TREEVO: proposta de um sistema especialista baseado em redes Bayesianas para avaliação de conhecimento e sugestão de treinamento corporativo
| dc.contributor.advisor | Silveira, Ismar Frango | |
| dc.contributor.author | Nascimento, Damiana Costa | |
| dc.date.accessioned | 2024-04-22T13:19:53Z | |
| dc.date.available | 2024-04-22T13:19:53Z | |
| dc.date.issued | 2024-02-15 | |
| dc.description.abstract | Com o avanço da tecnologia, a utilização de sistemas especialistas tem se mostrado uma solução eficiente para auxiliar em processos complexos de tomada de decisão em diversas áreas. Esses sistemas combinam o conhecimento humano especializado com o poder computacional para fornecer orientações precisas e confiáveis, resultando em decisões mais informadas e assertivas. Além disso, a integração de funcionalidades de treinamento nesses sistemas tem se destacado como um elemento fundamental para o aprimoramento contínuo do conhecimento e das habilidades dos usuários. Eles são amplamente utilizados na medicina, finanças, engenharia e outras áreas para fornecer diagnóstico, tomada de decisão e resolver problemas complexos. As redes Bayesianas têm se mostrado uma abordagem promissora para modelar a incerteza e tomar decisões em diversos domínios complexos. Este estudo apresenta conceitos fundamentais, como probabilidade condicional e o teorema de Bayes, essenciais para compreender o funcionamento das redes Bayesianas. Além disso, são discutidos algoritmos de inferência probabilística, incluindo a propagação de probabilidades, que permite a atualização das probabilidades das variáveis de interesse em uma rede Bayesiana. Neste estudo, desenvolvemos um sistema destinado a avaliar o conhecimento em diversos tópicos técnicos. O principal objetivo desta pesquisa é explorar a viabilidade de determinar o nível de conhecimento de colaboradores através de um questionário de perguntas e respostas. Além disso, buscamos apresentar um treinamento sob medida, que se alinhe com o conhecimento já adquirido pelo colaborador. Para atingir esses fins, recorremos ao uso de sistemas especialistas e redes Bayesianas, que juntos proporcionam sugestões de treinamento personalizados. O desenvolvimento do sistema foi realizado utilizando a linguagem Python, com o apoio do framework Experta, um mecanismo de inferência robusto. Por meio deste sistema, é possível determinar o nível de conhecimento técnico dos usuários, permitindo assim a recomendação de treinamentos específicos que se ajustam de forma precisa a cada perfil de conhecimento identificado. | |
| dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível | |
| dc.description.sponsorship | MackPesquisa - Fundo Mackenzie de Pesquisa | |
| dc.identifier.uri | https://dspace.mackenzie.br/handle/10899/38524 | |
| dc.language.iso | pt_BR | |
| dc.language.iso | en | |
| dc.publisher | Universidade Presbiteriana Mackenzie | |
| dc.subject | sistemas especialistas | |
| dc.subject | treinamentos | |
| dc.subject | experta | |
| dc.subject | redes bayesianas | |
| dc.title | TREEVO: proposta de um sistema especialista baseado em redes Bayesianas para avaliação de conhecimento e sugestão de treinamento corporativo | |
| dc.type | Dissertação | |
| local.contributor.advisorLattes | http://lattes.cnpq.br/3894359521286830 | |
| local.contributor.advisorOrcid | https://orcid.org/0000-0001-8029-072X | |
| local.contributor.authorLattes | http://lattes.cnpq.br/8085865222106902 | |
| local.contributor.authorOrcid | https://orcid.org/0000-0002-8497-0746 | |
| local.contributor.board1 | Eliseo, Maria Amelia | |
| local.contributor.board1Lattes | http://lattes.cnpq.br/5813743488218949 | |
| local.contributor.board1Orcid | https://orcid.org/0000-0003-0913-3259 | |
| local.contributor.board2 | Cardoso, Alexandre | |
| local.contributor.board2Lattes | http://lattes.cnpq.br/3767009717402045 | |
| local.contributor.board2Orcid | https://orcid.org/0000-0002-2023-9647 | |
| local.description.abstracten | With the advancement of technology, the use of expert systems has proven to be an ef ficient solution to assist in complex decision-making processes across various fields. These systems combine specialized human knowledge with computational power to provide pre cise and reliable guidance, resulting in more informed and assertive decisions. Moreover, the integration of training functionalities into these systems has emerged as a key element for the continuous improvement of users’ knowledge and skills. They are widely used in medicine, finance, engineering, and other fields to provide diagnostics, decision-making, and solve complex problems. Bayesian networks have shown to be a promising approach for modeling uncertainty and making decisions in various complex domains. This study presents fundamental concepts, such as conditional probability and Bayes’ theorem, es sential for understanding the workings of Bayesian networks. Additionally, probabilistic inference algorithms, including probability propagation, which allows for the updating of probabilities of interest variables in a Bayesian network, are discussed. In this study, we developed a system aimed at assessing knowledge in various technical topics. The main goal of this research is to explore the feasibility of determining the level of knowledge of employees through a questionnaire of questions and answers. Furthermore, we seek to present tailor-made training that aligns with the knowledge already acquired by the employee. To achieve these ends, we resorted to the use of expert systems and Bayesian networks, which together provide personalized training suggestions. The development of the system was carried out using the Python language, with the support of the Ex perta framework, a robust inference mechanism. Through this system, it is possible to determine the technical knowledge level of users, thus allowing for the recommendation of specific trainings that accurately adjust to each identified knowledge profile. | |
| local.keywords | expert systems | |
| local.keywords | training | |
| local.keywords | expert | |
| local.keywords | bayesian networks | |
| local.publisher.country | Brasil | |
| local.publisher.department | Escola de Engenharia Mackenzie (EE) | |
| local.publisher.initials | UPM | |
| local.publisher.program | Engenharia Elétrica e Computação | |
| local.subject.cnpq | CNPQ::ENGENHARIAS |