Delineo: Adaptação de Modelo de Difusão para Prototipagem de Interface de Usuário Guiada por Esboço

Matheus Mendes Silva; Edilson José Rodrigues

DOI: 10.22167/2675-6528-202603291

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A evolução da inteligência artificial e das redes neurais profundas revolucionou as interações humano-máquina. Modelos generativos, embora promissores para a síntese de imagens, enfrentam desafios na prototipagem de interfaces de usuário (UI) ao falhar em respeitar a estrutura espacial. Para solucionar essa divergência, propôs-se uma abordagem de difusão latente condicionada, integrando uma arquitetura de controle a um modelo de larga escala ajustado para interfaces móveis, que suportou esboços de UI para guiar a inferência de imagens. A base de dados de treinamento foi composta por aproximadamente 12.400 imagens de UI e esboços de fontes públicas, pré-processadas e enriquecidas com dados sintéticos e instruções textuais. A abordagem utilizou um modelo Stable Diffusion 3.5 Large como base, adaptado com ControlNet canny edges e um adaptador LoRA. A viabilidade da abordagem foi validada por avaliação quantitativa, empregando uma métrica de similaridade semântica normalizada (SSN) baseada em Sentence-BERT, e por análise qualitativa com 20 especialistas da indústria. Os resultados confirmaram que o método superou as capacidades do modelo original. Contudo, a avaliação evidenciou que a eficácia na estruturação lógica da interface ainda enfrentava degradação estética e perda de elementos funcionais. Concluiu-se que, embora a tecnologia comprove sua viabilidade técnica para otimizar a transição entre requisitos e a implementação de código, a automatização de processos criativos demanda aprimoramentos arquiteturais para atingir o rigor visual exigido pela indústria de desenvolvimento de software.

Palavras-chave: Adaptação de baixo posto; Aprendizado de máquina; Difusão latente condicionada; Redes neurais profundas.

1. Introdução

O processo de desenvolvimento de software passa por constantes mudanças, evoluindo para atender ao ritmo acelerado da indústria. Parte fundamental desse ciclo é a prototipagem de interface de usuário, que define a jornada do cliente e possibilita a validação dos requisitos antes da implementação (Al-Saqqa et al., 2020). Esta etapa apresenta grande abertura para exploração de metodologias baseadas em inteligência artificial, podendo potencializar o processo criativo e o aumento da produtividade. A evolução acelerada no campo da inteligência artificial e das redes neurais profundas revolucionou a forma como as interações humano-máquina se estabelecem nos últimos anos, com modelos generativos apresentando alta capacidade e fidelidade para a síntese de textos, imagens e vídeos a partir de instruções textuais.

A indústria moderna busca desenvolver sistemas inteligentes e interativos, tanto máquina-a-máquina quanto humano-máquina, impulsionando a automação de tarefas e processos realizados por humanos (Ismail e Hassan, 2019). Acompanhando essa tendência, os investimentos globais em inteligência artificial apresentaram crescimento notável em 2024, com 78% das organizações reportando o uso de inteligência artificial, conforme o AI Index Report 2025 da Universidade de Stanford (HAI, 2025). Nesse contexto, diversos estudos exploram a utilização de inteligência artificial generativa para automatizar etapas do ciclo de desenvolvimento de software, incluindo a criação de documentação, produção de código, automação de testes e elaboração de arquitetura de sistemas digitais (Beltramelli, 2018; He et al., 2025; Wan et al., 2025; Wang et al., 2024).

Apesar do avanço, a aplicação dessas tecnologias para a prototipagem de interfaces de usuário, além de pouco explorada, enfrenta desafios críticos. Modelos generativos frequentemente falham em respeitar a estrutura espacial idealizada, gerando uma divergência entre a expectativa e o resultado. Embora os modelos texto-para-imagem sejam ferramentas poderosas para geração de imagens, a entrada textual desempenha um papel fundamental nos resultados obtidos, e essa arquitetura pode gerar resultados imprecisos e instáveis por não permitir maior controle do usuário nas imagens geradas (Liu e Chilton, 2022; Mou et al., 2024). A maior parte dos estudos concentra-se na produção de código a partir de especificações textuais ou imagens de interface de usuário já elaboradas. O presente trabalho, em contraste, foca na etapa de concepção visual de UI, um processo que antecede o desenvolvimento de software subsequente (Lauff et al., 2018).

Considerando a natureza visual das interfaces, a automação da prototipagem de UI exige arquiteturas de redes neurais capazes de compreender e sintetizar layouts respeitando hierarquias visuais complexas. Modelos de redes neurais profundas, como os modelos de difusão latente, destacam-se por seu desempenho equiparável ao estado da arte e maior eficiência computacional (Rombach et al., 2022). Nesse contexto, a pesquisa baseia-se em metodologias de geração condicionada de imagens, ancorando o processo de inferência em uma imagem de referência (Couairon et al., 2023; Mou et al., 2024; Zhang et al., 2023; Zhao et al., 2023). Essa abordagem permite que a rede treinada suporte esboços de interfaces de usuário para guiar a inferência das imagens, diferentemente de métodos que dependem exclusivamente de texto.

Para solucionar a divergência entre a expectativa e o resultado gerado, este estudo propõe uma abordagem de difusão latente condicionada, integrando uma arquitetura de controle a um modelo de larga escala ajustado especificamente para o domínio de interfaces móveis. A viabilidade técnica da abordagem é comprovada para otimizar a transição entre requisitos e a implementação de código, embora a automatização de processos criativos ainda demande aprimoramentos arquiteturais para atingir o rigor visual exigido pela indústria de desenvolvimento de software. Diante do exposto, o presente trabalho tem como objetivo adaptar modelos de difusão latente para a geração de protótipos de alta fidelidade através de treinamento suplementar, utilizando tecnologias de código aberto e bancos de dados disponibilizados publicamente. A hipótese é que os adaptadores desenvolvidos superem as capacidades do modelo base original, garantindo maior qualidade visual e fidelidade estrutural ao esboço de referência.

2. Material e Métodos

O presente estudo adotou uma abordagem metodológica mista, caracterizada como pesquisa aplicada e experimental, visando adaptar modelos de difusão latente para a prototipagem de interfaces de usuário (UI) de alta fidelidade. A investigação focou no ecossistema móvel para otimizar o processo de inferência e reduzir o custo computacional, dada a menor dimensão das telas e a simplificação das estruturas hierárquicas.

A base de dados de treinamento foi composta por aproximadamente 12.400 imagens de UI e esboços, provenientes de conjuntos de dados públicos como MUD (Feng et al., 2024), VINS (Bunian et al., 2021) e SWIRE (Huang et al., 2019). A base Rico (Deka et al., 2017) foi referenciada, mas não utilizada diretamente devido a inconsistências em seus metadados. Uma etapa de pré-processamento filtrou amostras indesejadas (anúncios, “iframes”, texto não latino, capturas horizontais, barra de notificação) e gerou dados sintéticos. Scripts Python, utilizando OpenCV (Bradski, 2000), processaram metadados de hierarquia de componentes para desenhar esboços com fundo preto e traços brancos, aos quais foram adicionadas pequenas distorções e ruídos aleatórios. As imagens foram redimensionadas para 720 por 1280 pixels, e instruções textuais complementares foram geradas via API “Gemini 2.0 Flash” (Google, 2025) com um “system prompt” padronizado.

O ambiente de desenvolvimento e treinamento utilizou Python e um ecossistema de software livre, incluindo bibliotecas como PyTorch (Paszke et al., 2019), Diffusers (von Platen et al., 2022), Transformers (Wolf et al., 2020) e Accelerate (Gugger et al., 2020). A infraestrutura computacional consistiu em uma unidade de processamento gráfico (GPU) NVIDIA A100 com 80 GB de memória de vídeo, alocada por meio de serviço de computação em nuvem. Os scripts desenvolvidos encontram-se disponíveis publicamente.

O modelo de difusão base selecionado foi o “Stable Diffusion 3.5 Large” (Rombach et al., 2022), empregando um treinamento suplementar com parâmetros congelados para otimizar o consumo de memória. Sua arquitetura “multimodal diffusion transformer”, com codificador de texto T5 (Raffel et al., 2020), foi utilizada para compreensão semântica. Para condicionar a geração de imagens com informações espaciais adicionais, adaptou-se uma rede “ControlNet canny edges” (Zhang et al., 2023) por meio de treinamento suplementar. Este módulo, acoplado ao modelo base, delegou a estrutura espacial à rede de controle. O treinamento do ControlNet utilizou a base de dados de aproximadamente 12.400 imagens, com resolução de 1024 por 1024 pixels, precisão numérica bf16, otimizador 8-bit Adam, taxa de aprendizado de 10^-5, tamanho de lote efetivo de 32 e 18 épocas.

Um adaptador de baixo posto (LoRA) (Hu et al., 2022) foi integrado ao pipeline para aprimorar a consistência estética e a qualidade visual. Para o treinamento do LoRA, foram coletadas manualmente 156 imagens de UIs modernas de repositórios especializados em design. O conjunto de dados passou por pré-processamento para padronizar o tamanho das imagens e reduzir a discrepância de representatividade das categorias, aplicando sobreamostragem controlada. Os hiperparâmetros para o treinamento do LoRA incluíram a arquitetura “Stable Diffusion 3.5 Large”, rank de 64, resolução de 1024 por 1024 pixels, precisão numérica bf16, taxa de aprendizado de 10^-4 para a rede “Transformer” e 10^-5 para os codificadores de entrada textual, com 1000 passos de treinamento e 150 passos de aquecimento.

A avaliação quantitativa foi realizada comparando a instrução textual original com uma descrição textual da imagem gerada, utilizando a técnica Sentence-BERT (Reimers e Gurevych, 2019) para calcular a Similaridade Semântica Normalizada (SSN). Um subconjunto independente de 44 amostras foi empregado, gerando dez imagens por par de esboço e instrução textual com “seeds” fixas. A métrica SSN foi calibrada com limites empíricos mínimos (tmin) e máximos (tmax), definidos a partir de distribuições de similaridade SBERT, e escalonada via Min-Max para um intervalo de zero a um.

A avaliação qualitativa envolveu 20 profissionais das áreas de UI/UX design e desenvolvimento “frontend”, com experiência mínima de três anos, residentes no Brasil ou nos Estados Unidos. Um questionário estruturado, anônimo e online, com seis blocos de avaliação e escala Likert de cinco pontos (Likert, 1932), foi aplicado para analisar a qualidade estética, fidelidade estrutural e utilidade prática. A seleção das amostras para esta etapa foi intencional, baseada nos resultados da métrica SSN e na disponibilidade de recursos humanos, garantindo a anonimidade dos participantes.

3. Resultados e Discussão

A pesquisa empregou uma abordagem de difusão latente condicionada, ajustada para interfaces móveis, e sua viabilidade foi avaliada por meio de métodos quantitativos e qualitativos. Os resultados gerais indicaram que o método proposto superou as capacidades do modelo base original, demonstrando eficácia na estruturação lógica da interface. Contudo, a avaliação também revelou desafios persistentes relacionados à degradação estética e à perda de elementos funcionais em cenários mais complexos, o que aponta para a necessidade de aprimoramentos arquiteturais para atender ao rigor visual da indústria de desenvolvimento de software.

Similaridade dos “embeddings” SBERT

A Similaridade Semântica Normalizada (SSN) foi calculada para 440 amostras de interfaces de usuário, abrangendo diversos tipos. A análise estatística consolidada desses resultados, apresentada em

, revelou uma mediana global de 0,7928, indicando que o modelo capturou a intenção da instrução textual na maioria das inferências. No entanto, a média global de 0,6181 e um desvio padrão expressivo de 0,4021 destacaram a natureza estocástica do processo de geração e a inconsistência entre interfaces de diferentes níveis de complexidade.

A distribuição de frequência dos resultados da SSN, ilustrada em

, complementa essa observação, evidenciando a variabilidade inerente na escolha dos “tokens” pelo modelo multimodal responsável pelas descrições textuais das UIs. Essa variabilidade é um fator crucial que influencia a consistência e a qualidade das imagens geradas, reforçando a necessidade de uma análise cuidadosa dos resultados em diferentes contextos de complexidade de interface.

Para adaptar a métrica ao domínio específico de interfaces de usuário, foram estabelecidos limites empíricos mínimos e máximos. O limite superior empírico (Tmax) foi definido como o 10° percentil da distribuição de similaridade de cosseno entre descrições textuais da mesma amostra, conforme ilustrado em

. Esse valor, de 0,81, estabeleceu um teto conservador, indicando que 90% das descrições ideais superam essa nota de corte e evitando penalizar a arquitetura generativa por flutuações linguísticas normais.

Em contrapartida, o limite inferior empírico (Tmin) foi estabelecido no 75° percentil da distribuição de similaridade de cosseno entre pares aleatórios descombinados, conforme demonstrado em

. Esse valor, de 0,46, visou definir um nível mínimo de similaridade decorrente do ruído intrínseco ao domínio, atribuído ao vocabulário limitado na descrição de UIs. Pontuações abaixo desse limiar indicam que a amostra não superou a linha de base do vocabulário genérico, falhando em reproduzir a estrutura mínima solicitada.

A Similaridade Semântica Normalizada (SSN) foi calculada utilizando uma técnica de escalonamento Min-Max, aliada a um mecanismo de limitação rígida. Essa abordagem garante que a métrica final seja distribuída em um intervalo interpretável de 0 a 1, onde valores brutos menores ou iguais ao limite inferior resultam em zero, e valores que atingem ou superam o teto empírico recebem a nota máxima. Essa função penaliza rigorosamente as amostras ruidosas e evita uma busca irrealista por resultados idênticos.

Os percentis de 10% e 25% da SSN registraram o valor mínimo de zero, o que corrobora empiricamente que pelo menos 25% dos testes de inferência fracassaram. Esse resultado é um reflexo direto do mecanismo de corte da normalização SSN e da natureza estocástica do processo de geração, onde uma mesma entrada pode gerar desempenhos opostos dependendo da “seed” utilizada. Tal comportamento volátil e polarizado é consistente com achados em estudos correlatos (Avrahami et al., 2024; Ho et al., 2020; Xu et al., 2023).

A instabilidade observada nos resultados da SSN reafirma a importância prática de gerar imagens com múltiplas “seeds” e aplicar um corte rigoroso de aderência semântica antes de submeter os resultados à avaliação humana. Essa estratégia permite filtrar amostras que apresentem apenas similaridade artificial com as instruções textuais originais. A análise dos resultados da métrica SSN foi fundamental para identificar falhas de geração e resultados com maior coerência semântica, orientando a seleção manual de seis amostras de alta fidelidade para a avaliação qualitativa.

Avaliação dos profissionais da indústria

A avaliação qualitativa envolveu 20 profissionais das áreas de UI/UX design e desenvolvimento frontend, com experiência mínima de três anos na indústria de software. A maioria dos participantes (65%) atuava como desenvolvedores frontend, enquanto 35% se identificaram como UI/UX designers. A distribuição geográfica indicou 70% dos participantes no Brasil e 30% nos Estados Unidos, refletindo a abrangência da pesquisa. Um dado notável foi a alta adoção de inteligência artificial na rotina de trabalho, com 80% relatando uso diário e 20% uso regular semanal, e 85% já haviam aplicado soluções de IA para geração de mockups ou protótipos de UI.

Os participantes avaliaram seis critérios distintos utilizando uma escala Likert de cinco pontos, cujas afirmações foram codificadas de Q1 a Q6. As respostas foram agrupadas em “satisfatório” (concordo e concordo fortemente), “pouco satisfatório” (neutro) e “nada satisfatório” (discordo e discordo fortemente). Essa categorização permitiu uma interpretação clara do desempenho do modelo em relação a cada critério, validando a adequação do grupo de especialistas como juízes técnicos para a pesquisa.

A afirmação Q1, que avaliou a precisão com que a UI reflete o contexto funcional desejado, demonstrou que 77% das amostras apresentaram um desempenho satisfatório. Esse resultado atesta a capacidade do modelo em compreender o contexto funcional das solicitações na grande maioria dos cenários avaliados. Contudo, a polarização observada em algumas UIs, como a ilustrada em

, onde se concentrou um índice de 28,6% de desaprovação, indica que a arquitetura pode apresentar falhas de compreensão semântica dependendo das nuances da instrução textual ou do contexto funcional da aplicação.

A análise da afirmação Q2, que avaliou a fidelidade estrutural ao esboço original, revelou um comportamento diretamente relacionado à densidade visual da interface. Interfaces de baixa complexidade, como as telas de login e onboarding, exemplificadas em

e

, alcançaram aprovação de 85,7% e 81%, respectivamente. Esse resultado demonstra que o modelo respeitou os limites do esboço fornecido sem grandes desvios estruturais, o que é crucial para a prototipagem de UI.

Em contraste, as amostras de maior complexidade receberam entre 52,4% e 61,9% de classificações de desempenho satisfatório para a afirmação Q2. Esse menor nível de satisfação evidencia que a adequação da estrutura geométrica não foi totalmente eficaz em cenários mais complexos, sendo penalizada de acordo com a expectativa e o nível de rigor técnico dos avaliadores. Isso sugere que, embora o modelo seja promissor para layouts mais simples, ainda precisa de aprimoramentos para lidar com a complexidade visual e hierárquica de interfaces mais elaboradas.

No contexto da viabilidade técnica das UIs geradas, a afirmação Q5, que mediu a facilidade de implementação em código, registrou um índice de aprovação médio de 78,6%, com o desempenho nada satisfatório variando entre 0% e 19% entre as amostras avaliadas. Esse resultado evidencia que o pipeline generativo desenvolvido consegue estabelecer uma arquitetura de componentes bem definida e uma organização estrutural lógica. Sob a ótica da engenharia de frontend, as UIs geradas entregam fundações consistentes que reduzem o atrito na implementação do código de linguagens de programação ou marcação, otimizando a transição entre requisitos e a implementação.

Em contrapartida, os itens direcionados ao refinamento visual e à organização da informação, representados pelas afirmações Q3 (eficácia da hierarquia visual) e Q4 (qualidade estética geral), apresentaram um declínio evidente. As avaliações concentraram os maiores índices de reprovação, atingindo 21,4% e 19,8% de desempenho nada satisfatório em média, acompanhados de 22,2% e 21,4% para pouco satisfatório, respectivamente. A amostra ilustrada em

marcou o ápice da reprovação do critério Q3, com 42,9% para desempenho nada satisfatório e 23,8% para pouco satisfatório.

Nesse caso específico, o modelo suprimiu elementos críticos para o contexto de e-commerce delineados no esboço original e nas instruções textuais, como a barra de busca e o botão para salvar o produto. Além disso, introduziu artefatos textuais deformados, comprometendo a integridade visual e desviando a interface do padrão de qualidade exigido na área de design. Essa divergência demonstra um comportamento avaliativo rigoroso por parte dos profissionais, que penalizam o modelo sempre que tipografias embaralhadas ou omissões estruturais prejudicam a clareza comunicacional da UI ou a experiência do usuário.

Como item final, a afirmação Q6, que avaliou a qualidade das UIs geradas de acordo com as expectativas profissionais, registrou uma média global de 50,8% para o desempenho considerado satisfatório, 16,7% para pouco satisfatório e 32,5% para nada satisfatório. A segmentação das respostas revelou uma polarização de percepções: o grupo de engenheiros de frontend demonstrou maior tolerância às anomalias visuais, com 61,9% de aprovação contra 23,8% de rejeição, possivelmente valorizando a agilidade na estruturação inicial dos componentes. Já o grupo de UI/UX designers apresentou um índice de rejeição de 50% em média, com apenas 28,6% de avaliações de desempenho satisfatório.

Essa interpretação qualitativa dos resultados evidencia que a perda de fidelidade aos esboços e a degradação estética impactam fortemente o trabalho dos especialistas em UI/UX design, sendo barreiras mais sensíveis para esses profissionais. Compreender esses fatores é essencial para mapear as limitações atuais do modelo, representando pontos de melhoria cruciais para viabilizar a adoção plena dessa tecnologia em fluxos de trabalho criativos do ciclo de desenvolvimento de software, alinhando a agilidade técnica ao rigor visual exigido pela indústria.

Comparativo com o estado da arte

Para fins de comparação com modelos multimodais de referência disponíveis comercialmente, foram realizados testes de inferência utilizando as mesmas amostras submetidas à avaliação dos profissionais. Foram testados o modelo “Gemini 2.5-flash-image” da Google (Google, 2025), o modelo “gpt-image-1.5” da OpenAI (OpenAI, 2026) e o modelo base original utilizado no estudo, “Stable Diffusion 3.5 Large” (Rombach et al., 2022). O comparativo, ilustrado em

, demonstra que os resultados gerados pelo Delineo superam as capacidades do modelo base original em prototipagem de UI.

Quando comparado com os modelos mais poderosos do mercado, como Gemini 2.5-flash-image e gpt-image-1.5, a capacidade do Delineo para geração da estrutura é equiparável. A estética, por outro lado, mostra-se mais próxima dos padrões da indústria, com um aspecto moderno e mais profissional do que os resultados gerados pelos outros modelos. Esse comparativo atesta a eficiência do adaptador de baixo posto (LoRA) como parte essencial da estrutura do pipeline criado, responsável por adicionar nuances estilísticas e características específicas sem necessitar de um grande volume de dados (Hu et al., 2022; Gandikota et al., 2024; Wu et al., 2024).

Por outro lado, os modelos da Google e OpenAI demonstraram menor esquecimento dos elementos solicitados nas instruções e no esboço, além de uma capacidade de raciocínio mais profundo. Notou-se que esses modelos mais robustos conseguem elaborar o conteúdo de elementos textuais relevantes e adicionar elementos não especificados originalmente, mas que são comuns dentro do contexto semântico da UI. Essa capacidade de inferência mais avançada sugere que, embora o Delineo seja eficaz na estruturação, ainda há espaço para aprimoramento na inteligência contextual e na geração de conteúdo textual.

Em síntese, a pesquisa demonstrou a viabilidade técnica da adaptação de modelos de difusão latente para a prototipagem de interfaces de usuário guiada por esboços, superando o desempenho do modelo base original. Os resultados quantitativos da métrica SSN confirmaram a capacidade do modelo em capturar a intenção semântica das instruções, enquanto a avaliação qualitativa com especialistas da indústria validou a utilidade prática da ferramenta e sua capacidade de gerar fundações consistentes para a implementação de código. Contudo, as análises também evidenciaram que a automatização de processos criativos ainda demanda aprimoramentos arquiteturais para atingir o rigor visual e a fidelidade estética exigidos pela indústria de desenvolvimento de software, especialmente em cenários de maior complexidade visual e hierárquica.

4. Conclusão

O estudo buscou adaptar modelos de difusão latente para a geração de protótipos de alta fidelidade, por meio de treinamento suplementar, utilizando tecnologias de código aberto e bancos de dados publicamente disponíveis. Verificou-se que a abordagem de difusão latente condicionada, que integrou uma arquitetura de controle e um adaptador de baixo posto a um modelo de larga escala, superou as capacidades do modelo base original na prototipagem de interfaces de usuário móveis. A avaliação quantitativa, por meio da Similaridade Semântica Normalizada (SSN), indicou que o modelo capturou a intenção semântica das instruções textuais na maioria das inferências. Adicionalmente, a análise qualitativa com especialistas da indústria confirmou a viabilidade prática da ferramenta, especialmente na estruturação lógica da interface e na capacidade de gerar fundações consistentes para a implementação de código, otimizando a transição entre requisitos visuais e a codificação.

Contudo, a avaliação também evidenciou limitações significativas, como a degradação estética e a perda de elementos funcionais em interfaces de maior complexidade, além de falhas na geração de tipografia e na supressão de elementos críticos. Observou-se que a eficácia na estruturação lógica da interface ainda não atinge o rigor visual exigido pela indústria de desenvolvimento de software, com uma polarização nas expectativas dos profissionais, onde designers de UI/UX demonstraram menor tolerância a anomalias visuais. A instabilidade nos resultados da SSN, com uma parcela considerável de falhas de inferência, reforça a natureza estocástica do processo. Sugere-se que estudos futuros explorem aprimoramentos arquiteturais para refinar a qualidade estética e a fidelidade estrutural em cenários complexos, bem como investiguem técnicas que demandem menor volume de dados para mitigar a escassez de bases de dados de UIs modernas.

Referências Bibliográficas

Al-Saqqa, S.; Sawalha, S.; Abdel-Nabi, H. 2020. Agile software development: methodologies and trends. International Journal of Interactive Mobile Technologies 14(11): 246.

Beltramelli, T. 2018. Pix2code: generating code from a graphical user interface screenshot. In: Proceedings of the EICS ’18: ACM Symposium on Engineering Interactive Computing Systems, 2018, Paris, França. Anais… p. 1-6.

He, J.; Treude, C.; Lo, D. 2025. LLM-based multi-agent systems for software engineering: literature review, vision, and the road ahead. ACM Transactions of Software Engineering and Methodology 34(5): 164-193.

Ismail, A.A.; Hassan, R. 2019. Technical competencies in digital technology towards industrial revolution 4.0. Journal of Technical Education and Training 11(3): 55-62.

Stanford Institute for Human-Centered Al [HAI]. 2025. The Al index 2025 annual report. Disponível em <https://hai.stanford.edu/assets/files/hai_ai_index_report_2025.pdf>. Acesso em 24 out. 2025.

Wan, Y.; Wang, C.; Dong, Y.; Wang, W.; Li, S

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy