Engenharia de Software Baseada em Busca na Era da IA

Descrição do Curso¶

A Engenharia de Software Baseada em Busca (SBSE) representa uma revolução na forma como abordamos problemas complexos da engenharia de software. Este curso pioneiro explora a interseção entre técnicas clássicas de otimização e as mais modernas ferramentas de Inteligência Artificial, capacitando estudantes a projetar soluções automatizadas que otimizam desde a geração de testes até a detecção de vieses em sistemas de IA.

Em uma era onde a IA permeia todos os aspectos do desenvolvimento de software, este curso oferece uma visão única sobre como algoritmos de busca podem potencializar sistemas inteligentes e, reciprocamente, como LLMs podem revolucionar a formulação e solução de problemas de SBSE.

Carga Horária: 30 horas-aula
Modalidade: Laboratórios práticos com desenvolvimento de projeto final

Estrutura do Curso¶

📚 Módulos do Curso¶

🎯 Objetivos do Curso¶

Objetivo Geral: Capacitar o aluno a projetar, implementar e validar soluções automatizadas que integrem SBSE com Inteligência Artificial, criando sistemas mais robustos, eficientes e éticos.

Competências Desenvolvidas:

• Formulação de problemas complexos de engenharia de software como problemas de busca

• Implementação de algoritmos genéticos e otimização multi-objetivo usando DEAP e Pymoo

• Integração de LLMs para auxiliar na formulação de funções de fitness e geração de heurísticas

• Desenvolvimento de sistemas de fairness testing para detectar vieses em modelos de IA

• Aplicação de técnicas de busca para otimização de prompts e hiperparâmetros

• Análise ética das implicações da otimização automatizada

🛠 Ferramentas e Tecnologias¶

Core Technologies:

• Python 3.12+ - Linguagem principal

• DEAP - Framework para algoritmos evolutivos

• Pymoo - Biblioteca para otimização multi-objetivo

• OpenAI API / Ollama - Integração com LLMs

Ambiente de Desenvolvimento:

• Jupyter Notebooks - Desenvolvimento interativo

• VS Code - IDE principal

• Google Colab - Execução em nuvem

• NotebookLM - Assistente para documentação

Bibliotecas Complementares:

• scikit-learn - Machine Learning

• matplotlib/seaborn - Visualização

• pandas/polars - Manipulação de dados

• pytest - Testes automatizados

📋 Avaliação¶

Requisitos do Projeto:

• ✅ Resolver um problema real de engenharia de software usando SBSE

• ✅ Integrar LLMs ou técnicas de IA de forma fundamental (não cosmética)

• ✅ Implementação em Python com bibliotecas do curso

• ✅ Jupyter Notebook completo com análise de resultados

• ✅ Vídeo de apresentação (máx. 15 minutos)

🗓 Cronograma Detalhado¶

Módulo 1: Fundamentos (Aulas 1-2)¶

• Aula 1: A Crise da Complexidade e SBSE como Solução

• Aula 2: Laboratório - Construindo um Algoritmo Genético do Zero

Módulo 2: Sinergia com IA (Aulas 3-5)¶

• Aula 3: Formulação de Problemas e Representações

• Aula 4: Laboratório com DEAP

• Aula 5: LLMs como Assistentes de Otimização

Módulo 3: Aplicações Tradicionais (Aulas 6-8)¶

• Aula 6: Teste Baseado em Busca (SBST) - Teoria

• Aula 7: Laboratório de SBST

• Aula 8: Refatoração Baseada em Busca

Módulo 4: SBSE para IA (Aulas 9-12)¶

• Aula 9: Fairness Testing em Modelos de ML

• Aula 10: Laboratório de Fairness Testing

• Aula 11: Otimização de Hiperparâmetros e Prompts

• Aula 12: Especificação do Projeto Final

Módulo 5: Tópicos Avançados (Aulas 13-14)¶

• Aula 13: Otimização Multi-Objetivo com Pymoo

• Aula 14: Ética e o Lado Sombrio da Otimização

Módulo 6: Projeto (Aulas 15-16)¶

• Período de desenvolvimento autônomo com suporte assíncrono

🚀 Como Utilizar Este Material¶

Estrutura de Diretórios¶

docs/aulas/
├── aula-01-introducao-sbse/          # Fundamentos da SBSE
├── aula-02-tecnicas-otimizacao-sbse/ # Algoritmos Genéticos na prática  
├── aula-03-formulacao-problemas/     # Representações e fitness
├── aula-04-laboratorio-deap/         # Framework DEAP
├── aula-05-sinergia-ia/              # LLMs + SBSE
├── aula-06-teste-baseado-busca/      # SBST teoria
├── aula-07-sbst-lab/                 # SBST laboratório
├── aula-08-refatoracao-busca/        # Refatoração automatizada
├── aula-09-fairness-testing-ml/      # Fairness em IA
├── aula-10-fairness-testing-lab/     # Laboratório fairness
├── aula-11-otimizacao-hiperparametros-prompts/ # Otimização IA
├── aula-12-projeto-final-especificacao/        # Projeto final
├── aula-13-otimizacao-multi-objetivo-pymoo/    # Multi-objetivo
├── aula-14-etica-lado-sombrio-otimizacao/      # Ética em SBSE
└── aula-15-16-projeto-final-desenvolvimento/   # Desenvolvimento

Para Educadores¶

Cada aula contém:

• 📄 README.md - Conteúdo teórico completo

• 📓 workshop.ipynb - Laboratório prático

• 📋 plano_aula.md - Objetivos e metodologia

Para Estudantes¶

1. Pré-requisitos: Python intermediário, conhecimento básico de ML

2. Setup: Instale as dependências com pip install -r requirements.txt

3. Execução: Execute os notebooks em ordem sequencial

4. Projeto: Desenvolva um projeto que integre SBSE + IA

📖 Bibliografia Essencial¶

Livros Fundamentais¶

• Harman, M. & Jones, B.F. - “Search-Based Software Engineering”

• Deb, K. - “Multi-Objective Optimization Using Evolutionary Algorithms”

• Luke, S. - “Essentials of Metaheuristics”

Artigos Seminais¶

• Harman, M. (2007). “The Current State and Future of Search Based Software Engineering”

• McMinn, P. (2004). “Search‐based software test data generation: a survey”

• Kessentini, M. et al. (2011). “Search‐based design defects detection and refactoring”

Recursos Modernos (SBSE + IA)¶

• Zhang, J. et al. (2023). “Large Language Models for Search-Based Software Engineering”

• Wang, S. et al. (2024). “Fairness Testing of Machine Learning Models with Search-Based Techniques”

• Chen, L. et al. (2024). “Prompt Engineering Optimization using Evolutionary Algorithms”

🤝 Contribuições¶

Este é um projeto educacional aberto. Contribuições são bem-vindas!

Como Contribuir¶

1. Fork este repositório

2. Crie uma branch para sua feature (git checkout -b feature/nova-aula)

3. Commit suas mudanças (git commit -am 'Adiciona nova aula sobre topic X')

4. Push para a branch (git push origin feature/nova-aula)

5. Abra um Pull Request

Tipos de Contribuições¶

• 🐛 Correções de bugs nos notebooks

• 📚 Melhorias na documentação

• 🆕 Novas aulas ou laboratórios

• 🔧 Otimizações de código

• 🌐 Traduções para outras línguas

📜 Licença e Reúso¶

Licença¶

Este projeto está licenciado sob a MIT License - veja o arquivo LICENSE para detalhes.

Reúso do Material¶

Este material foi desenvolvido como uma evolução moderna dos fundamentos clássicos de SBSE, integrando as mais recentes técnicas de IA:

Inspirações e Referências:

• 🌟 Curso original de SBSE: https://github.com/markuswagnergithub/SBSEcourse

• 👩‍🏫 Expertise acadêmica: Contribuições das Professoras Silvia Regina Vergilio e Aurora T. Ramirez Pozo

• 🔬 Pesquisa atual: Integração com literatura recente sobre SBSE + IA (2023-2025)

Política de Uso:

• ✅ Livre para uso educacional e comercial

• ✅ Modificações e redistribuições permitidas

• ✅ Atribuição requerida: Cite este repositório como fonte

• ✅ Contribuições encorajadas: Melhore o material para a comunidade

📞 Contato e Suporte¶

Autor Principal: Prof. Dr. Jackson Antonio do Prado Lima
Email: jacksonpradolima@gmail.com
GitHub: @jacksonpradolima

Para Dúvidas:

• 💬 Issues: Use as Issues do GitHub para dúvidas técnicas

• 📧 Email: Para questões acadêmicas ou colaborações

• 🐦 Discussões: Use as Discussions para compartilhar projetos

🌟 Agradecimentos¶

Agradecimentos especiais à comunidade internacional de SBSE e aos pioneiros que tornaram possível esta disciplina inovadora. Este curso representa um marco na educação em otimização de software, combinando tradição acadêmica com inovação tecnológica.

“Na interseção entre otimização clássica e inteligência artificial moderna, descobrimos novas fronteiras para resolver os problemas mais complexos da engenharia de software.”

🚀 Transformando Problemas Complexos em Soluções Otimizadas com IA 🤖