Práticas de Integração Contínua em Projetos de Machine Learning: Perspectiva dos Praticantes
ConcluídoA Integração Contínua (CI) é uma prática consolidada no desenvolvimento de software tradicional, contribuindo para a automação de testes, a detecção precoce de falhas e a melhoria da qualidade dos sistemas. No entanto, sua aplicação em projetos de Machine Learning (ML) impõe desafios específicos relacionados à complexidade dos modelos, à natureza não determinística dos experimentos, à manipulação de grandes volumes de dados e à necessidade de infraestrutura especializada. Embora estudos anteriores tenham evidenciado que projetos de ML apresentam, em média, maiores durações de build e menores taxas de cobertura de testes em comparação a projetos não-ML, ainda há pouca compreensão qualitativa sobre as causas e os impactos dessas diferenças. Portanto, este projeto tem como objetivo investigar, a partir da perspectiva de desenvolvedores e engenheiros que atuam em projetos de ML, os principais desafios e estratégias envolvidas na adoção de CI nesse contexto. A pesquisa adota uma abordagem qualitativa, com aplicação de questionários semiestruturados a profissionais de repositórios open source que utilizam pipelines de CI. Os dados serão analisados por meio de análise temática, permitindo a identificação de padrões, obstáculos recorrentes e possíveis soluções. Espera-se como resultado a sistematização dos fatores que dificultam a adoção plena de CI em sistemas de ML, a elaboração de recomendações práticas para enfrentamento dessas barreiras e a construção de um modelo conceitual que contribua para o avanço das práticas de MLOps. O projeto também visa fomentar o debate sobre o aprimoramento de pipelines automatizados em ambientes que combinam ciência de dados e engenharia de software.
Projeto importado do Suap em 21/03/2026 às 04:46 (há 7 horas, 13 minutos)