Trabalho Final - Engenharia de Software 1

Universidade Católica Dom Bosco Engenharia de Computação Trabalho Final Alunos: Raphael Victor (RA189362), Jarbas Ribeiro (RA189331), Vinicius Haas (RA189815), João Schweitzer (RA189395), Pedro Galeano (RA189810) e Celso Campaia (RA191153). Engenharia de Software 1 Professor: Alexandre Dos Santos Batista.

Contextualização e Objetivo A EducaMaisAção é um complexo educacional que oferece turmas de ensino fundamental, médio e de cursos de nível superior. Estando alinhado com as demandas da educação contemporânea, o grupo decide buscar uma empresa para o desenvolvimento de uma plataforma de personalização de estudos. Nesse sentido, a empresa Turing Soluções é encontrada e um produto destes chama a atenção: o MentorAI. O MentorAl é uma plataforma de Inteligência Artificial Educacional voltada à criação de planos de estudo personalizados e dinâmicos, adaptados ao ritmo, às preferências e às dificuldades individuais de cada aluno do Ensino Fundamental I e II ao Ensino Superior. A solução combina múltiplas abordagens de IA para identificar padrões de desempenho e prever áreas de dificuldade. A plataforma também utiliza sistemas de recomendação híbridos, que unem filtragem por conteúdo e filtragem colaborativa para sugerir recursos adequados. Além disso, utiliza aprendizagem por reforço, que ajusta continuamente o plano de estudos conforme o feedback e a evolução do aluno. Seu diferencial é o tutor virtual inteligente, um chatbot empático e interativo que adapta sua linguagem conforme o nível educacional do usuário, tornando o aprendizado acessível, inclusivo e envolvente. Viabilidade do Projeto A viabilidade destaca-se pela aderência entre as necessidades do complexo educacional EducaMaisAção e as capacidades técnicas da solução desenvolvida pela Turing Soluções. A demanda crescente por personalização de aprendizado, presente tanto no ensino básico quanto no superior, encontra no MentorAI uma maneira eficaz de atender as particularidades de cada estudante, ao utilizar modelos supervisionados, sistemas de recomendação e aprendizagem por reforço para adaptar continuamente os planos de estudos. Além dos benefícios pedagógicos, o tutor virtual oferece suporte acessível e escalável, reduzindo a sobrecarga dos docentes e ampliando o acompanhamento individualizado. Na infraestrutura, o projeto exige uma infraestrutura moderada e tecnologias consolidadas, reduzindo riscos e o custo de implementação. Dessa forma, o projeto mostra-se completamente viável, principalmente pela sua compatibilidade com os objetivos educacionais. Mapeamento do modelo de negócio O modelo de negócio do MentorAI baseia-se na oferta de uma plataforma de personalização de estudo como serviço para instituições de ensino, combinando solução de IA com soluções educacionais escaláveis. O público-alvo inicial é composto por escolas e universidades, como o complexo EducaMaisAção, que.

buscam melhorar o desempenho estudantil, reduzir evasão e aumentar o engajamento por meio do acompanhamento individualizado. A proposta da plataforma MentorAI é fornecer planos de estudos adaptativos, recomendações inteligentes de conteúdo e um tutor virtual que adapta suas explicações para o nível do aluno. A monetização ocorre utilizando licenciamento por aluno ou assinatura institucional, permitindo que a instituição pague um proporcional ao número de estudantes atendidos. Os principais recursos incluem os modelos de IA, chatbot e a infraestrutura de servidores. As atividades abrangem o treinamento dos modelos, integração de sistemas acadêmicos e refinamento da plataforma feita de maneira contínua, baseando-se no uso real. As principais fontes de custos envolvem infraestrutura computacional, equipe de desenvolvimento e manutenção, enquanto as fontes de renda virão de contratos com escolas, universidades ou com indivíduos. Assim, o modelo de negócio tem como pilares a tecnologia, melhoria pedagógica e escalabilidade institucional. Infraestrutura A infraestrutura necessária para a plataforma MentorAI deve sustentar o treinamento intensivo e a operação em tempo real da plataforma. Para desenvolvimento e modelagem, deve-se utilizar máquinas equipadas com GPUs Nvidia, que farão o pré-processamento, o treinamento, sistemas de recomendação e aprendizagem por reforço. A operação do sistema integra um banco de dados para armazenamento das informações acadêmicas e comportamentais dos usuários. O armazenamento de arquivos, datasets e checkpoints será feito utilizando ferramentas de cloud com 2TB de capacidade, para garantir escalabilidade e segurança. Por fim, a arquitetura contará com servidores dedicados à inferência dos modelos e ao funcionamento do chatbot. Orçamento ● Mão de obra: Equipe de desenvolvimento, IA, testes e documentação. Considerando um aporte inicial de 2 desenvolvedores, 2 especialistas em IA, 1 funcionário responsável por testes e 1 engenheiro de software para gerar a documentação. Cerca de R$ 30000/mês. ● Hardware: Computadores equipados com GPU’s NVIDIA 5060. Cerca de R$13000 cada, sendo necessário pelo menos 5 desses para a equipe que irá trabalhar diretamente com o software. Para o funcionário responsável pela.

engenharia de software, pode ser usado um notebook Thinkpad E14, cerca de R$ 8000. ● Energia Elétrica: Considerando o aporte do projeto, cerca de R$3000/mês. ● Armazenamento em Nuvem: 2TB no Google Cloud, custa cerca de R$54,00 por mês. ● Ferramentas: Como domínio do site e serviços de hospedagem. Cerca de R$100,00/mês. Metodologia de Engenharia de Software A metodologia escolhida será o Scrum, por conta de se adaptar com projetos que evoluem gradualmente, e permite a validação com os usuários. Artefatos do Scrum ● Product Backlog: Lista de funcionalidades prioritárias do MentorAI. ● Sprint Backlog: Itens selecionados para execução em ciclos de 2 a 3 semanas. ● DoR - Definition of Ready: ○ História clara e estimada; ○ Dados necessários disponíveis: notas e/ou perfil de alunos; ○ Critérios de aceitação definidos. ● DoD - Definition of Done: ○ Código implementado e versionado; ○ Testes automatizados executados; ○ Modelo de IA testado com métricas; ○ Documentação atualizada. Backlog ID | História | Prioridade | Critérios US-01 | Como aluno, me cadastrar e informar curso/ notas | Alta | Dados salvos no sistema com validação US-02 | IA deve gerar um plano de estudos personalizado | Alta | Plano gerado com base na grade do curso e dificuldades informadas US-03 | Sistema recomendar vídeos, exercícios e material | Média | Recomendações personalizadas exibidas para o aluno..

US-04 | Ajustar plano conforme progresso do estudante | Alta | Histórico atualizado e planos recalculados US-05 | Criar dashboard para professores visualizarem desempenho dos alunos | Média | Professores conseguem acessar dados de turma e alunos individualmente US-06 | Registrar interações do aluno | Média | Dados de uso armazenados para treinar IA. US-07 | Implementar chatbot tutor com IA (PLN) | Baixa | Chat responde com base no conteúdo cadastrado. US-08 | Registrar métricas e desempenho do modelo de IA | Média | Acurácia, F1 salvas automaticamente. US-09 | Garantir consentimento e anonimização dos dados conforme LGPD | Alta | Dados sensíveis protegidos e termos de uso e privacidade implementados. Diagrama BPMN Está em anexo, no final do documento. Segue o link abaixo do vídeo do projeto: Requisitos Funcionais e Não Funcionais Os requisitos funcionais descrevem as funcionalidades que o sistema deve oferecer: RF01 - Cadastro e Onboarding de Usuários O sistema deve permitir que estudantes se cadastrem informando curso, notas e histórico escolar O sistema deve coletar preferências de aprendizado (visual, auditivo, prático) através de questionário O sistema deve implementar termos de uso e política de privacidade (LGPD) RF02 - Geração de Plano de Estudos Personalizado O sistema deve gerar planos de estudo personalizados com base nas notas, curso e dificuldades do aluno O plano deve incluir atividades, vídeos, desafios e metas diárias O sistema deve priorizar tópicos com menor desempenho no boletim RF03 - Sistema de Recomendação.

O sistema deve recomendar recursos pedagógicos (vídeos, exercícios, PDFs) As recomendações devem ser personalizadas usando filtros híbridos (conteúdo + colaborativo) RF04 - Ajuste Dinâmico do Plano O sistema deve atualizar automaticamente o plano de estudos conforme o progresso do aluno O sistema deve recalcular planos com base no histórico de desempenho O sistema deve aplicar aprendizagem por reforço para calibrar recomendações RF05 - Tutor Virtual Inteligente (Chatbot) O sistema deve fornecer um chatbot com PLN para responder dúvidas O chatbot deve adaptar a linguagem conforme a faixa etária do usuário O chatbot deve explicar conceitos de forma didática e contextualizada RF06 - Visualização de Progresso O sistema deve exibir o progresso do aluno nas atividades O sistema deve fornecer insights sobre pontos fortes e fracos O sistema deve permitir visualização do plano de estudos personalizado RF07 - Feedback e Avaliação O sistema deve permitir que alunos avaliem a eficácia do plano O sistema deve coletar feedback manual e automático O sistema deve registrar interações do aluno (cliques, tempo de uso) RF08 - Dashboard para Professores O sistema deve fornecer dashboard para visualização de desempenho dos alunos Professores devem conseguir acessar dados de turma e alunos individualmente RF09 - Registro de Métricas de IA O sistema deve registrar automaticamente métricas de desempenho do modelo (acurácia, F1-score) O sistema deve armazenar dados de uso para treinamento da IA RF10 - Previsão de Dificuldades.

O sistema deve usar aprendizado supervisionado para prever áreas de dificuldade do aluno Requisitos Não Funcionais (RNF) Os requisitos não funcionais especificam qualidades e restrições do sistema: RNF01 - Performance Tempo médio de recomendação ≤ 2 segundos Baixa latência na geração de respostas do chatbot Modelo pré-carregado em memória para reduzir latência RNF02 - Precisão e Confiabilidade Acurácia das previsões de desempenho ≥ 85% Taxa de erro nos planos < 10% Métricas de qualidade (F1-score) monitoradas continuamente RNF03 - Escalabilidade Infraestrutura em cloud para garantir escalabilidade Sistema deve suportar crescimento no número de usuários Uso de paralelização (data parallel) para processamento eficiente RNF04 - Segurança e Privacidade (LGPD) Dados sensíveis devem ser protegidos e anonimizados Consentimento explícito do usuário para coleta de dados Base legal: consentimento conforme LGPD Validação de campos obrigatórios no cadastro RNF05 - Usabilidade e Acessibilidade Interface humanizada e inclusiva Design com foco em acessibilidade Linguagem adaptativa por faixa etária Experiência do usuário otimizada (UX) RNF06 - Manutenibilidade Código versionado e documentado Testes automatizados implementados Checkpoints periódicos durante treinamento.

Documentação técnica atualizada RNF07 - Disponibilidade Sistema deve estar disponível para uso contínuo Mecanismo de recuperação em caso de falhas (checkpoints) Monitoramento contínuo de performance RNF08 - Eficiência Computacional Redução de custo computacional em 15% via otimização Uso de mixed precision para treinos mais rápidos Quantização (FP32 para INT8) para reduzir tamanho do modelo Early stopping para evitar overfitting e desperdício de recursos Técnicas de kernel fusion e compilação XLA RNF09 - Satisfação do Usuário Taxa de satisfação (NPS) ≥ 80 Aumento de 20% na taxa de uso semanal da plataforma RNF10 - Explicabilidade O aluno deve entender por que cada atividade foi recomendada Sistema deve fornecer transparência nas recomendações.