RLRoger Willian Joel Leonardis

Roger Willian Joel Leonardis

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Roger Willian Joel Leonardis has a total of 5 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Detecção de fraudes em transações com cartão de crédito: Uma comparação do desempenho de técnicas inteligentes com base na avaliação da função de custo

    by Roger Willian Joel Leonardis, Dacyr Dante de Oliveira Gatto, João Rafael Gonçalves Evangelista, Renato José Sassi

    A detecção de fraudes em cartões de crédito enfrenta um problema relativo ao número de casos de fraudes ser menor do que o de não fraudes, dificultando a detecção por parte de técnicas inteligentes. Métodos que tratam este desbalanceamento, como Oversampling e Undersampling podem ser aplicados. Para avaliar e comparar o desempenho das técnicas, utiliza-se a Matriz de Confusão (MC), o Coeficiente de Correlação de Matthew (MCC), a Área sob a Curva (AUC) e a Função de Custo (FC), que avalia o impacto financeiro causado por uma classificação incorreta. O objetivo deste trabalho é comparar o desempenho de técnicas inteligentes, com base na avaliação da Função de Custo para detectar fraudes em transações com cartões de crédito em base de dados desbalanceada. Foram aplicadas as seguintes técnicas: Regressão Logística, Decision Trees, Random Forest, Support Vector Machine, Deep Learning e XGBoost, sobre uma base de dados desbalanceada e balanceada contendo transações realizadas com cartões de crédito, utilizando Oversampling e Undersampling. Os resultados do desempenho das técnicas foram comparados utilizando as métricas citadas acima. O melhor desempenho para a AUC foi da Regressão Logística com Oversampling, para o MCC foi da Randon Forest com a base desbalanceada e para a FC novamente a Regressão Logística com Oversampling foi a melhor. Concluiu-se que aplicar a FC em conjunto com as métricas comumente utilizadas para avaliar o custo atrelado ao erro de uma detecção de fraude abre um precedente sobre como considerar qual técnica deverá ser adotada em um ambiente de produção nas organizações.

  • Open Access

    Fuzzy Inference System and Fuzzy Neural Inference System Applied to Risk Matrix Classification in Projects

    by Dacyr Gatto, Roger Leonardis, Domingos Napolitano, João Evangelista, Marcio Romero, Renato Sassi

    Projects are essential for organizations to transform strategies into results, but uncertain events can impose risks to achieve a certain objective. Risk management aims to support an organization in deciding how to deal with risks, prioritizing them through the application of Risk Matrices (RMs). RMs or Probability and Impact Matrices is used to support decision-making, helping management to classify and prioritize risks to decide which will be ad-dressed, monitored, or tolerated. RMs are supposedly easy to build and explain, but according to the literature they may contain uncertainties. To deal with uncertainty, it is recommended to apply a Fuzzy Inference System, based on Fuzzy Set Theory (FST) or a Fuzzy Neural Inference System with the presence of an artificial neural network. Thus, the aim of this paper was to develop and apply a Fuzzy Inference System (FIS) and a Fuzzy Neural Inference System (FNIS) in the classification of MRs in projects to reduce uncertainty. The analysis of the results indicated that the application of the two systems resulted in a continuous classification rule by smoothing the boundary areas between each of the RM classes, reducing uncertainty and improving risk classification. Both systems showed good results in reducing uncertainty. However, the results obtained with FNIS were more consistent. The main contribution of this work lies in the possibility of improving the decision making by reducing the uncertainty present in RMs.

  • Open Access

    Redução da subjetividade na classificação de criticidade de versão de software com o apoio de sistema especialista

    by Dacyr Dante de Oliveira Gatto, João Rafael Gonçalves Evangelista, Roger Willian Joel Leonardis, Renato José Sassi

    Na execução de um processo de gerenciamento de liberação de versão de software existe a necessidade por parte dos especialistas humanos executores do processo de classificar a criticidade de cada versão de software. No entanto, a subjetividade desta classificação pode estar presente em função da experiência adquirida pelos especialistas ao longo dos anos. Com o objetivo de reduzir a subjetividade no processo, pode-se aplicar uma técnica de Inteligência Artificial denominada de Sistema Especialista (SE) para representar o conhecimento de especialistas humanos e utilizá-lo na resolução de problemas. Assim, o objetivo deste trabalho foi reduzir a subjetividade na classificação de criticidade de versão de software com o apoio de Sistema Especialista. Para tanto, elaborou-se um questionário com o objetivo de obter os pareceres de criticidade classificados em Alta, Média e Baixa de versão de software de cada especialista para auxiliar na elaboração das regras de produção do SE. O SE gerou 17 regras de produção com grau de confiança de 100% aplicadas em uma base de dados de produção. Os resultados da classificação realizada pelo SE corresponderam à classificação realizada pelos especialistas na base de produção, ou seja, o SE conseguiu representar o conhecimento deles. Em seguida, aplicou-se outro questionário aos especialistas a fim de verificar a percepção sobre a satisfação em relação ao uso do SE com resultado obtido de 4,8, considerado satisfatório . Concluiu-se, então, que o SE apoiou na redução da subjetividade na classificação da criticidade de versão de software.