Daniella Lopez Vale; Daniele Aparecida Cicillini Pimenta

DOI: 10.22167/2675-6528-202600700

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

Desenvolveu-se o LabPlanner, uma aplicação web para planejamento experimental baseada em arquitetura híbrida com microserviços. O sistema integrou o Design of Experiments (DOE) a tecnologias modernas de engenharia de software, sendo implementado em Python e implantado em ambiente de nuvem. O objetivo foi oferecer uma alternativa acessível, escalável e eficiente para planejamento experimental, democratizando o acesso a ferramentas estatísticas e alinhando-se às práticas contemporâneas de engenharia de software e computação em nuvem. A metodologia envolveu o desenvolvimento da aplicação com orquestração em contêineres e implantação no Google Cloud Run, com o auxílio de inteligência artificial generativa. A validação ocorreu por meio de testes automatizados e comparação com o software Chemoface. Os resultados demonstraram a geração correta de matrizes experimentais e equivalência estatística com ferramentas consolidadas, além de funcionalidades de análise estatística como regressão e ANOVA. A aplicação sustentou até 100 usuários virtuais simultâneos sem falhas, processando aproximadamente 19 mil requisições com taxa média de 159,51 requisições por segundo e baixa latência. Concluiu-se que o LabPlanner representa uma contribuição relevante para a democratização do planejamento experimental, unindo rigor científico e desenvolvimento tecnológico em uma solução prática e escalável, com potencial transformador no contexto da Indústria 5.0.

Palavras-chave: APIs REST; Arquitetura Cloud-Native; Computação em Nuvem; Design of Experiments; Microserviços.

1. Introdução

O Planejamento de Experimentos (DOE) é uma abordagem estatística crucial para investigar a influência de variáveis sobre respostas de interesse, sendo amplamente empregado na otimização de processos em diversos setores. Diferentemente da variação de um fator por vez, o DOE permite a investigação simultânea de efeitos principais, interações e superfícies de resposta. Essa capacidade proporciona maior eficiência experimental, reduz custos e aumenta a robustez analítica dos estudos. A metodologia permanece central em aplicações acadêmicas e industriais, abrangendo planejamentos fatoriais, compostos centrais e Box-Behnken (Montgomery, 2017; Box et al., 2005; Lamidi et al., 2024).

A aplicação prática do DOE, contudo, depende de ferramentas computacionais adequadas. Historicamente, softwares estatísticos e quimiométricos especializados têm sido essenciais para gerar matrizes experimentais, ajustar modelos matemáticos e interpretar resultados. O Chemoface, por exemplo, é uma ferramenta gratuita e amplamente utilizada, mas sua instalação local e dependência de ambiente específico limitam o acesso. Por outro lado, plataformas proprietárias como o Statistica, embora robustas, impõem restrições de licenciamento e instalação, dificultando o uso em contextos acadêmicos com orçamentos limitados (Duraković, 2017).

Esse cenário evidencia uma lacuna: a falta de ferramentas robustas para planejamento e análise experimental que conciliem gratuidade, acesso via navegador, facilidade de manutenção, portabilidade e escalabilidade. Essa limitação é crítica no ambiente acadêmico, onde a diversidade de equipamentos e a necessidade de soluções sem instalação local são frequentes. Aplicações web científicas surgem como alternativa promissora, pois eliminam a necessidade de instalação, permitem atualizações centralizadas e ampliam o alcance das ferramentas, facilitando a colaboração (Prlić e Procter, 2012; Dudley & Butte, 2010; Armbrust et al., 2010; Grossman, 2018).

O desenvolvimento de aplicações web científicas modernas demanda a incorporação de princípios de engenharia de software como modularidade, portabilidade e escalabilidade. Arquiteturas baseadas em microserviços favorecem o isolamento funcional e a escalabilidade independente, e arquiteturas híbridas oferecem um equilíbrio para aplicações científicas. Os princípios da arquitetura dos doze fatores também são importantes para sistemas escaláveis e portáteis (Wiggins, 2012). Além disso, práticas como Test-Driven Development (TDD) e Integração Contínua/Entrega Contínua (CI/CD) garantem qualidade e evolução contínua (Shahin et al., 2017).

No contexto de infraestrutura, o uso de contêineres (Docker) com plataformas “serverless”, como o Google Cloud Run, tem se mostrado eficiente para implantação de aplicações escaláveis. Contêineres garantem portabilidade e isolamento, enquanto o modelo “serverless” oferece execução sob demanda e escalabilidade automática, simplificando a gestão de infraestrutura e otimizando custos (Burns e Borenstein, 2021). Paralelamente, a inteligência artificial generativa (GenAI) tem crescido como apoio ao desenvolvimento de software, acelerando tarefas, reduzindo repetições e permitindo foco em arquitetura e inovação (Jackson et al., 2024).

Nesse contexto, o desenvolvimento de uma aplicação web gratuita para planejamento de experimentos representa uma contribuição significativa para a democratização do acesso a métodos estatísticos avançados. Assim, o objetivo deste trabalho foi desenvolver e avaliar o LabPlanner, uma aplicação web com arquitetura escalável baseada em microserviços, para planejamento experimental, capaz de gerar planejamentos com execução em contêineres e implantação em nuvem, oferecendo uma alternativa acessível, escalável e cientificamente robusta às soluções existentes, integrando estatística experimental, ciência de dados e engenharia de software contemporânea.

2. Material e Métodos

O presente trabalho consistiu no desenvolvimento, implementação e validação de uma aplicação web para planejamento experimental, denominada LabPlanner. O estudo foi conduzido integralmente em ambiente computacional, caracterizando-se como um desenvolvimento tecnológico aplicado, sem a realização de experimentos laboratoriais. A aplicação foi implementada utilizando a linguagem de programação Python, com o objetivo de oferecer uma alternativa acessível e escalável para planejamento experimental.

A arquitetura do sistema foi projetada de forma híbrida, combinando características de sistemas monolíticos e microsserviços para equilibrar simplicidade estrutural e escalabilidade. A organização lógica e física do LabPlanner foi estruturada em três camadas principais: o “frontend” (interface do usuário), o “backend” (orquestrador de serviços) e um microserviço dedicado ao planejamento experimental, denominado DOE Service. Essa abordagem modular foi inspirada no padrão Model-View-Controller (MVC) simplificado, visando clareza e separação de responsabilidades.

O “backend” e o DOE Service foram desenvolvidos utilizando o framework FastAPI, que possibilitou a construção de APIs REST de alto desempenho. Essa escolha garantiu interoperabilidade, facilidade de integração, alta performance, suporte nativo à tipagem de dados e geração automática de documentação. Os modelos de dados ExperimentRequest e ExperimentResponse foram definidos com Pydantic, assegurando a validação das requisições e a padronização das respostas no formato JSON. A geração dos planejamentos experimentais foi realizada por meio da biblioteca pyDOE2, que implementa metodologias clássicas de planejamento (Montgomery, 2017), incluindo a codificação e transformação dos níveis dos fatores.

O “frontend” foi implementado utilizando a biblioteca Flet, com o propósito de fornecer uma interface visual simples, responsiva e de fácil utilização, sem a necessidade de instalação local. Essa abordagem permitiu a construção de aplicações web reativas diretamente em Python, abstraindo a necessidade de uso explícito de HTML, CSS e JavaScript. O “frontend” manteve exclusivamente a lógica de apresentação, delegando toda a lógica de negócio e processamento estatístico ao “backend” e ao microserviço de planejamento.

O fluxo principal da aplicação iniciou-se com a entrada de parâmetros experimentais pelo usuário no “frontend”, como número de fatores, níveis mínimo e máximo, número de replicatas e pontos centrais. Esses dados foram enviados ao “backend” via requisição POST, onde foram validados e estruturados antes de serem encaminhados ao DOE Service. O DOE Service processou as informações, gerou a matriz experimental correspondente e retornou os resultados ao “backend”, que os organizou, armazenou e disponibilizou ao usuário.

Os dados gerados pela aplicação, incluindo parâmetros de entrada, a matriz experimental e metadados, foram armazenados em formato JSON. Em ambiente local, os dados foram persistidos em diretórios internos da aplicação. Para o ambiente de produção, utilizou-se um serviço de armazenamento em nuvem (Cloud Storage), montado como volume no sistema de arquivos da aplicação durante a execução, para contornar as limitações de persistência de dados em ambientes “serverless”.

Para garantir portabilidade, isolamento de dependências e reprodutibilidade, cada componente do sistema foi empacotado em um contêiner Docker independente. Foram desenvolvidos três arquivos Dockerfile distintos para o “frontend”, “backend” e “DOE Service”, todos baseados na imagem oficial `python:3.11-slim`. A execução integrada dos serviços em ambiente local foi realizada por meio do Docker Compose, que definiu as dependências e a comunicação entre os componentes. O “deploy” da aplicação em ambiente de nuvem foi realizado utilizando o serviço Google Cloud Run, permitindo a execução escalável e sob demanda.

O desenvolvimento do sistema foi assistido por inteligência artificial generativa, utilizando ferramentas como o ChatGPT como apoio cognitivo ao programador, visando maior agilidade, precisão e foco na arquitetura do sistema. Adicionalmente, práticas modernas de engenharia de software, como Test-Driven Development (TDD) e pipelines de Integração Contínua e Entrega Contínua (CI/CD), foram adotadas para garantir a qualidade, confiabilidade e evolução contínua do software.

Os testes do sistema foram conduzidos em duas etapas complementares: em ambiente local, utilizando Docker Compose, e em ambiente de produção, após a implantação na nuvem. Na fase local, avaliaram-se funcionalidades como criação de experimentos, geração de matrizes fatoriais, comunicação entre serviços e persistência de dados. Na fase de produção, focou-se na validação do comportamento do sistema em condições reais de uso, incluindo latência de resposta e consistência dos dados. Testes de integração verificaram o fluxo completo da aplicação, desde a entrada de dados até o armazenamento dos experimentos, e problemas identificados foram corrigidos por meio de ajustes na serialização e tratamento das respostas da API.

A validação da implementação do planejamento experimental foi realizada por meio da comparação com o software Chemoface (versão 1.74), utilizando a técnica de planejamentos fatoriais completos com 2 fatores e 3 replicatas do ponto central. Analisaram-se o número de ensaios, a combinação de níveis e a consistência das matrizes experimentais geradas. O desempenho do sistema foi avaliado pela medição do tempo de resposta da API `/doe/generate` (FastAPI). Realizaram-se 5 requisições de aquecimento e 30 requisições consecutivas, registrando o tempo em milissegundos com a função `perf_counter()` da linguagem Python. As métricas calculadas incluíram tempo médio, mediana, valores mínimo e máximo, além dos percentis P95 e P99. O payload para esses testes foi um planejamento fatorial completo do tipo 2^3, com três fatores, dois pontos centrais e uma replicata.

A escalabilidade do LabPlanner foi avaliada por meio de testes de carga com a ferramenta k6, utilizando a rota `/doe/generate`. O ensaio foi realizado com aumento progressivo de concorrência em quatro estágios de 30 segundos cada, correspondentes a 10, 50, 100 e 0 usuários virtuais. O payload empregado correspondeu a um planejamento fatorial completo do tipo 2^3, com dois pontos centrais e uma replicata. Coletaram-se métricas de número total de requisições, requisições por segundo (throughput), duração das requisições HTTP e taxa de falhas. Os dados foram exportados em formato CSV e posteriormente analisados em Python, utilizando as bibliotecas pandas e matplotlib para geração de gráficos de latência e throughput ao longo do tempo.

O desenvolvimento do sistema utilizou Python 3.12, com suporte das bibliotecas FastAPI, Flet, pyDOE2, numpy, scipy, matplotlib e httpx. As ferramentas de desenvolvimento incluíram Visual Studio Code (versão 1.105.1), Docker Desktop (versão 28.3.2) e Google Cloud SDK (versão 546.0.0). Dessa forma, o método adotado neste trabalho combinou fundamentos estatísticos consolidados com práticas modernas de engenharia de software, incluindo modularidade, contêinerização e computação em nuvem, resultando em uma aplicação web reprodutível, escalável e acessível para planejamento experimental.

3. Resultados e Discussão

O LabPlanner foi desenvolvido e implementado com sucesso como uma aplicação web funcional, dedicada ao planejamento experimental, que permite a criação, armazenamento e manipulação de experimentos por meio de uma interface acessível via navegador. A aplicação demonstrou capacidade de operar eficientemente tanto em ambiente local quanto em produção na nuvem, mantendo a consistência funcional e a integridade dos dados ao longo de todo o fluxo de utilização. Essa dualidade de operação ressalta a versatilidade e a robustez da solução proposta, alinhando-se às necessidades de pesquisadores e profissionais que buscam flexibilidade no acesso a ferramentas científicas (Prlić e Procter, 2012; Dudley & Butte, 2010).

O processo de desenvolvimento e implantação do LabPlanner evidenciou a viabilidade de empregar tecnologias de código aberto e infraestrutura “serverless” na construção de aplicações científicas modulares e escaláveis. A escolha do framework FastAPI para o “backend” e da biblioteca Flet para o “frontend” simplificou significativamente o ciclo de desenvolvimento, promovendo agilidade e eficiência. A utilização do Google Cloud Run eliminou a necessidade de gerenciamento manual de servidores, reduzindo custos operacionais e a complexidade de manutenção, conforme destacado por Burns e Borenstein (2021). O sistema atingiu o estágio de Produto Mínimo Viável (MVP), apresentando funcionamento completo das principais rotas e integração plena entre os módulos, o que estabelece uma base sólida para futuras expansões.

A arquitetura do LabPlanner foi concebida com base em microserviços, combinada a um núcleo de orquestração no “backend”, visando garantir isolamento funcional, escalabilidade independente e facilidade de manutenção. Essa abordagem mostrou-se particularmente adequada para o contexto da aplicação, permitindo uma modularização clara das responsabilidades e facilitando a adoção de práticas modernas de engenharia de software, como integração contínua e desenvolvimento orientado a testes (Shahin et al., 2017). Os testes automatizados realizados durante o desenvolvimento, que incluíram testes unitários e de ponta a ponta, foram executados com sucesso, confirmando a robustez da implementação e a consistência entre os diferentes módulos do sistema.

A interação com o usuário foi projetada para ser intuitiva, permitindo a criação de experimentos de forma simplificada. A interface do sistema possibilita a inserção de parâmetros essenciais, como o número de fatores, os níveis mínimo e máximo para cada fator, o número de replicatas e o número de pontos centrais. Essa organização dos campos e a simplicidade visual da interface, que foi um foco da implementação de UX, facilitam a configuração de diversos tipos de planejamento experimental, tornando a ferramenta acessível mesmo para usuários com menor familiaridade com softwares estatísticos complexos.

Após a inserção dos parâmetros experimentais, o sistema realiza automaticamente a geração da matriz experimental com base nos princípios clássicos do planejamento selecionado, conforme descrito por Montgomery (2017). Os resultados obtidos demonstraram que o LabPlanner é capaz de gerar corretamente o número de ensaios e a combinação completa dos níveis dos fatores. Essa consistência foi verificada por comparação com valores teóricos da literatura, confirmando a correta implementação do algoritmo de geração do planejamento experimental. Um exemplo de experimento gerado pelo sistema revelou a estrutura dos dados armazenados, incluindo os fatores definidos, os níveis reais e a matriz experimental correspondente, evidenciando a precisão da geração da matriz de experimentos.

A persistência dos dados foi validada tanto em ambiente local quanto em ambiente de produção, utilizando armazenamento em nuvem. Observou-se que os experimentos criados permaneceram disponíveis após múltiplas execuções da aplicação, demonstrando que a estratégia de utilização de armazenamento externo foi eficaz para contornar a natureza efêmera de ambientes “serverless”. Esse aspecto representa um diferencial relevante em relação a aplicações baseadas exclusivamente em armazenamento local, nas quais a persistência depende diretamente do ambiente do usuário, conferindo maior confiabilidade e disponibilidade aos dados científicos.

Durante os testes em produção, verificou-se a correta integração entre o “frontend” e o “backend”, com comunicação realizada via API REST. O sistema respondeu adequadamente às requisições de criação e recuperação de experimentos, apresentando tempos de resposta compatíveis com aplicações web leves. Eventuais inconsistências iniciais no formato de retorno da API foram identificadas e corrigidas, evidenciando a importância de testes de integração em sistemas distribuídos e reforçando a necessidade de padronização rigorosa na comunicação entre serviços, um pilar para a robustez de sistemas distribuídos (Wiggins, 2012).

As funcionalidades implementadas permitem ao usuário criar experimentos DOE, cadastrar respostas experimentais, executar análise de regressão, visualizar a tabela de coeficientes, a tabela ANOVA, gráficos de Pareto, superfícies de resposta e gráficos de contorno. Essas funcionalidades demonstram que o LabPlanner já oferece um conjunto significativo de ferramentas analíticas integradas, ampliando sua aplicabilidade prática. A separação entre “frontend” e “backend” mostrou-se eficiente, permitindo atualização independente dos componentes e facilitando a manutenção do sistema, características essenciais para a evolução contínua do software científico.

Quando comparado a ferramentas existentes, como o Chemoface e o Statistica, o LabPlanner apresenta vantagens importantes. O Chemoface, embora gratuito, requer instalação local e depende do ambiente do usuário, o que pode gerar limitações de compatibilidade e manutenção. Já o Statistica é um software proprietário que exige licença e instalação, restringindo seu uso em contextos acadêmicos com limitações orçamentárias (Duraković, 2017). Nesse cenário, o LabPlanner se destaca por ser uma solução gratuita, acessível via navegador e independente de instalação, proporcionando maior portabilidade e facilidade de uso, além de permitir atualizações centralizadas sem necessidade de intervenção do usuário.

As diferenças observadas entre o LabPlanner e o Chemoface decorrem, em parte, da forma de apresentação dos resultados. Enquanto o Chemoface exibe efeitos fatoriais e seus testes individuais de significância, o LabPlanner apresenta os coeficientes do modelo de regressão e a ANOVA global. Em planejamentos fatoriais 2k, os efeitos correspondem ao dobro dos coeficientes estimados, de modo que os resultados obtidos são estatisticamente equivalentes, ainda que expressos em formatos distintos. Por exemplo, para um planejamento fatorial completo, o LabPlanner apresentou coeficientes de Intercepto (2.000000), X1 (0.500000), X2 (0.500000) e X1:X2 (0.000000), com uma tabela ANOVA indicando para a Regressão um SQ de 2.000000, gl de 3, QM de 0.666667, F de 100.000000 e p-valor de 0.001668. Essa análise confirma que o LabPlanner é capaz de reproduzir corretamente os resultados esperados de ferramentas consolidadas, validando sua precisão matemática e consistência estatística.

Os resultados obtidos para o tempo de resposta da API responsável pela geração de planejamentos experimentais revelaram um desempenho robusto. O sistema apresentou um tempo médio de resposta de 16,22 ms, com mediana de 13,24 ms, indicando baixa latência na maioria das requisições. O tempo mínimo observado foi de 10,56 ms, enquanto o valor máximo atingiu 70,81 ms, sendo este associado à primeira requisição após o período de aquecimento, caracterizando um comportamento típico de inicialização. A análise dos percentis indicou que 95% das requisições foram concluídas em até 25,14 ms, e 99% em até 58,30 ms, evidenciando alta estabilidade do sistema sob condições controladas.

Esses resultados demonstram que o LabPlanner apresenta desempenho adequado para aplicações interativas, com respostas rápidas e consistentes, compatíveis com sistemas modernos baseados em arquitetura web. A baixa latência e alta consistência, com distribuição de tempos concentrada em valores inferiores a 30 ms, evidenciam a eficiência computacional da arquitetura proposta. O desempenho observado é compatível com aplicações web modernas baseadas em microsserviços, demonstrando que a adoção de arquitetura híbrida e execução em contêineres não compromete a eficiência do processamento estatístico, mas, ao contrário, a otimiza.

Nos testes de escalabilidade, o LabPlanner sustentou até 100 usuários virtuais simultâneos sem ocorrência de falhas, apresentando uma taxa de erro de 0,00%. Ao longo do ensaio, foram processadas 19.142 requisições, correspondendo a uma taxa média de 159,51 requisições por segundo. A latência média observada sob carga foi de 250,60 ms, com mediana de 207,20 ms e percentil 95 de 606,31 ms. Embora tenha sido observado um aumento do tempo de resposta em comparação aos testes sem carga, o sistema manteve estabilidade operacional e ausência de erros, evidenciando capacidade de processamento adequada sob condições de concorrência moderada.

A comparação quantitativa entre os cenários sem carga e sob carga revelou um aumento da latência média de 16,22 ms para 247,92 ms, correspondendo a um crescimento de aproximadamente 1429%. Para o percentil 95, o aumento foi ainda mais significativo, atingindo 2193%. Apesar desse crescimento, a taxa de erro permaneceu nula e o sistema sustentou aproximadamente 161 requisições por segundo, evidenciando capacidade de processamento sob condições concorrentes. A variação da latência média ao longo do tempo mostrou um aumento progressivo à medida que o número de usuários virtuais cresce, atingindo valores máximos próximos de 600 ms, um comportamento esperado em sistemas sob carga concorrente devido ao compartilhamento de recursos computacionais. Após a redução da carga, a latência retornou a valores mais baixos, indicando recuperação do sistema.

O comportamento do throughput durante o teste de carga demonstrou a manutenção de um elevado número de requisições por intervalo, com oscilações típicas de sistemas concorrentes, sem evidência de colapso ou degradação crítica do desempenho. Esses resultados indicaram que a arquitetura proposta apresentou comportamento escalável e robusto para geração de planejamentos experimentais em ambiente web, sustentando múltiplas requisições simultâneas com desempenho consistente. Contudo, o sistema pode apresentar limitações quanto à escalabilidade em cenários acima de 100 usuários, pois estes não foram testados, e a escalabilidade elástica do Google Cloud Run pode acarretar cobranças caso a demanda exceda o limite do plano gratuito.

Outro aspecto relevante observado foi a integração entre conceitos clássicos de planejamento experimental e práticas modernas de engenharia de software. Diferentemente de ferramentas tradicionais, o LabPlanner foi concebido desde sua origem para operar em ambiente distribuído, com separação de responsabilidades, uso de APIs e armazenamento em nuvem. Essa abordagem aproxima o software científico das práticas contemporâneas de desenvolvimento tecnológico, ampliando seu potencial de escalabilidade e manutenção. Durante o processo de desenvolvimento, diversas etapas técnicas foram superadas, incluindo a definição da arquitetura do sistema, modularização do código e implantação em ambiente de nuvem utilizando o Google Cloud Run, com empacotamento em contêineres Docker e uso do Artifact Registry para versionamento das imagens.

Um diferencial metodológico importante deste trabalho foi a adoção de uma abordagem baseada em inteligência artificial generativa durante o desenvolvimento do sistema, utilizando o ChatGPT no contexto do paradigma denominado desenvolvimento assistido por inteligência artificial generativa. Nesse modelo, o desenvolvimento ocorre por meio de ciclos iterativos de interação entre o programador e o modelo de linguagem, no qual a IA auxilia na geração, refatoração e documentação do código, enquanto o desenvolvedor atua como curador técnico, validando as soluções e garantindo aderência aos princípios arquiteturais (Jackson et al., 2024). Essa abordagem permitiu reduzir o tempo dedicado a tarefas repetitivas, aumentar a consistência do código e acelerar o processo de desenvolvimento, especialmente em etapas de depuração, containerização e integração com a nuvem.

A adoção do estilo de desenvolvimento assistido por inteligência artificial generativa está alinhada aos princípios da Indústria 5.0, que enfatiza a colaboração entre seres humanos e tecnologias inteligentes. Diferentemente da Indústria 4.0, focada na automação, a Indústria 5.0 valoriza a criatividade, a personalização, a sustentabilidade e a inteligência aumentada. Nesse contexto, o LabPlanner pode ser compreendido como um produto dessa nova abordagem, no qual o desenvolvimento não é exclusivamente humano nem totalmente automatizado, mas resultado de uma interação entre humano e máquina. Essa integração representa um avanço não apenas tecnológico, mas também epistemológico na forma de desenvolver soluções digitais para a ciência.

Além disso, o LabPlanner se alinha com diversos Objetivos de Desenvolvimento Sustentável (ODS) da Agenda 2030 da ONU, especialmente no que se refere à otimização de recursos experimentais, digitalização de processos científicos e democratização do acesso a ferramentas analíticas. A utilização de tecnologias abertas, computação em nuvem e inteligência artificial contribui para a sustentabilidade digital e para a ampliação do acesso ao conhecimento científico. Os resultados obtidos demonstram que é possível implementar, de forma eficiente, uma ferramenta web para planejamento experimental baseada em métodos estatísticos consolidados, mantendo precisão matemática e ampliando o acesso à técnica.

Em síntese, o LabPlanner representa uma contribuição relevante para a democratização do acesso ao planejamento experimental, ao disponibilizar uma ferramenta gratuita, acessível e baseada em tecnologias modernas. O trabalho demonstra que é possível unir rigor científico e desenvolvimento tecnológico em uma solução prática e escalável, abrindo caminho para futuras extensões e aplicações em diferentes áreas do conhecimento. O sistema desenvolvido atende aos objetivos propostos, sendo capaz de gerar corretamente matrizes experimentais baseadas em metodologias clássicas, com consistência em relação aos valores teóricos descritos na literatura, e incorporou funcionalidades analíticas relevantes, permitindo não apenas a construção dos planejamentos experimentais, mas também a interpretação dos resultados de forma integrada.

4. Conclusão

O presente trabalho teve como objetivo desenvolver e avaliar o LabPlanner, uma aplicação web com arquitetura escalável baseada em microserviços, para planejamento experimental. Verificou-se que o sistema é capaz de gerar corretamente matrizes experimentais, com consistência em relação aos valores teóricos e equivalência estatística com ferramentas consolidadas como o Chemoface. Identificou-se que a aplicação oferece funcionalidades analíticas integradas, incluindo regressão e ANOVA, e demonstrou robustez de desempenho, com baixa latência média de 16,22 ms e capacidade de sustentar até 100 usuários virtuais simultâneos sem falhas, processando aproximadamente 19 mil requisições. A arquitetura híbrida com microserviços e a implantação em nuvem, aliadas ao desenvolvimento assistido por inteligência artificial generativa, permitiram uma solução acessível, escalável e de fácil manutenção, contribuindo significativamente para a democratização do acesso a métodos estatísticos avançados e alinhando-se aos princípios da Indústria 5.0.

Apesar dos avanços, observou-se que o sistema pode apresentar limitações quanto à escalabilidade em cenários acima de 100 usuários, visto que estes não foram testados, e a escalabilidade elástica do Google Cloud Run pode gerar custos adicionais caso a demanda exceda o limite do plano gratuito. Para estudos futuros, sugere-se a implementação de novos tipos de planejamentos experimentais, a ampliação das capacidades gráficas, a inclusão de recursos avançados de análise estatística e a integração com bancos de dados estruturados para conferir maior robustez e escalabilidade à plataforma. Conclui-se que o LabPlanner representa uma solução prática e escalável que une rigor científico e desenvolvimento tecnológico, com potencial para futuras extensões em diversas áreas do conhecimento.

Referências Bibliográficas

Armbrust, M.; Fox, A.; Griffith, R. Joseph D. A.; Katz, R.; Konwinsji, A.; Lee, G.; Patterson, D.; Rabkin, A.; Stoica, I. Zaharia, M. 2010. A view of cloud computing. Communications of the ACM. 53 (4): 50–58.

Box, G. E. P.; Hunter, W. G.; Hunter, J. S. 2005. Statistics for experimenters: design, innovation, and discovery. 2. ed. Wiley. New York, EUA.

Burns, B.; Borenstein, N. 2021. Designing distributed systems: patterns and paradigms for scalable, reliable services. 2. ed. O’Reilly Media. Sebastopol, Russia.

Dudley, J. T.; Butte, A. J. 2010. In silico research in the era of cloud computing. Nature Biotechnology. 28 (11): 1181-1185.

Duraković, B. 2017. Design of experiments application, concepts, examples: State of the art. Periodicals of Engineering and Natural Sciences. 5 (3): 421–439.

Grossman, R. L. 2018. A framework for the analysis of data in the cloud. IEEE Computer. 51 (9): 15-23.

Jackson, V. et al. Creativity, generative Al, and software development: a research agenda. 2024. Disponível em: https://arxiv.org/abs/2406.01966. Acesso em: 1 set. 2025.

Lamidi, S. et al. 2024. Design of experiments (DOE): applications and benefits in quality control and assurance. In: INTECHOPEN. Design of experiments – advances and applications. IntechOpen. London, Inglaterra.

Montgomery, D. C. 2017. Design and analysis of experiments. 9. ed. New York: Wiley.

Prlić, A.; Procter, J. B. 2012. Ten simple rules for the open development of scientific software. PLoS Computational Biology. 8 (12): e1002802.

Shahin, M.; Bakhshi, A.; ALI, N. Continuous integration, delivery and deployment: a systematic review on approaches, tools, challenges and practices. IEEE Access, v. 5, p. 3909-3943, 2017.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

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