Executando testes de performance com JMeter

Há poucos dias, publiquei um artigo sobre o conceito de testes de performance em uma aplicação. Caso você não tenha lido, recomendo acessá-lo, pois esse artigo é uma continuação. 

Quando iniciei os meus estudos sobre Testes de Performance, logo conheci o JMeter. Essa ferramenta, desenvolvida pela Apache, traz um conjunto de soluções para avaliar fatores como desempenho, disponibilidade e escalabilidade das aplicações. Era o que precisávamos em um dos projetos da DB1. 

Para que este artigo não fique tão extenso, decidi agrupar as principais características do JMeter de acordo com a experiência que tive com a ferramenta.  Leia mais

Conheça o conceito de Testes de Performance para garantir a qualidade de aplicações

O mundo moderno exige respostas rápidas e confiáveis. Usuários de sistemas de informação são exemplos dessa exigência. Aplicações Web, por exemplo, devem proporcionar resultados imediatos para seus usuários de forma que contribua para a sustentabilidade do negócio e, claro, não sejam alvos de críticas no mercado. 

Há alguns anos, aqui na DB1, houve a necessidade de introduzir atividades de teste de performance em alguns de nossos produtos. Como eu ainda não dominava este segmento de testes, logo me prontifiquei para iniciar estudos sobre o assunto e, diga-se de passagem, fiquei impressionada com as possibilidades que estes testes nos trazem. 

A propósito, você sabe porque é tão importante testar a performance de uma aplicação?  Leia mais

Executando previsões com inteligência artificial de forma rápida e prática

Neste post, vamos demonstrar um exemplo de utilização de métodos simples de inteligência artificial para aplicações práticas utilizando R direto da ferramenta Power BI. 

Para seguir com o tutorial é necessário que seja instalado o Power BI e do R for Windows.

Uma dificuldade comum para os desenvolvedores é fazer estimativas assertivas. Imagine a vantagem de ter de forma automática para obter macro estimativas de desenvolvimento com base no histórico? Isso pode facilitar o gerenciamento de projetos em geral, pois daria uma ideia do tamanho da demanda antes dos desenvolvedores desempenharem tempo nas estimativas. Bom, vamos tentar algo semelhante utilizando regressão linear.   Leia mais

Lightning Talk – A minha experiência com a Alexa

Você conhece a Alexa? A assistente virtual da Amazon.com é uma das tecnologias que chamam mais atenção hoje, por possuir inteligência cognitiva para atender comandos de voz. No caso dessa assistente, em especial, temos algumas polêmicas como o fato da assistente rir repentinamente para os usuários. Isso desperta muita curiosidade sobre como é, de fato, utilizar a Alexa no cotidiano.

Alexa, assistente de voz com inteligência cognitiva da Amazon.com

Como um usuário americano de 72 anos interage com a assistente virtual Alexa?

Para entendermos melhor como a assistente de voz funciona, convidamos o usuário Bill Whitake para contar sua experiência. Bill é um aposentado americano de 72 anos, ex-integrante da Marinha dos EUA e reside no Brasil há 2 anos. Já participou de vídeos com o Tinbot e é primo do ator George Clooney!

Usuário idoso interagindo com assistentes virtuais

Bill Whitake e Tinbot

E falando em Tinbot, temos nesse Lightning Talk a participação de Marco Diniz, desenvolvedor do robô assistente, interativo e programável. Marco trará a explicação técnica sobre a Alexa, esclarecendo tudo o que a assistente de voz é capaz de fazer com sua inteligência cognitiva.

Assista ao Lightning Talk para conferir esse bate-papo!

Confira a experiência do usuário com a assistente de voz da Amazon.com, e veja como a tecnologia influencia o comportamento de um idoso.

A conversa com Bill foi realizada em inglês, mas não se preocupe! A conversa foi mediada para que todos possam entender.

Assista abaixo:

E aí, você gostaria de interagir com um assistente virtual como a Alexa? Deixe nos comentários o que achou dessa conversa!

 

O que é Comunicação Assertiva – Alcance objetivos sem prejudicar relações

Desde que começamos a trilhar o caminho até a resiliência, falamos sobre as habilidades necessárias para aprendermos a lidar melhor com os desafios da vida: atenção positiva, identificação e expressão dos sentimentos, práticas de relaxamento, gratidão… Hoje o nosso texto será sobre comunicação assertiva.

O que é Comunicação Assertiva?

Comunicação é uma habilidade que exige que o emissor e o receptor da mensagem tenham real e total compreensão dela. Por isso, a comunicação deve ser clara e objetiva.  O termo assertividade envolve a afirmação dos próprios direitos e expressão de pensamentos, sentimentos e crenças de maneira direta, honesta e apropriada que não viole o direito das outras pessoas. Leia mais

Criando grandes cases para o ROI de User Experience (UX)

Você sabia que User Experience (Experiência do Usuário/UX) pode ser mensurado e mostrar retorno sob investimento (ROI)? Mesmo que o cálculo do ROI seja desafiador por si só, é perfeitamente possível e muito valioso para justificar o investimento em UX.

Abaixo, trouxemos números interessantes para serem considerados na hora de construir seu case. As informações foram baseadas no infográfico Making a Strong Business Case for The Roi of UX, da Experience Dynamics, empresa americana de consultoria em UX.

User Experience (UX) melhora a eficiência do desenvolvimento

Em fábricas de software, a velocidade é imprescindível. Atividades de UX podem reduzir em 50% o desperdício de tempo no desenvolvimento. Isso acontece porque elas ajudam a definir requisitos de usabilidade logo de início, prevenindo o retrabalho.

O tempo de desenvolvimento, por si só, já é reduzido em cerca de 33% a 55% quando o usuário é envolvido no processo. É assim pois a tomada de decisão e a priorização de atividades dos desenvolvedores ganha mais clareza. Leia mais

Classificação de imagens com deep learning e TensorFlow

Hoje em dia técnicas de machine learning são utilizadas para resolver problemas em praticamente todo domínio imaginável. Um uso muito popular é no reconhecimento e classificação de imagens, onde técnicas de deep learning podem apresentar ótimos resultados.

Para entender conceitos como redes neurais, deep learning e classificação de imagens, preparei um exemplo onde ensinaremos um algoritmo a separar fotos de gatos de acordo com suas raças.

Relembrando a teoria discutida no artigo anterior (O que é Machine Learning?), nosso algoritmo será de classificação (classificar uma entrada entre determinadas categorias), com aprendizagem supervisionada (treinamento com entradas que possuem um label associado, ou seja, dizemos ao computador o que significa aquela entrada).

Mas antes de implementar o algoritmo, primeiro vamos entender algumas definições:

Rede Neural Artifical

Uma rede neural artifical (ANN) é uma estrutura que simula o funcionamento de um conjunto de neurônios. A ANN mais simples é aquela composta de apenas um neurônio, chamada perceptron. Um perceptron possui:

  • diversas entradas com seus respectivos pesos
  • um valor limite, utilizado para decidir se o perceptron “dispara”, ou seja, se sua saída será igual a 1
  • e o valor de saída, que pode ser 0 ou 1

Exemplo de deep learning, redes neurais, neural networks

Fonte: http://video.udacity-data.com.s3.amazonaws.com/topher/2017/November/5a01aef2_neural-networks/neural-networks.pdf

Ao juntar muitos perceptrons, formamos uma rede, uma rede neural artificial.

Para treinar um perceptron, comparamos o resultado obtido com o resultado esperado, e mudamos os pesos das entradas com o objetivo de minimizar o erro obtido.

Por exemplo: imagine que vamos treinar uma rede neural para classificar se um e-mail é ou não spam. As entradas podem ser:

  • O tamanho do e-mail
  • O horário em que foi enviado
  • Se conheço ou não quem o enviou
  • Se já recebi outros e-mails do mesmo remetente
  • As palavras no assunto e no corpo do e-mail

E a saída é 0 (não spam) ou 1 (spam). Conforme a rede é treinada (usa a diferença entre o resultado obtido e o resultado esperado para alterar os pesos que agem sobre as entradas, afim de minimizar o erro), ela aprende as características e a relevância de cada característica para indicar se um e-mail é ou não spam.

Ou seja, treinamos a estrutura para gerar o resultado correto por meio do ajuste dos pesos que agem sobre as entradas. Este ajuste é feito ao comparar o resultado obtido com o resultado esperado, e calcular a diferença. O ajuste tem o objetivo de diminuir esta diferença. Quanto menor a diferença, mais o algoritmo aprendeu a classificar corretamente.

Rede Neural Convolucional

Rede Neural Convolucional (Convolutional Neural Network – CNN) é uma classe de rede neural utilizada para processamento e análise de imagens. Foi proposta em 1998 em um paper do cientista Yann LeCun, que propôs uma arquitetura capaz de reconhecer dígitos manuscritos com precisão de 99,2%. Esta arquitetura foi inspirada em uma pesquisa de 1968 feita por David Hunter Hubel e Torsten Wiesel sobre o funcionamento do córtex visual dos mamíferos.

A pesquisa sugere que mamíferos percebem visualmente o mundo de forma hierárquica, através de camadas de clusters de neurônios. Quando vemos algo, clusters são ativados hierarquicamente, e cada um detecta um conjunto de atributos sobre o que foi visto.

A arquitetura da CNN simula clusters de neurônios para detectar atributos daquilo que foi visto, organizados hierarquicamente e de forma abstrata o suficiente para generalizar independentemente de tamanho, posição rotação, etc.

Exemplo de Rede Neural Convolucional (Convolutional Neural Network - CNN)
Fonte: https://github.com/llSourcell/Convolutional_neural_network/blob/master/convolutional_network_tutorial.ipynb 

Deep Learning

Acima explicamos o conceito de rede neural. Deep Learning é o uso de uma rede neural com muitas camadas. Usando a mesma lógica, mas com mais níveis, podemos utilizá-la para modelar conceitos mais complexos.

Convolucional

Já entendemos o que é uma rede neural, e que rede neural convolucional é uma classe de redes neurais. Mas qual o significado de convolução? Para nós neste exemplo, convolução pode ser visto como sinônimo de combinação. É o procedimento de combinar duas fontes de informação.

Imagem

O input da CNN é uma imagem, representada como uma matriz. Cada elemento da matriz contém o valor de seu respectivo pixel, que pode variar de 0 a 255. Para imagens coloridas em RGB temos uma matriz “em três dimensões”, onde cada dimensão é uma das camadas de cor (red, green e blue). Assim, uma imagem colorida de 255px por 255px é representada por três matrizes de 255 por 255 (255x255x3).

Atributo

Um atributo é um padrão que a CNN aprende. Normalmente este padrão se repete nas imagens, tornando-o proeminente. O contorno dos objetos (linhas, formas, abstrações) é um exemplo de atributo.

Aplicando a convolução

Um pouco acima explicamos que convolução é a combinação de duas fontes de informação. E que estamos tentando aprender e identificar padrões nas imagens. Neste exemplo, queremos aprender os padrões que diferenciam duas raças diferentes de gatos, quais características diferenciam uma raça da outra. E como treinar nosso algoritmo para identificar estas características.

Pois bem, para isto utilizamos um kernel/filtro que será aplicado à partes da imagem original, com o objetivo de identificar padrões.

Pense nela como uma matriz menor composta de valores. Ela é aplicada à imagem (convolução), para obter regiões de ativação, ou seja, regiões onde atributos específicos deste filtro foram encontrados.

Por exemplo, podemos imaginar um filtro de 16 x 16 percorrendo uma imagem de 256 x 256 x 3. A cada etapa pegamos uma porção de 16 x 16 da imagem e fazemos a convolução (ou seja, calculamos o produto escalar entre as duas matrizes). O valor obtido é adicionado à matriz de ativação. Este processo é repetido até todas as três matrizes terem sido percorridas completamente.

Tutorial de rede convolucional
Fonte: https://github.com/llSourcell/Convolutional_neural_network/blob/master/convolutional_network_tutorial.ipynb 

 

Os valores do filtro mudam a cada iteração de treinamento, com o objetivo de melhorar a identificação de quais regiões contém atributos significativos (da mesma forma que os pesos em um perceptron de uma rede neural são atualizados no treinamento).

Mas como essa série de multiplicações nos ajuda a detectar os atributos de uma imagem? Conforme o filtro aprende a detectar um atributo (através do processo de aprendizado), seus valores se ajustam de forma que o resultado da convolução seja um valor que indique que o determinado atributo foi encontrado. É o mesmo mecanismo utilizado na detecção de spam/não spam explicada anteriormente, só que agora sendo aplicado a uma imagem.

No exemplo abaixo, estamos tentando identificar o ratinho na imagem. O filtro irá trabalhar na detecção daquela curva destacada em amarelo. A representação em pixels do contorno do ratinho contém valores da cor onde ocorre o contorno, e zero (branco) onde não ocorre.

Tutorial de rede convolucional

Quando fazemos o produto escalar entre o filtro e o contorno que procuramos, o resultado é um número bem grande.

Tutorial de rede convolucional

Este resultado sempre é menor em outras partes da imagem, pois o produto escalar é menor.

Tutorial de rede convolucional
Fonte: https://github.com/llSourcell/Convolutional_neural_network/blob/master/convolutional_network_tutorial.ipynb 

 

Ou seja, quando o resultado da convolução é um número grande, o atributo foi detectado. Já quando é um resultado 0 ou muito pequeno, o atributo não foi encontrado.

Treinando nossa CNN

Neste exemplo não iremos escrever uma CNN do zero, mas sim treinar uma pronta utilizando um processo chamado Transfer Learning. Com Transfer Learning, usamos uma CNN já treinada, e adicionamos uma camada a mais, treinando apenas esta camada para nosso objetivo.

No nosso caso, usaremos a CNN Inception-V3 do Google, que foi treinada em cima da base de dados ImageNet, e a ensinaremos a classificar a raça de gatos.

Crie uma pasta em algum lugar do seu computador, abra uma linha de comando nela e siga os passos abaixo.

Passo 1

Baixar e instalar o Docker. Uma vez instalado, podemos executar o seguinte comando para conferir se está tudo ok:

docker run hello-world

Passo 2

Baixar a imagem do TensorFlow:

docker pull tensorflow/tensorflow

Passo 3

Iniciar o container baseado na imagem do TensorFlow, mapeando um diretório entre a máquina física e o container:

docker run -it --volume ${PWD}:/tf_files --workdir /tf_files --publish 6006:6006 tensorflow/tensorflow:1.1.0 bash

Parâmetros:

  • -it: processo interativo
  • --volume <host>:<container>: monta um volume, linkando uma pasta no host com uma no container
  • --workdir <dir>: diretório no container onde vamos executar os comandos
  • --publish <host>:<container>: mapeamento entre porta do host e a porta no container

Passo 4

Colocar neste diretório os arquivos necessários para treinar a CNN (veja as observações abaixo para pegar os arquivos):

  • Uma pasta chamada cats, contendo uma pasta para cada categoria que queremos treinar. No nosso caso teremos uma pasta para cada raça de gato. O nome da pasta será o nome da categoria, o nome da raça do gato. Dentro das pastas, teremos as imagens dos gatos.
  • Script retrain.py que contém os comandos para treinar a CNN.
  • Script label_image.py que usaremos para consultar a CNN treinada, ou seja, passaremos a imagem de um gato e perguntaremos qual sua raça.

Obs 1: Você deve montar ou utilizar um conjunto de dados com as imagens das raças desejadas. Eu utilizei um subconjunto do desafio Dogs vs. Cats do Kaggle.

Para este exemplo, separei mais ou menos 200 imagens de cada raça. Vamos trabalhar com a Birman e a British Shorthair:

Gato Birman, Gato British Shorthair em exemplo de deep learning
Fonte: https://www.kaggle.com/c/dogs-vs-cats 

 

Obs 2: Para baixar os scripts, execute os seguintes comandos:

curl -O https://raw.githubusercontent.com/tensorflow/tensorflow/r1.1/tensorflow/examples/image_retraining/retrain.py
curl -L https://goo.gl/3lTKZs > label_image.py

Feito isto, sua pasta deve estar mais ou menos assim:

Exemplo de deep learning e tutorial de rede convolucional

Passo 5

Iniciar o treinamento:

python -m retrain \
  --bottleneck_dir=bottlenecks \
  --how_many_training_steps=500 \
  --model_dir=models/ \
  --summaries_dir=training_summaries/"${ARCHITECTURE}" \
  --output_graph=retrained_graph.pb \
  --output_labels=retrained_labels.txt \
  --architecture="${ARCHITECTURE}" \
  --image_dir=cats

Este script irá baixar o inception model e depois iniciará o treinamento com base nas imagens e categorias que informamos. Irá iterar 500 vezes para treinar o modelo, e salvará o resultado no arquivo retrained_graph.pb.

O tempo de execução varia de acordo com a quantidade de imagens para treinar e a velocidade do computador. Em um teste que fiz com 12 raças, cada uma contendo em torno de 200 imagens, o treinamento demorou mais ou menos 30 minutos em um i5 com 8 GB de RAM.

Treinamento finalizado:

Exemplo de deep learning e tutorial de rede convolucional

Passo 6

Consultar o modelo gerado. Podemos pesquisar no Google a imagem de um gato qualquer (dentre as duas raças que escolhemos), e colocar na pasta tf_files. Para perguntar ao modelo treinado qual a raça deste gato, basta executar:

python label_image.py gato.jpg

Onde gato.jpg é o nome da imagem que você pesquisou e baixou.

Fiz um teste com o gato da imagem abaixo, e o resultado foi 99,29% British Shorthair, ou seja, o resultado correto!

Exemplo de deep learning e tutorial de rede convolucionalCheezburger cat
Fonte: http://mentalfloss.com/article/16205/lol-cats-i-can-has-cheezburger

Próximos passos

Podemos pegar o modelo que treinamos e criar uma aplicação para disponibilizar uma API que recebe a imagem de um gato e retorna sua raça fazendo consulta a este modelo. Ou podemos também criar uma aplicativo para celular, onde tiramos a foto de um gato e consultamos o modelo para saber a sua raça.

Estes são alguns exemplos de como utilizar isto no mundo real, e lembre-se que podemos utilizar este modelo também para outros tipos de imagens e classificações.

Fontes e créditos

Este tutorial não seria possível sem o estudo das seguintes referências:

Scripts:

Os scripts utilizados fazem parte do tutorial TensorFlow for Poets, e foram obtidos com os segiuntes comandos:

curl -O https://raw.githubusercontent.com/tensorflow/tensorflow/r1.1/tensorflow/examples/image_retraining/retrain.py
curl -L https://goo.gl/3lTKZs > label_image.py

Leia mais

Como criar um projeto com User Experience (UX), Usabilidade e Acessibilidade

Sem User Experience (UX), Usabilidade e Acessibilidade, a qualidade do sistema é altamente comprometida. Imagine um software com todo o potencial de se tornar referência no mundo, mas que não vai para frente porque os usuários não entendem como usar (ou não conseguem por alguma deficiência). Nunca vale dizer “na minha máquina funciona”, ou culpar o usuário: é o software que deve ser adequado.

A experiência do usuário, quando considerada, é capaz de tornar um sistema muito mais receptivo, abrangente e interessante de ser utilizado por um público muito maior. A Usabilidade e a Acessibilidade são essenciais para que ninguém seja impedido de utilizar seu software, aplicativo ou gadget.

Nesse Ciclo de Capacitação, você aprenderá os fundamentos e grandes dicas para aplicar UX no seu dia a dia. Assim, poderá se orgulhar de produtos com ainda mais qualidade! Não importa se é um desenvolvedor, analista ou tester: todos podem contribuir para uma melhor experiência do usuário. Leia mais

Definidos os Campeões da ‘Copa dos Agasalhos’: mais de 4 mil peças foram arrecadadas

Com temperaturas na casa dos 16 graus em Maringá, no Paraná, nada melhor (e necessário) que ajudar a quem precisa. Por meio da campanha do agasalho com o tema da Copa, que teve início em 15 de março, meses antes do frio chegar, a DB1 Global Software, multinacional de tecnologia sediada em Maringá, bateu todos os recordes de arrecadação por meio de uma disputa saudável entre times formados por colaboradores da empresa.

A “Copa dos Agasalhos” reuniu muito da missão da DB1: desenvolver as melhores soluções em TI, criar e evoluir as práticas de gestão da organização no aspecto socioambiental, envolvendo e engajando os colaboradores, incentivando a competitividade e, claro, atendendo a sociedade organizada em parte de suas necessidades. Leia mais

Gratidão: você já foi grato(a) hoje?

O texto de hoje fala sobre gratidão! Se você leu o texto anterior deve estar pensando: “de novo”? Sim, de novo! Contudo, se você já leu sobre gratidão, você sabe também sobre a importância de ser grato para a construção da resiliência. Por isso, esse texto apresentará novas maneiras de vivenciar a gratidão. Bora treinar? 

Primeiro, respire fundo, se acalme e vamos lembrar o que é gratidão. Gratidão, segundo o dicionário, é o sentimento experimentado por uma pessoa em relação a alguém que lhe concedeu algum favor, um auxílio ou benefício qualquer, ou seja, é uma espécie positiva de reconhecimento. Na vida, a gratidão é um pouco mais que isso: é a emoção responsável por sermos capazes de expressar apreço por aquilo que temos, e não pelo que desejamos ter. Na psicologia positiva, a gratidão também é conhecida como uma emoção que pode ser cultivada e as consequências desse cultivo são, além de maior bem-estar e felicidade, também mais energia, otimismo e empatia, quando a direcionamos para quem nos cerca. Vamos cultivá-la?  Leia mais