@MASTERSTHESIS{ 2023:783958937, title = {Representa??o de dados heterog?neos em cen?rio de poucos dados aplicada a automa??o de teste de software atrav?s de redes siamesas}, year = {2023}, url = "https://tede.ufam.edu.br/handle/tede/10018", abstract = "O lan?amento de novas vers?es do sistema operacional Android induz os fabricantes de dispositivos m?veis a introduzirem suas pr?prias atualiza??es para garantir a compatibilidade e a qualidade do software. No entanto, para assegurar a sua qualidade, ? necess?rio conduzir testes rigorosos no mesmo, o que frequentemente implica em despesas crescentes. Desta forma, existe uma clara necessidade de automatizar ao m?ximo esse processo. Para isto, as empresas podem dispor de um framework que inclui uma s?rie de comandos de automa??o, destinados a realizar tarefas simples de teste. Nesse contexto, um operador ? encarregado de ler a descri??o de um caso de teste e selecionar o comando correspondente. Diante dessa problem?tica, o objetivo deste trabalho ? ajudar os operadores na busca por comandos, onde para cada passo de um caso de teste, procura-se o comando que executa esta a??o. Foram utilizados redes siamesas, combinadas com MLM (Masked Language Model), para representar tanto os passos quanto os comandos de automa??o no mesmo espa?o vetorial. Isso nos permite buscar comandos com base na similaridade de cosseno. Nos propomos a usar uma fun??o de perda que aproxime os passos de teste de seus comandos correspondentes, de modo que fiquem pr?ximos no espa?o latente de representa??o. Al?m disso, foi incorporado o uso da BLOOM, um modelo de linguagem, para gerar dados sint?ticos que auxiliam na busca por comandos quando n?o h? um par correspondente de passo de teste. Para representar os dados, foi utilizado o modelo RoBERTa e por fim, aplicado o LambdaMART para realizar uma fus?o de ranking nas sugest?es de classifica??o dadas nos rankings, criando assim um ranking enriquecido. Os resultados finais foram muito promissores em ambos os experimentos propostos, avaliados por meio das m?tricas MRR, MAP e HitRate, onde houve uma m?dia de 0.58 para o MRR no primeiro experimento e 0.31 no segundo experimento, concluindo que a proposta analisada ? eficaz ao recomendar os comandos corretos nas posi??es mais altas do ranking recomendado.", publisher = {Universidade Federal do Amazonas}, scholl = {Programa de P?s-gradua??o em Inform?tica}, note = {Instituto de Computa??o} }