Detalhes bibliográficos
| Ano de defesa: |
2020 |
| Autor(a) principal: |
Silva Júnior, Silvan Ferreira da |
| Orientador(a): |
Martins, Allan de Medeiros |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Rio Grande do Norte
|
| Programa de Pós-Graduação: |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufrn.br/handle/123456789/31668
|
Resumo: |
O uso de bancos de dados relacionais está cada vez mais presente na indústria. Aplicações em medicina, IoT e Indústria 4.0 são exemplos disso. Apesar da grande capacidade e eficiência no armazenamento e recuperação de dados, esse tipo de banco de dados requer conhecimentos técnicos em linguagens de consulta específicas para o acesso a essas informações, o que afasta esses tipos de aplicativos do público não especializado. Neste trabalho, propomos uma aplicação de modelos recentes de Deep Learning em processamento de linguagem natural que utiliza mecanismos de atenção para tradução da linguagem natural em inglês para SQL aplicada a um banco de dados que armazena dados de sensores, com foco no conceito de Indústria 4.0. Exemplos pareados de frases de linguagem natural foram gerados com sua consulta SQL correspondente para serem usados para treinamento e validação. O modelo foi agnóstico em relação ao esquema de banco de dados, de forma que só lida com as sequências de entrada e saída independentemente da estrutura do banco de dados. Os dados vêm de historiadores de processo típico usado nos cenários industriais. Ao treinar a rede neural profunda, foi obtido um modelo de linguagem com uma precisão de aproximadamente 92% no conjunto de validação. |
