Ferramentas No-Code/Low-Code aplicadas ao desenvolvimento de inteligência artificial e de machine learning: uma revisão sistemática da literatura

Página do item simplificado
dc.contributor.advisor-co1MENDES, Ingrid Nery
dc.contributor.advisor-co1Latteshttps://lattes.cnpq.br/7079854122764802
dc.contributor.advisor-co1ORCIDhttps://orcid.org/0009-0003-0916-3906
dc.contributor.advisor1TEIXEIRA, Otávio Noura
dc.contributor.advisor1Latteshttps://lattes.cnpq.br/5784356232477760
dc.creatorRABELO, Jonas da Silva
dc.creator.Latteshttps://lattes.cnpq.br/8493209936012930
dc.date.accessioned2026-03-12T18:36:44Z
dc.date.available2026-03-12T18:36:44Z
dc.date.issued2026-02-27
dc.description.abstractThis study presents a Systematic Literature Review on the use of No-Code and Low-Code (LC/NC) tools in the development of Artificial Intelligence and Machine Learning solutions. The objective is to map and analyze the platforms employed in this context, identifying their main characteristics, benefits, limitations, and usage trends. The review followed Kitchenham’s guidelines and considered studies published between January 2020 and August 2025 from the ACM Digital Library, IEEE Xplore, ScienceDirect, Scopus, and SpringerLink databases. After applying the inclusion and exclusion criteria, 67 studies were selected. The results indicate that LC/NC tools broaden access to AI and ML development, particularly for users without advanced technical backgrounds. However, limitations related to flexibility, advanced customization, and ecosystem dependency were identified, along with a predominance of descriptive and feasibility studies.
dc.description.resumoEste trabalho apresenta uma Revisão Sistemática da Literatura sobre o uso de Ferramentas No-Code e Low-Code (LC/NC) no desenvolvimento de soluções de Inteligência Artificial e Machine Learning. O objetivo é mapear e analisar as plataformas utilizadas, identificando características, benefícios, limitações e tendências. A revisão seguiu as diretrizes de Kitchenham e considerou estudos publicados entre janeiro de 2020 e agosto de 2025 nas bases ACM Digital Library, IEEE Xplore, ScienceDirect, Scopus e SpringerLink. Após os critérios de inclusão e exclusão, 67 estudos foram selecionados. Os resultados mostram que as ferramentas LC/NC ampliam o acesso ao desenvolvimento de IA e ML, especialmente para usuários sem formação técnica avançada. Contudo, foram identificadas limitações relacionadas à flexibilidade, personalização e dependência de ecossistemas, além da predominância de estudos descritivos e de viabilidade.
dc.identifier.citationRABELO, Jonas da Silva. Ferramentas No-Code/Low-Code aplicadas ao desenvolvimento de inteligência artificial e de machine learning: uma revisão sistemática da literatura. Orientador: Otávio Noura Teixeira; Coorientadora: Ingrid Nery Mendes. 2026. [27] f. Trabalho de Curso (Bacharelado em Engenharia da Computação) – Faculdade de Engenharia da Computação, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2026. Disponível em: https://bdm.ufpa.br/handle/prefix/9333. Acesso em:.
dc.identifier.urihttps://bdm.ufpa.br/handle/prefix/9333
dc.rightsAcesso Abertopt_BR
dc.rights.licenseAttribution-NonCommercial-NoDerivs 3.0 Brazilen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/
dc.source.uriDisponível na internet via Sagittapt_BR
dc.subjectLow-Code
dc.subjectNo-Code
dc.subjectInteligência artificial
dc.subjectAprendizado de máquina
dc.subjectRevisão sistemática
dc.subjectArtificial intelligence
dc.subjectMachine learning
dc.subjectSystematic review
dc.subject.cnpqCNPQ::ENGENHARIAS
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
dc.titleFerramentas No-Code/Low-Code aplicadas ao desenvolvimento de inteligência artificial e de machine learning: uma revisão sistemática da literatura
dc.typeTrabalho de Curso - Graduação - Artigo

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TC_Artigo_FerramentasNocodeLowcode.pdf
Tamanho:
582.25 KB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.84 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Aparece na Coleção

Faculdade de Engenharia da Computação - FECOMP/CAMTUC
Logo do RepositórioLogo do Repositório