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.

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.