14 nov 2025
15:00 Defesa de Doutorado Por videoconferência (link meet.google.com/fwq-xcep-wxr)
Tema
Conceptual Modeling and Automated Planning for Knowledge-Intensive Processes Under Uncertainty
Aluno
Sheila Katherine Venero Ferro
Orientador / Docente
Cecília Mary Fischer Rubira - Coorientadores: Leonardo Montecchi e Julio Cesar dos Reis
Breve resumo
Processos Intensivos em Conhecimento (PICs) são imprevisíveis, sensíveis ao contexto e fortemente dependentes de conhecimento, informações e dados. Um desafio fundamental na modelagem de PICs é gerenciar sua incerteza inerente, que surge de fatores complexos, muitas vezes desconhecidos, que podem mudar durante a execução ou variar de caso em caso. Como resultado, é difícil predeterminar a estrutura do processo, especificamente quais atividades devem ser executadas e em que sequência. Portanto, a estrutura deve emergir progressivamente por meio da tomada de decisão colaborativa por profissionais do conhecimento, que contam com sua expertise e consciência situacional à medida que se adaptam aos objetivos em evolução e às novas informações disponíveis.
Dadas essas complexidades, as abordagens tradicionais de modelagem de processos têm dificuldade em representar os PICs de forma eficaz. Em resposta, abordagens centradas em dados,como artifact-centric, object-aware e case management, foram propostas, oferecendo maior flexibilidade ao se concentrar nas decisões do usuário e nos dados. No entanto, a maioria dessas abordagens ainda não consegue abordar a natureza multifacetada dos PICs, particularmente sua incerteza inerente.
Para abordar essa lacuna, esta tese propõe uma abordagem integrada que combina modelagem centrada em dados e técnicas de planejamento automatizado para dar suporte a PICs sob incerteza. Ela adia as decisões estruturais para o tempo de execução, permitindo a adaptação dinâmica às circunstâncias em evolução. A abordagem combina trabalhadores do conhecimento e agentes computacionais em um ciclo contínuo de planejamento, execução, supervisão e replanejamento. Em sua essência, a abordagem modela PICs como problemas de planejamento usando Processos de Decisão Markovianos (PDMs), que capturam explicitamente a incerteza por meio de transições de estado probabilísticas e apoiam a tomada de decisão otimizada.
A solução proposta é suportada pelo METAKIP, um metamodelo desenvolvido nesta tese que permite a especificação conceitual tanto do domínio de planejamento quanto do problema de planejamento. A partir desse modelo, um PDM é gerado e resolvido automaticamente, produzindo planos na forma de fragmentos de modelos de processo. Os planos resultantes são sugeridos aos trabalhadores do conhecimento para apoiar a tomada de decisão e orientar a construção da estrutura do processo em tempo de execução. A solução é baseada no ciclo autonômico MAPE-K (Monitorar, Analisar, Planejar, Executar e Conhecimento), proporcionando um ciclo contínuo de adaptação.
Para validar a viabilidade e a eficácia da abordagem, desenvolvemos o MAPKIP (Modelagem, Análise e Planejamento de Processos Intensivos em Conhecimento), uma ferramenta de protótipo online que integra o verificador de modelos PRISM. Um estudo de caso na área da saúde demonstra o potencial da abordagem para apoiar a tomada de decisões informadas e adaptativas em ambientes incertos.
Banca examinadora
Titulares:
| Cecília Mary Fischer Rubira | IC/UNICAMP |
| Marcelo Fantinato | EACH/USP |
| Elisa Yumi Nakagawa | ICMC/USP |
| Eliane Martins | IC/UNICAMP |
| Bruno Barbieri de Pontes Cafeo | IC/UNICAMP |
Suplentes:
| Breno Bernard Nicolau de França | IC/UNICAMP |
| Paulo Henrique Monteiro Borba | CIn/UFPE |
| Claudia Maria Lima Werner | COPPE/UFRJ |