou refatoração de código, análise ou síntese de requisitos, classificação ou recomendação de conteúdo, entre outras.
• Scikit-learn: É uma biblioteca de software livre para o desenvolvimento e execução de modelos de aprendizado clássico, que é um tipo mais simples e tradicional de aprendizado de máquina. O Scikit-learn oferece uma variedade de algoritmos e técnicas para tarefas como regressão, classificação, agrupamento, redução de dimensionalidade, seleção de características, entre outras. O Scikit-learn pode ser usado para tarefas como predição ou detecção de defeitos, análise ou extração de código, otimização ou priorização de testes, entre outras.
• Weka: É uma coleção de software livre para o desenvolvimento e execução de modelos de aprendizado clássico e profundo. O Weka possui uma interface gráfica que permite explorar, visualizar e analisar os dados, bem como criar e avaliar os modelos. O Weka também possui uma interface textual que permite integrar os modelos com outros sistemas ou plataformas. O Weka pode ser usado para tarefas como predição ou detecção de defeitos, análise ou extração de código, otimização ou priorização de testes, entre outras.

Tendências e desafios futuros do uso de aprendizado de máquina na engenharia de software

O aprendizado de máquina está em constante evolução, acompanhando as inovações tecnológicas, as demandas do mercado e as necessidades dos usuários. Algumas das tendências mais relevantes para a engenharia de software são:

• Aprendizado profundo: É uma técnica avançada de aprendizado de máquina que utiliza redes neurais artificiais com múltiplas camadas para aprender representações complexas e abstratas dos dados. O aprendizado profundo tem demonstrado resultados impressionantes em diversas áreas e aplicações, como processamento de linguagem natural, visão computacional, geração de código, entre outras.
• Aprendizado federado: É uma técnica distribuída de aprendizado de máquina que permite treinar modelos a partir de dados descentralizados, sem a necessidade de transferi-los para um servidor central. O aprendizado federado visa preservar a privacidade e a segurança dos dados dos usuários, bem como reduzir o consumo de energia e a latência da comunicação.
• Aprendizado meta: É uma técnica automática de aprendizado de máquina que utiliza algoritmos que aprendem a aprender, ou seja, que otimizam os processos e os parâmetros do aprendizado de máquina. O aprendizado meta visa melhorar a eficiência e a eficácia dos modelos de aprendizado de máquina, bem como facilitar a adaptação e a generalização para novos dados ou tarefas.
• Aprendizado interativo: É uma técnica colaborativa de aprendizado de máquina que envolve a interação entre humanos e máquinas para melhorar o desempenho e a qualidade dos modelos de aprendizado de máquina. O aprendizado interativo visa incorporar o conhecimento e o feedback dos usuários ou especialistas no processo de aprendizado, bem como aumentar a confiança e a explicabilidade dos modelos.

O aprendizado de máquina também apresenta diversos desafios e obstáculos que precisam ser superados para alcançar o pleno potencial do aprendizado de máquina na engenharia de software. Alguns dos desafios mais importantes são:

• Escalabilidade: Consiste em garantir que os modelos e as técnicas de aprendizado de máquina possam lidar com grandes volumes, variedades e velocidades de dados, bem como com diferentes cenários e contextos de aplicação. A escalabilidade é um desafio técnico e computacional para o aprendizado de máquina, pois envolve questões como paralelização, distribuição, armazenamento e processamento dos dados e dos modelos.
• Robustez: Consiste em garantir que os modelos e as técnicas de aprendizado de máquina possam resistir a ruídos, erros, ataques ou mudanças nos dados ou no ambiente. A robustez é um desafio crítico e estratégico para o aprendizado de máquina, pois envolve questões como limpeza, verificação, validação, segurança e confiabilidade dos dados e dos modelos.
• Ética: Consiste em garantir que os modelos e as técnicas de aprendizado de máquina possam respeitar os valores, os direitos e as preferências dos usuários ou das organizações. A ética é um desafio social e legal para o aprendizado de máquina, pois envolve questões como privacidade, transparência, explicabilidade, responsabilidade e justiça dos dados e dos modelos.

Referências sobre Aprendizado de Máquina

Para saber mais sobre ML aplicado à ES, recomendo as seguintes obras:

• Abadi M., Agarwal A., Barham P., Brevdo E., Chen Z., Citro C., Corrado G.S., Davis A., Dean J., Devin M., Ghemawat S., Goodfellow I., Harp A., Irving G., Isard M., Jia Y., Jozefowicz R., Kaiser L., Kudlur M., Levenberg J., Mané D., Monga R., Moore S., Murray D., Olah C., Schuster M., Shlens J., Steiner B., Sutskever I., Talwar K., Tucker P., Vanhoucke V., Vasudevan V., Viégas F., Vinyals O., Warden P., Wattenberg M., Wicke M., Yu Y., Zheng X. TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems, 2015.
• Allamanis M., Barr E.T., Bird C., Sutton C. Learning Natural Coding Conventions. In: Proceedings of the ACM SIGSOFT International Symposium on Foundations of Software Engineering (FSE), 2014.
• Amershi S., Begel A., Bird C., DeLine R., Gall H., Kamar E., Nagappan N., Nushi B., Zimmermann T. Software Engineering for Machine Learning: A Case Study. In: Proceedings of the IEEE/ACM 41st International Conference on Software Engineering: Software Engineering in Practice.
• Arrieta A.B., Wang S., Wang X., Elovici Y., Menzies T. Software Engineering for Machine Learning: A Systematic Literature Review. IEEE Transactions on Software Engineering, 2021.
• Bishop, Christopher. “Pattern Recognition and Machine Learning.”
• Bonawitz K., Eichner H., Grieskamp W., Huba J., Ingerman A., Ivanov V., Kiddon C., Konecny J., Mazzocchi S., McMahan H.B., Overveldt T.V., Petrou D., Ramage D., Roselander J. Towards Federated Learning at Scale: System Design. In: Proceedings of the International Conference on Machine Learning (ICML), 2019.
• Bosch J., Olsson H.H., Björk J., Ljungblad J. The Early Stage Software Startup Development Model: A Framework for Operationalizing Lean Principles in Software Startups. In: Proceedings of the International Conference on Lean Enterprise Software and Systems (LESS), 2013.
• Bottou L., Curtis F.E., Nocedal J. Optimization Methods for Large-Scale Machine Learning. SIAM Review, vol. 60, no. 2, pp. 223-311, 2018.
• Canfora G., Di Penta M. New Frontiers of Reverse Engineering. In: Future of Software Engineering, Springer, 2014, pp. 326-341 .
• Dean J., Corrado G., Monga R., Chen K., Devin M., Le Q.V., Mao M.Z., Ranzato M., Senior A., Tucker P., Yang K., Ng A.Y. Large Scale Distributed Deep Networks. In: Proceedings of the Advances in Neural Information Processing Systems (NIPS), 2012.
• Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.
• Hall M.A, Frank E, Holmes G, Pfahringer B, Reutemann P, Witten I.H. The WEKA Data Mining Software: An Update. SIGKDD Explorations, vol. 11, no. 1, pp. 10-18, 2009.
• Holzinger A. Interactive Machine Learning for Health Informatics: When Do We Need the Human-in-the-Loop? Brain Informatics, vol. 3, no. 2, pp. 119-131, 2016.
• Peter Bell, Joachim Fainberg, Ondrej Klejch, Jinyu Li, Steve Renals, Pawel Swietojanski. Adaptation Algorithms for Neural Network-Based Speech Recognition: An Overview, IEEE Open Journal of Signal Processing, vol. 2, pp. 33-66, 2021
• Hutter F., Kotthoff L., Vanschoren J. Automated Machine Learning: Methods, Systems, Challenges. Springer, 2019.
• sJobin A., Ienca M., Vayena E. The Global Landscape of AI Ethics Guidelines. Nature Machine Intelligence, vol. 1, no. 9, pp. 389-399, 2019.
• Jurafsky D., Martin J.H. Speech and Language Processing. Pearson, 2019.
• Konečný J., McMahan H.B., Yu F.X., Richtárik P., Suresh A.T., Bacon D. Federated Learning: Strategies for Improving Communication Efficiency. In: Proceedings of the NIPS Workshop on Private Multi-Party Machine Learning, 2016.
• H. Villamizar, T. Escovedo and M. Kalinowski, “Requirements Engineering for Machine Learning: A Systematic Mapping Study,” 2021 47th Euromicro Conference on Software Engineering and Advanced Applications (SEAA), Palermo, Italy, 2021, pp. 29-36, doi: 10.1109/SEAA53835.2021.00013.
• Manning C.D., Raghavan P., Schütze H. Introduction to Information Retrieval. Cambridge University Press, 2008.
• P. Sharma and J. Singh, “Machine Learning Based Effort Estimation Using Standardization,” 2018 International Conference on Computing, Power and Communication Technologies (GUCON), Greater Noida, India, 2018, pp. 716-720, doi: 10.1109/GUCON.2018.8674908.
• Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay E. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, vol. 12, pp. 2825-2830, 2011, 6.
• Polyzotis N., Roy S., Whang S.E., Zinkevich M. Data Lifecycle Challenges in Production Machine Learning: A Survey. ACM SIGMOD Record, vol. 47, no. 2, pp. 17-28, 2018.
• Szeliski R. Computer Vision: Algorithms and Applications. Springer, 2010.
• Taigman Y., Yang M., Ranzato M.A., Wolf L. DeepFace: Closing the Gap to Human-Level Performance in Face Verification. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2014.
• Zhang F., Mockus A., Keivanloo I., Zou Y. Towards Building a Universal Defect Prediction Model. In: Proceedings of the ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM), 2014.
• Zhang C., Bengio S., Hardt M., Recht B., Vinyals O. Understanding Deep Learning Requires Rethinking Generalization. In: Proceedings of the International Conference on Learning Representations (ICLR), 2017.
• Zoph B., Le Q.V. Neural Architecture Search with Reinforcement Learning. In: Proceedings of the International Conference on Learning Representations (ICLR), 2017.

Conclusão

A Engenharia de Software é uma disciplina que se adapta constantemente às novas tecnologias e desafios. Neste artigo, abordamos dois aspectos avançados: a Internet das Coisas (IoT) e o desenvolvimento de sistemas embarcados, além do uso do Aprendizado de Máquina aplicado à Engenharia de Software. Exploramos conceitos, metodologias e ferramentas, além de apresentar exemplos práticos que ilustram a aplicação dessas tecnologias.

A IoT e o Aprendizado de Máquina têm o potencial de transformar a forma como desenvolvemos e interagimos com o software. Como futuros profissionais da área, é essencial estarmos preparados para aproveitar essas oportunidades e enfrentar os desafios que essas novas tecnologias trazem.