Mitigando Concept drift em modelos para predição de tempo de execução de Jobs

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorViterbo Filho, José-
Autor(es): dc.contributorDrummond, Lúcia Maria de Assumpção-
Autor(es): dc.contributorNunes, Alan Lira-
Autor(es): dc.creatorSantos, Bernardo Gallo Victorino dos-
Data de aceite: dc.date.accessioned2025-08-21T20:14:57Z-
Data de disponibilização: dc.date.available2025-08-21T20:14:57Z-
Data de envio: dc.date.issued2025-02-03-
Data de envio: dc.date.issued2025-02-03-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/36301-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1057547-
Descrição: dc.descriptionEste trabalho aborda a mitigação do Concept Drift em modelos de aprendizado de máquina aplicados à predição de tempo de execução de jobs em sistemas de HPC. Foi desenvolvido um framework adaptativo capaz de lidar com mudanças dinâmicas nos dados, utilizando logs do SLURM da Petrobras. Experimentos comprovaram que estratégias de re-treinamento periódico e janelas de treinamento otimizadas melhoram significativamente as métricas de desempenho, como MAE e MAPE.-
Descrição: dc.descriptionThis work addresses the mitigation of concept drift in machine learning models applied to predicting job execution times in HPC systems. An adaptive framework was developed to handle dynamic data changes, using SLURM logs from Petrobras. Experiments confirmed that periodic retraining strategies and optimized training windows significantly improve performance metrics such as MAE and MAPE.-
Descrição: dc.description33 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectConcept Drif-
Palavras-chave: dc.subjectComputação de alto desempenho-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectAnálise de desempenho-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectHigh perfomance computing-
Título: dc.titleMitigando Concept drift em modelos para predição de tempo de execução de Jobs-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.