⚠️ This is a preview of an article. The content has not been published.

Article

November 19, 2026

Aplicação de Inteligência Artificial Generativa como Ferramenta de Apoio à Tomada de Decisão em Manutenção Preditiva

Murilo Buk Messias; Ronaldo de Lucio

DOI: 10.22167/2675-6528-202603833

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A crescente utilização de dados operacionais na indústria ampliou a relevância da manutenção preditiva para a identificação de falhas em equipamentos. Avaliou-se a confiabilidade e a aplicabilidade da Inteligência Artificial Generativa (IAG) como ferramenta de apoio à análise de dados industriais, comparando suas classificações com as de um modelo supervisionado Random Forest. A pesquisa utilizou o Al4l 2020 Balanced Predictive Maintenance Dataset e seus conjuntos originais de treinamento e teste. Após o treinamento e a otimização do Random Forest, selecionaram-se 198 registros válidos do conjunto de teste, sendo 98 casos de falha e 100 de não falha. Os mesmos registros foram analisados pelo GPT-40 com prompts estruturados e estratégia few-shot prompting. O desempenho foi medido por acurácia, precisão, recall e F1-score, além da análise das divergências e das justificativas técnicas geradas pelo GPT-40. O Random Forest superou o GPT-40 em todas as métricas, com acurácia de 90,40% (RF) vs. 78,28% (GPT-40), precisão de 97,59% (RF) vs. 80,22% (GPT-40), recall de 82,65% (RF) vs. 74,49% (GPT-40) e F1-score de 89,50% (RF) vs. 77,25% (GPT-40). Apesar do desempenho quantitativo inferior, o GPT-40 produziu classificações e justificativas técnicas em linguagem natural, indicando potencial complementar aos modelos supervisionados na interpretação de dados e apoio à tomada de decisão.

Palavras-chave: análise de dados; apoio à decisão; inteligência artificial generativa; manutenção preditiva; modelos supervisionados.

1. Introdução

A crescente adoção de tecnologias associadas à Indústria 4.0 tem promovido mudanças significativas nos sistemas produtivos. Essa transformação amplia a integração entre equipamentos, sensores e sistemas de informação, tornando a tomada de decisão industrial cada vez mais orientada por dados (Javaid et al., 2022; Olsen e Tomlin, 2019). Nesse contexto, a disponibilidade de grandes volumes de dados operacionais, provenientes de sistemas de monitoramento em tempo real, potencializa o uso de abordagens analíticas voltadas à melhoria da eficiência e confiabilidade dos processos produtivos (Ren et al., 2019).

Entre as abordagens analíticas, destaca-se a manutenção preditiva, que utiliza dados históricos e em tempo real para identificar padrões de degradação e antecipar a ocorrência de falhas em equipamentos industriais (Çinar et al., 2020; Paolanti et al., 2018). Essa estratégia permite intervenções antecipadas, contribuindo para a redução de paradas não planejadas e para a otimização do desempenho operacional. No entanto, a efetiva utilização desses dados ainda representa um desafio, pois sua análise exige métodos capazes de extrair informações relevantes em ambientes caracterizados por alta complexidade e diversidade de dados (Escobar, McGovern e Morales-Menéndez, 2021).

Nesse cenário, modelos supervisionados de Machine Learning têm sido amplamente aplicados na identificação de falhas, com resultados consistentes em tarefas de classificação de dados industriais (Achouch et al., 2022). Contudo, a aplicação dessas técnicas demanda etapas estruturadas de modelagem, conhecimento especializado e disponibilidade de dados rotulados. Esses requisitos podem limitar sua implementação em determinados contextos organizacionais (Paleyes, Urma e Lawrence, 2022).

Mais recentemente, avanços em Inteligência Artificial Generativa (IAG), especialmente por meio de Large Language Models (LLM), têm ampliado as possibilidades de uso da inteligência artificial em atividades relacionadas à interpretação de dados e apoio à tomada de decisão (Garcia et al., 2024; Kusiak, 2024). Esses modelos apresentam a capacidade de processar informações e produzir interpretações em linguagem natural, sugerindo um potencial para utilização em contextos industriais.

Apesar do potencial, a aplicação da IAG em dados estruturados ainda suscita questionamentos quanto à consistência e confiabilidade das respostas geradas, especialmente em tarefas que exigem maior rigor analítico (Liu, Wang e Chen, 2024; Tang et al., 2023). A aplicação desses modelos generativos em tarefas tradicionalmente associadas ao Machine Learning supervisionado levanta questões sobre sua capacidade de reproduzir padrões analíticos consistentes, particularmente em cenários que envolvem dados estruturados. Estudos recentes apontam que modelos baseados em linguagem podem apresentar limitações em tarefas que exigem raciocínio analítico rigoroso, reforçando a necessidade de avaliação crítica de seu desempenho em aplicações industriais (Borisov et al., 2022).

Diante desse contexto, emerge a necessidade de investigar o uso da Inteligência Artificial Generativa como ferramenta de apoio à análise de dados industriais, especialmente em aplicações de manutenção preditiva, nas quais a precisão e a confiabilidade das decisões são fatores críticos. Assim, o objetivo deste estudo é avaliar a confiabilidade e a aplicabilidade da Inteligência Artificial Generativa como ferramenta de apoio à análise de dados industriais no contexto da manutenção preditiva, por meio da comparação das classificações produzidas pelo modelo GPT-40 com aquelas obtidas pelo modelo supervisionado Random Forest, utilizado como referência.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa aplicada, visando gerar conhecimento com potencial de aplicação prática em ambientes industriais, especificamente no contexto da manutenção preditiva e da análise de dados operacionais. Quanto aos objetivos, a pesquisa adotou um caráter exploratório e analítico-comparativo, buscando avaliar a utilização da Inteligência Artificial Generativa na interpretação de dados industriais e sua capacidade de identificar condições de falha em equipamentos.

Do ponto de vista técnico, o trabalho empregou um delineamento de pesquisa experimental, baseado na comparação entre duas abordagens de análise de dados. A primeira abordagem consistiu na utilização de um modelo tradicional de Machine Learning, o Random Forest, empregado como referência para a identificação de falhas a partir de dados de sensores industriais. A segunda abordagem utilizou um modelo de Inteligência Artificial Generativa, alimentado com os mesmos dados por meio de prompts estruturados.

A pesquisa adotou uma abordagem predominantemente quantitativa para avaliar o desempenho das técnicas de análise de dados por meio de métricas objetivas de classificação. Complementarmente, incorporou-se uma dimensão qualitativa na análise das respostas produzidas pela Inteligência Artificial Generativa. Além da classificação, foram avaliadas as justificativas técnicas e interpretações fornecidas pelo modelo, buscando verificar sua utilidade como ferramenta de apoio à tomada de decisão em manutenção preditiva.

O conjunto de dados utilizado foi o AI4I 2020 Balanced Predictive Maintenance Dataset, obtido por meio de arquivos disponibilizados publicamente. Foram empregados os arquivos originais de treinamento (X_train.csv e y_train.csv) e de teste (X_test.csv e y_test.csv), preservando-se a divisão entre esses conjuntos. Os arquivos de treinamento continham 7.000 registros, enquanto os de teste possuíam 3.000 registros.

Os dados utilizados já apresentavam as variáveis contínuas em escala padronizada, com valores centrados em zero e desvios-padrão próximos de um. A variável categórica “Type” foi mantida em sua representação numérica original. O notebook utilizado na avaliação carregou esses arquivos diretamente, sem a necessidade de uma nova etapa de padronização dos dados.

Como método de referência, utilizou-se o algoritmo Random Forest. O modelo foi submetido à otimização de hiperparâmetros por meio do método RandomizedSearchCV, empregando validação cruzada estratificada com três subdivisões (3-fold cross-validation) e o F1-score como métrica de seleção. Avaliaram-se 20 combinações de hiperparâmetros, incluindo o número de árvores, profundidade máxima, número mínimo de amostras para divisão de nós e número mínimo de amostras por folha.

O modelo Random Forest foi configurado com ponderação de classes (`class_weight = balanced`) e um estado aleatório (`random_state = 42`), buscando mitigar o efeito do desbalanceamento natural do conjunto de dados. Após o treinamento com o conjunto de treinamento, o modelo foi aplicado ao conjunto de teste para gerar probabilidades de ocorrência de falha para cada registro.

Para converter as probabilidades em classificações binárias, adotou-se um limiar de decisão (threshold) de 0,30. Probabilidades iguais ou superiores a esse valor foram classificadas como falha. Esse limiar, inferior ao valor convencional de 0,50, foi definido para aumentar a sensibilidade do modelo na identificação de eventos de falha, considerando o impacto operacional de falhas não detectadas.

O desempenho do modelo Random Forest foi avaliado por meio da matriz de confusão e das métricas de acurácia, precisão, recall e F1-score. Essas métricas permitiram quantificar a capacidade do modelo em identificar corretamente as condições de falha e não falha nos equipamentos industriais.

Para a avaliação comparativa, selecionou-se uma amostra aleatória balanceada do conjunto de teste, composta por 200 registros. Essa amostra foi inicialmente planejada com 100 registros de falha e 100 de não falha para mitigar o viés de desbalanceamento. Durante a validação, identificaram-se dois registros inválidos na classe de falha, resultando em uma amostra final de 198 registros válidos, sendo 98 casos de falha e 100 de não falha.

Os dados dessa amostra foram submetidos ao modelo GPT-40, utilizado como representante de Inteligência Artificial Generativa. A interação com o GPT-40 foi realizada por meio de um prompt estruturado, conforme detalhado no Apêndice A. O modelo foi instruído a analisar as variáveis operacionais da máquina e classificar a ocorrência de falha ou não falha, além de produzir uma justificativa técnica em linguagem natural.

Para orientar as classificações do GPT-40, empregou-se a estratégia few-shot prompting, utilizando dez exemplos de referência. Esses exemplos, sendo cinco registros da classe de não falha e cinco da classe de falha, foram selecionados exclusivamente do conjunto de treinamento, com `random_state = 123`, para evitar o uso de registros da amostra de avaliação.

A execução do GPT-40 foi realizada com temperatura igual a zero e limite máximo de 500 tokens por resposta, buscando reduzir a variabilidade estocástica das respostas. O modelo foi instruído a retornar a classificação e a justificativa técnica exclusivamente no formato JSON. O GPT-40 recebeu apenas as variáveis operacionais, sem acesso às probabilidades de falha estimadas pelo Random Forest, às classificações desse modelo ou aos rótulos reais dos registros.

As classificações produzidas pelo Random Forest e pelo GPT-40 foram comparadas com os rótulos reais do conjunto de teste para determinar os acertos e erros de cada abordagem. A comparação entre os modelos foi realizada de forma complementar, permitindo identificar situações de concordância e divergência, sem considerar a classificação de um modelo como verdade de referência para o outro.

Além da avaliação quantitativa, realizou-se uma análise qualitativa das justificativas produzidas pela Inteligência Artificial Generativa. Observaram-se aspectos como coerência técnica, consistência das interpretações e alinhamento das explicações com os padrões identificados nos dados operacionais do equipamento, buscando verificar a utilidade dessas justificativas como apoio à tomada de decisão.

Adicionalmente, realizou-se uma análise por bootstrap para estimar intervalos de confiança de 95% das métricas de desempenho. O procedimento consistiu na reamostragem dos registros avaliados, com reposição, em 2.000 iterações. Essa análise permitiu estimar a variabilidade das métricas de acurácia, precisão, recall e F1-score.

Como análise complementar, conduziu-se um teste de sensibilidade à formulação do prompt. Para esse procedimento, selecionaram-se 30 registros da amostra de avaliação, sendo 15 associados à ocorrência de falha e 15 à condição de não falha. Os mesmos registros foram submetidos a uma segunda formulação de prompt, mantendo-se o modelo GPT-40 e as configurações gerais de execução, conforme Apêndice A.5. A consistência foi avaliada pela proporção de classificações idênticas entre as duas formulações.

3. Resultados e Discussão

Os resultados da pesquisa permitiram uma avaliação comparativa do desempenho da Inteligência Artificial Generativa (IAG) e do modelo supervisionado Random Forest na tarefa de classificação de falhas em manutenção preditiva. A análise quantitativa inicial demonstrou que o Random Forest superou o GPT-40 em todas as métricas de desempenho avaliadas, sob as condições experimentais estabelecidas. Essa superioridade foi consistente em termos de acurácia, precisão, recall e F1-score, indicando uma maior capacidade do modelo supervisionado em identificar corretamente as condições de falha e não falha nos dados industriais examinados.

Especificamente, a acurácia do Random Forest foi de 90,40%, enquanto o GPT-40 alcançou 78,28%. Em relação à precisão, o modelo supervisionado atingiu 97,59%, significativamente superior aos 80,22% obtidos pelo modelo generativo. Para o recall, os valores foram de 82,65% para o Random Forest e 74,49% para o GPT-40. Por fim, o F1-score, que representa um equilíbrio entre precisão e recall, foi de 89,50% para o Random Forest e 77,25% para o GPT-40. Esses dados corroboram a robustez dos modelos supervisionados em tarefas de classificação de dados industriais, conforme apontado por Achouch et al. (2022).

A análise detalhada das métricas revela que o Random Forest apresentou uma maior capacidade de classificação correta dos registros, além de um melhor equilíbrio entre precisão e recall. A precisão elevada do Random Forest, de 97,59%, indica que a maioria dos alertas de falha emitidos por ele foi de fato correta, minimizando falsos positivos. O recall de 82,65% demonstra sua eficácia em detectar uma proporção significativa das falhas reais presentes na amostra, o que é crucial em manutenção preditiva para evitar paradas não planejadas.

Por outro lado, o desempenho inferior do GPT-40 nas mesmas métricas sugere que, nas condições experimentais adotadas, ele não se mostrou um substituto direto para o Random Forest como mecanismo principal de classificação de falhas. Embora a IAG demonstre potencial em diversas aplicações, sua consistência e confiabilidade em tarefas que exigem rigor analítico em dados estruturados ainda são objeto de questionamento (Liu, Wang e Chen, 2024; Tang et al., 2023). Os resultados quantitativos deste estudo reforçam essa perspectiva, indicando que a IAG, por si só, não atinge o mesmo nível de desempenho preditivo que um modelo supervisionado otimizado.

A avaliação das matrizes de confusão forneceu uma visualização mais aprofundada da distribuição dos acertos e erros de classificação para ambos os modelos, utilizando a amostra global de 198 registros válidos. O Random Forest classificou corretamente 98 registros sem falha e 81 registros com falha, totalizando 179 classificações corretas. Em contraste, o GPT-40 classificou corretamente 82 registros sem falha e 73 registros com falha, somando 155 classificações corretas.

A diferença na quantidade de erros foi notável: o Random Forest produziu apenas dois falsos positivos e 17 falsos negativos, enquanto o GPT-40 gerou 18 falsos positivos e 25 falsos negativos. No contexto da manutenção preditiva, os falsos negativos (falhas não detectadas) são particularmente críticos, pois podem levar a paradas não planejadas e custos elevados. A menor taxa de falsos negativos do Random Forest (17 vs. 25) reforça sua maior confiabilidade para essa aplicação, alinhando-se com a importância de antecipar eventos de falha (Potharaju et al., 2025).

A matriz de confusão, portanto, corrobora a superioridade quantitativa do Random Forest, evidenciando sua menor propensão a cometer erros de classificação em ambas as categorias. A maior quantidade de falsos positivos e falsos negativos observada no modelo generativo está em consonância com seu desempenho inferior nas métricas de precisão e recall. Essa análise detalhada dos erros é fundamental para compreender as implicações operacionais de cada tipo de erro em um cenário industrial.

É importante ressaltar que as métricas foram calculadas sobre uma amostra experimental balanceada, composta por 98 registros de falha e 100 registros de não falha. Embora essa abordagem permita uma comparação controlada entre os modelos, ela não reflete a prevalência real de falhas em ambientes industriais, onde as falhas são geralmente eventos menos frequentes. Consequentemente, os resultados devem ser interpretados dentro dos limites da amostra e do procedimento experimental adotado, sem generalizações diretas para todos os contextos industriais.

Para complementar a comparação pontual, foram estimados intervalos de confiança de 95% para as métricas de desempenho, utilizando 2.000 reamostragens bootstrap. Para a acurácia, o Random Forest apresentou um intervalo de 86,36% a 94,44%, enquanto o GPT-40 variou de 72,73% a 83,85%. Na precisão, o Random Forest obteve 93,67% a 100,00%, e o GPT-40, 71,76% a 88,30%. Para o recall, os intervalos foram de 75,22% a 90,00% para o Random Forest e 65,69% a 83,50% para o GPT-40. Finalmente, o F1-score do Random Forest variou de 84,58% a 93,81%, contra 70,24% a 83,75% do GPT-40.

Esses intervalos de confiança reforçam a diferença de desempenho observada nos valores pontuais, especialmente para acurácia, precisão e F1-score. A sobreposição mínima ou inexistente dos intervalos para as métricas mais críticas sugere que a superioridade do Random Forest é estatisticamente consistente dentro da amostra avaliada. Contudo, a interpretação desses intervalos deve considerar o tamanho e a composição da amostra, pois a reamostragem bootstrap estima a variabilidade associada à amostra específica, não substituindo uma validação com dados independentes de outros ambientes industriais.

A análise qualitativa das justificativas produzidas pelo GPT-40 revelou uma característica distintiva e potencialmente valiosa do modelo generativo. Além de classificar, o GPT-40 foi capaz de gerar justificativas técnicas em linguagem natural para suas classificações, baseadas nos parâmetros operacionais fornecidos. Essa capacidade de interpretação e comunicação dos resultados analíticos é um diferencial relevante, pois pode facilitar a compreensão dos achados por profissionais não especializados em ciência de dados (Cabello, Sales e Machado, 2025).

Apesar do desempenho quantitativo inferior, a habilidade do GPT-40 em fornecer explicações contextuais a partir de dados estruturados (Li et al., 2024) sugere um papel complementar aos modelos tradicionais. Essa característica pode ser particularmente útil em cenários de manutenção preditiva, onde a interpretabilidade das decisões é crucial para a confiança e a aceitação das recomendações pelos operadores e gestores. A IAG pode, assim, auxiliar na ponte entre os resultados complexos dos modelos de Machine Learning e a tomada de decisão humana.

Exemplo 1 – Falha corretamente identificada

Em um registro específico, ambos os modelos classificaram corretamente a ocorrência de falha. Os parâmetros operacionais apresentados incluíam tipo de equipamento 1, temperatura do ar de 1,297432, temperatura do processo de 0,602860, velocidade de rotação de -1,158979, torque de 1,205113 e desgaste da ferramenta de 0,723461. O rótulo real do conjunto de dados indicava falha. O Random Forest estimou uma probabilidade de falha de 0,901279, valor superior ao limiar de decisão de 0,30 adotado no experimento, resultando na classificação de falha.

O GPT-40 também classificou este registro como falha e forneceu a justificativa técnica: “O torque elevado e o desgaste da ferramenta acima da média indicam uma possível falha, apesar de a temperatura do ar e do processo estarem dentro de uma faixa aceitável.” Este exemplo ilustra uma situação de concordância entre as abordagens, onde a falha foi corretamente identificada e interpretada por ambos os sistemas, destacando a capacidade do GPT-40 de extrair informações relevantes para sua justificativa, mesmo com dados padronizados.

Exemplo 2 – Condição de não falha corretamente identificada

Em outro registro, ambos os modelos classificaram corretamente a condição de não falha. Os parâmetros operacionais incluíam tipo de equipamento 2, temperatura do ar de -1,652334, temperatura do processo de -1,486567, velocidade de rotação de 0,743125, torque de -0,761093 e desgaste da ferramenta de 0,079323. O rótulo real do conjunto de dados era “Não falha”. O Random Forest estimou uma probabilidade de falha de 0,000000, resultando na classificação de não falha.

O GPT-40 também classificou o registro como não falha, com a justificativa técnica: “Apesar das baixas temperaturas do ar e do processo, a velocidade de rotação e o torque estão dentro de faixas normais, e o desgaste da ferramenta é mínimo, indicando ausência de sinais imediatos de falha.” Este caso demonstra a concordância entre os modelos em uma situação de ausência de falha. A justificativa gerada pelo modelo generativo, embora útil para a interpretação, deve ser compreendida como uma explicação textual de sua resposta, não como uma representação direta do processo interno de decisão do modelo.

Exemplo 3 – Divergência entre modelos

Na avaliação final, foram identificados 50 registros (25,25% dos 198 registros válidos) nos quais as classificações do Random Forest e do GPT-40 divergiram. Para ilustrar esse comportamento, um registro com rótulo real de falha foi analisado. Os parâmetros operacionais eram: tipo de equipamento 2, temperatura do ar de 1,947381, temperatura do processo de 2,153081, velocidade de rotação de -0,651379, torque de 0,803846 e desgaste da ferramenta de 1,681813.

Neste registro, o Random Forest classificou incorretamente a condição como não falha, pois a probabilidade estimada de falha de 0,271993 ficou abaixo do limiar de decisão de 0,30. Em contraste, o GPT-40 classificou corretamente o registro como falha, de acordo com o rótulo real. A justificativa técnica do GPT-40 destacou: “Elevados valores de temperatura do ar e do processo, combinados com desgaste significativo da ferramenta, indicam uma condição de operação que pode levar a falha.”

Este exemplo de divergência é crucial, pois demonstra que, em casos específicos, o modelo generativo pode acertar onde o modelo supervisionado erra. No entanto, não é possível inferir, a partir de um único registro, que o GPT-40 possua uma capacidade geral superior de identificação de falhas ou que tenha identificado um padrão que o Random Forest não conseguiu reconhecer. A interpretação desse resultado deve ser feita em conjunto com as métricas calculadas sobre toda a amostra, que indicam a superioridade geral do Random Forest.

De forma geral, os exemplos apresentados ilustram tanto situações de concordância quanto de divergência entre as abordagens. A comparação com os rótulos reais permite determinar a correção de cada classificação, evitando que a divergência seja interpretada, isoladamente, como evidência de superioridade de uma das abordagens. Esses resultados devem ser considerados em conjunto com a avaliação quantitativa, que consistentemente apontou o desempenho superior do Random Forest nas quatro métricas analisadas.

No teste de sensibilidade à formulação do prompt, as classificações produzidas pelas duas formulações apresentaram uma concordância de 96,67% nos 30 registros avaliados. Foi observada apenas uma divergência entre as formulações, indicando que a classificação do GPT-40 não foi idêntica em todos os casos. Este resultado sugere uma consistência elevada entre as duas formulações específicas testadas, mas essa evidência deve ser interpretada de forma restrita ao experimento realizado, uma vez que a amostra foi pequena e limitada a duas formulações.

Portanto, não é possível concluir que o modelo seja invariável a alterações de prompt ou que apresente estabilidade equivalente em outros conjuntos de dados e contextos operacionais. A análise teve caráter exploratório, buscando verificar a estabilidade das respostas diante das formulações específicas utilizadas, sem pretender demonstrar estabilidade geral do modelo. Essa limitação metodológica é importante para a interpretação dos resultados, conforme discutido por Borisov et al. (2022).

Em síntese, os achados deste estudo indicam que, embora o Random Forest demonstre superioridade quantitativa na classificação de falhas em manutenção preditiva, o GPT-40 oferece um valor complementar significativo por sua capacidade de gerar justificativas técnicas em linguagem natural. Essa característica pode aprimorar a interpretabilidade dos resultados e o apoio à tomada de decisão, sugerindo uma arquitetura híbrida onde modelos supervisionados realizam a classificação primária e modelos generativos auxiliam na interpretação e comunicação dos achados.

4. Conclusão

O presente estudo avaliou a confiabilidade e a aplicabilidade da Inteligência Artificial Generativa (IAG) como ferramenta de apoio à análise de dados industriais no contexto da manutenção preditiva, comparando as classificações do modelo GPT-40 com as do modelo supervisionado Random Forest. Verificou-se que o Random Forest demonstrou desempenho quantitativo superior em todas as métricas de classificação, alcançando acurácia de 90,40%, precisão de 97,59%, recall de 82,65% e F1-score de 89,50%. Em contraste, o GPT-40 obteve acurácia de 78,28%, precisão de 80,22%, recall de 74,49% e F1-score de 77,25%. A análise das matrizes de confusão reforçou essa diferença, indicando menor ocorrência de falsos positivos e falsos negativos no Random Forest. Apesar do desempenho preditivo inferior, o GPT-40 destacou-se pela capacidade de gerar justificativas técnicas em linguagem natural para suas classificações, o que representa uma contribuição valiosa para a interpretabilidade dos resultados e o apoio à tomada de decisão por profissionais não especializados.

Os resultados sugerem que a Inteligência Artificial Generativa, nas condições estudadas, possui um caráter complementar aos modelos supervisionados, indicando o potencial para arquiteturas híbridas nas quais modelos tradicionais realizam a classificação primária e modelos generativos auxiliam na interpretação e comunicação. Contudo, o estudo apresentou limitações, como o uso de uma amostra experimental balanceada que não reflete a prevalência real de falhas industriais e a restrição da generalização dos resultados devido ao tamanho da amostra de 198 registros. Além disso, a natureza pré-treinada do GPT-40 e a ausência de uma base de conhecimento externa controlada limitam a garantia de que todas as informações utilizadas em suas respostas tiveram origem exclusiva nos dados fornecidos. Para estudos futuros, recomenda-se a realização de experimentos com bases de dados industriais reais e de maior dimensão, a comparação com outros modelos de Machine Learning e IAG, e a investigação de arquiteturas híbridas e mecanismos de recuperação de conhecimento, como RAG, para aprimorar a confiabilidade das análises e o suporte à decisão em cenários de manutenção preditiva.

Referências Bibliográficas

ACHOUCH, M. et al. On Predictive Maintenance in Industry 4.0: Overview, Models, and Challenges. Applied Sciences, MDPI AG, v. 12, n. 16, p. 8081 –, Agosto 2022. ISSN 2076-3417. Disponível em: <https://doi.org/10.3390/app12168081>. Acesso em: 17 jun. 2026.

BORISOV, V. et al. Deep Neural Networks and Tabular Data: A Survey. arXiv (Cornell University), 29 jun. 2022.

CABELLO, M. D. la C.; SALES, T. P.; MACHADO, M. R. AIOps for log anomaly detection in the era of LLMs: A systematic literature review. Intelligent Systems with Applications, Elsevier BV, v. 28, p. 200608 –, Dezembro 2025. ISSN 2667-3053. Disponível em: <https://doi.org/10.1016/j.iswa.2025.200608>. Acesso em: 18 jun. 2026.

ESCOBAR, C. A.; MCGOVERN, M. E.; MORALES-MENENDEZ, R. Quality 4.0: a review of big data challenges in manufacturing. Journal of Intelligent Manufacturing, Springer Science and Business Media LLC, v. 32, n. 8, p. 2319 – 2334, Abril 2021. ISSN 0956-5515. Disponível em: <https://doi.org/10.1007/s10845-021-01765-4>. Acesso em: 12 jun. 2026.

GARCIA, C. I. et al. Framework for LLM applications in manufacturing. Manufacturing Letters, Elsevier BV, v. 41, p. 253 – 263, Outubro 2024. ISSN 2213-8463. Disponível em: <https://doi.org/10.1016/j.mfglet.2024.09.030>. Acesso em: 12 jun. 2026.

JAVAID, M. et al. An integrated outlook of Cyber-Physical Systems for Industry 4.0: Topical practices, architecture, and applications. Green Technologies and Sustainability, Elsevier BV, v. 1, n. 1, p. 100001 –, Janeiro 2023. ISSN 2949-7361. Disponível em: <https://doi.org/10.1016/j.grets.2022.100001>. Acesso em: 12 jun. 2026.

KUSIAK, A. Generative artificial intelligence in smart manufacturing. Journal of Intelligent Manufacturing, Springer Science and Business Media LLC, v. 36, n. 1, p. 1 – 3, Agosto 2024. ISSN 0956-5515. Disponível em: <https://doi.org/10.1007/s10845-024-02480-6>. Acesso em: 12 jun. 2026.

LI, A. et al. Anomaly Detection of Tabular Data Using LLMs. Disponível em: <https://arxiv.org/abs/2406.16308>. Acesso em: 02 jun. 2026.

LIU, T.; WANG, F.; CHEN, M. Rethinking Tabular Data Understanding with Large Language Models. In:. Association for Computational Linguistics, 2024. p. 450 – 482. Disponível em: <https://doi.org/10.18653/v1/2024.naacl-long.26>. Acesso em: 11 jun. 2026.

OLSEN, T. L.; TOMLIN, B. Industry 4.0: Opportunities and Challenges for Operations Management. SSRN Electronic Journal, Elsevier BV, 2019. ISSN 1556-5068. Disponível em: <https://doi.org/10.2139/ssrn.3365733>. Acesso em: 30 maio 2026.

PALEYES, A.; URMA, R.; LAWRENCE, N. D. Challenges in Deploying Machine Learning: A Survey of Case Studies. ACM Computing Surveys, Association for Computing Machinery (ACM), v. 55, n. 6, p. 1 – 29, Dezembro 2022. ISSN 0360-0300. Disponível em: <https://doi.org/10.1145/3533378>. Acesso em: 27 maio 2026.

PAOLANTI, M. et al. Machine Learning approach for Predictive Maintenance in Industry 4.0. In: . IEEE, 2018. p. 1 – 6. Disponível em: <https://doi.org/10.1109/mesa.2018.8449150>. Acesso em: 27 maio 2026.

POTHARAJU, S. et al. A two-step machine learning approach for predictive maintenance and anomaly detection in environmental sensor systems. MethodsX, Elsevier BV, v. 14, p. 103181 –, Junho 2025. ISSN 2215-0161. Disponível em: <https://doi.org/10.1016/j.mex.2025.103181>. Acesso em: 27 maio 2026.

REN, S. et al. A comprehensive review of big data analytics throughout product lifecycle to support sustainable smart manufacturing: A framework, challenges and future research directions. Journal of Cleaner Production, Elsevier BV, v. 210, p. 1343 – 1365, Fevereiro 2019. ISSN 0959-6526. Disponível em: <https://doi.org/10.1016/j.jclepro.2018.11.025>. Acesso em: 29 maio 2026.

TANG, X. et al. Struc-Bench: Are Large Language Models Really Good at Generating Complex Structured Data? Disponível em: <https://arxiv.org/abs/2309.08963>. Acesso em: 02 fev. 2026.

ÇINAR, Z. M. et al. Machine Learning in Predictive Maintenance towards Sustainable Smart Manufacturing in Industry 4.0. Sustainability, MDPI AG, v. 12, n. 19, p. 8211 –, Outubro 2020. ISSN 2071-1050. Disponível em: <https://doi.org/10.3390/su12198211>. Acesso em: 17 jun. 2026.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

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

You may also like

November 17, 2026

Detection and Diagnosis of Diseases in Corn and Rice in Mozambique with Deep Learning

Mozambican agriculture depends on corn and rice, fundamental crops for food security, but their productivity is strongly affected by phytosanitary diseases, whose early and accurate identification remains a challenge in resource-limited contexts. The study aimed to develop and compare Deep Learning-based models for the automatic detection and diagnosis of diseases in corn and rice leaves in Mozambique. Three approaches were used: a classic Convolutional Neural Network (CNN) developed from scratch, and two transfer learning models, ResNet50 and MobileNetV2. The dataset consisted of images from public databases and collected in the field, which underwent cleaning, balancing, and artificial augmentation steps. The models were trained and evaluated with standard performance metrics, including accuracy, precision, recall, F1-score, Log Loss, and Cohen’s Kappa. The classic CNN presented the best overall performance, with 94% precision, recall, and F1-score, and 93% accuracy and Cohen’s Kappa. MobileNetV2 achieved 91% F1-score and 90% accuracy, standing out for its lower Log Loss (0.30) and training time (6h32min59s). ResNet50 reached 80% F1-score and 79% accuracy. It was concluded that Deep Learning techniques have high potential to support phytopathological diagnosis in real agricultural contexts, contributing to faster and more accurate decisions in the management of corn and rice diseases.

Keywords: Deep learning; Rice; Plant diseases; Corn; Computer vision.

November 17, 2026

Artificial intelligence in accounting operational routines and financial efficiency

The incorporation of Artificial Intelligence (AI) and automation tools has reconfigured the routines of Brazilian accounting offices, impacting productivity, error mitigation, and financial efficiency. These impacts were analyzed in a small accounting firm, specialized in serving service providers in the medical field in São Caetano do Sul, São Paulo. The research adopted a qualitative approach, with a single case study design and incorporated units of analysis. Data were collected through a structured questionnaire, applied via Google Forms between January and February 2026, to five professionals in the operational structure of the firm in a census survey. The treatment followed content analysis with a priori and emergent categories. All respondents declared the use of automated tools or tools with AI resources. The perception of reduced execution time, decreased operational errors, rework, and better use of the team’s time converged in 80% of affirmative responses and 20% partial responses. The most benefited activities were bank reconciliation, import of fiscal documents, and tax assessment, with visible gains on typing errors, duplicate entries, and incorrect classification. Human intervention remained indispensable in tax planning, scenario analysis, and verification of ancillary obligations. The overall evaluation of AI’s contribution was predominantly favorable, with moderation linked to the complexity of fiscal regulations.

Keywords: Content analysis; Process automation; Accounting 4.0; Small business; Digital transformation.

November 17, 2026

Factors influencing schedule management in sewage treatment plant “retrofit” projects

Projects involving “retrofit” in Sewage Treatment Plants (STP) are characterized by high complexity, operational restrictions, and multiple technical interfaces. The study analyzed the perception of the professionals involved regarding the management and adherence to deadlines in “retrofit” projects for sewage treatment plants, considering technical, operational, and organizational factors. The research was characterized as an applied study, with a quali-quantitative approach, designed as a field survey. Data analysis was performed using descriptive statistics and qualitative categorization, employing SWOT, risk matrix (Probability x Impact), and 5W2H action plan tools. The results indicated a high perception of clarity (77.8%) and realism of deadlines (100% agreement), evidencing consistent initial planning. However, 77.7% of respondents pointed out that rework and scope changes directly impacted deadline adherence. The integration between engineering, manufacturing, and Production Planning and Control (PPC) showed an intermediate evaluation (77.7% partial/total agreement), indicating fragility in interfunctional coordination. The risk matrix highlighted as critical: scope changes, operational limitations of the STP, and technical complexity, all with a high level. As a central improvement, the standardization of scope change control, analysis, and approval was proposed, aiming to reduce rework and increase schedule predictability.

Keywords: Performance; Integration; Planning; Rework; Risk.

November 17, 2026

B2C Acquisition in diagnostic medicine: strategic partnerships with specialized medical offices

The diagnostic medicine sector in Brazil operates with high dependence on health plan providers, which limits the financial autonomy of service providers. This study proposed and analyzed a direct patient acquisition model (B2C) for a highly complex diagnostic medicine institution, structured through partnerships with Oncology and Cardiology practices and operationalized by a personalized customer service called concierge. The investigation adopted a mixed-methods approach in three phases: a field survey with a structured questionnaire applied to 87 patients, mapping of the operational flow using “Service Blueprint”, and analysis of the conversion rate from 312 medical referrals registered in the pilot project. The results indicated that trust in medical referral achieved 92.0% agreement, establishing itself as the main factor for adherence. The convenience of performing the exam on the same day reached 78.2%, and the willingness to pay directly was 55.2%, with polarization associated with the predominance of health plan users. The “Service Blueprint” identified three critical points in the transitions between stages of the patient journey. The overall conversion rate was 51.0%, with superior performance in Oncology (58.2%) compared to Cardiology (45.0%), and the greatest loss was concentrated in the acceptance and scheduling stage (28.3%). It was concluded that the model demonstrated possible operational viability and indications of patient acceptance, conditioned by price transparency and a reduction in the interval between consultation and approach by the concierge.

Keywords: Direct payment; Patient journey; Supplementary health; Concierge service; Conversion rate.

November 17, 2026

The role of the school manager in promoting an inclusive culture: leadership and educational policies

The research analyzed the school manager’s performance in promoting an inclusive culture, considering the need to transform legal guidelines and pedagogical foundations into effective institutional practices. It was assumed that school inclusion requires planning, organization, and strategic leadership in the school’s daily operations. A qualitative approach of an applied nature was adopted, developed in three complementary stages: documentary analysis of Brazilian legislation on inclusive education, bibliographic review on school leadership and management, and data systematization using management tools such as SWOT analysis and the PDCA cycle. The results indicated that the school management’s performance directly influenced the consolidation of inclusive environments, especially in the organization of processes, continuous team training, and strengthening of a collaborative institutional culture respectful of diversity. Structural, pedagogical, and relational challenges that demanded planned interventions were also identified. Finally, a Practical Guide for School Managers was developed, with guidelines, protocols, and operational orientations for decision-making and the organization of inclusive processes. It was concluded that the construction of an inclusive culture depended on the management’s ability to articulate public policies, pedagogical practices, and institutional processes, consolidating inclusion as a permanent commitment in the school context.

Keywords: educational accessibility; educational equity; participatory management; strategic planning; institutional processes.

November 17, 2026

An AI artifact based on Design Thinking to support the elicitation of software requirements from user needs

The development of software oriented to user needs frequently faces challenges in requirements elicitation, stemming from ambiguities in natural language and communication failures. Given this, an intelligent artifact integrating Design Thinking and Artificial Intelligence was proposed and validated, focusing on the Empathy and Definition stages, to support the collection, interpretation, and structuring of user needs. The research, of an applied, qualitative, and exploratory nature, conducted a Proof of Concept in a controlled environment, employing hypothetical scenarios. The artifact operated through guided natural language interviews, organizing information into elements such as pain points, context, and impact, and generating traceable problem syntheses. The results indicated that the system organized unstructured reports, reduced ambiguities, and preserved the meaning of the original information in most cases. The ability to reorganize logically in complex scenarios was also observed, although with limitations in separating multiple problems and dependence on instructions. It was concluded that the artifact has potential as a support for requirements elicitation, improving the clarity and structuring of information, but requires supervision and contextual control.

Keywords: Design Thinking; Requirements Elicitation; Requirements Engineering; Artificial Intelligence; Natural Language Processing.

November 17, 2026

The Extinction of the Monophasic Tax System in the Pharmaceutical Industry in Light of the Tax Reform

The consumption Tax Reform, established by Constitutional Amendment No. 132/2023, introduced structural changes to the Brazilian tax system, with the replacement of the Social Integration Program (PIS) and the Social Security Financing Contribution (COFINS) by the Contribution on Goods and Services (CBS), in a dual Value Added Tax (VAT) model. The objective was to analyze the impacts of the extinction of the single-stage system on the pharmaceutical industry, in light of the new regulatory design and its economic and legal effects. A qualitative, exploratory research was conducted through a case study and documentary analysis of legislation and specialized doctrine. It was examined whether the end of the single-stage system would imply a relevant increase in the tax burden for the sector. The results indicated that, although the formal overcoming of the single-stage system has occurred, the material exemption of medicines has been preserved, mainly due to the application of reduced rates of 60% and, in certain cases, a zero rate of the Tax on Goods and Services (IBS) and CBS. The change in model may cause occasional variations in revenue collection, without characterizing a structural increase in the tax burden, tending towards neutrality over time. It was preliminarily concluded that the Tax Reform reorganized the taxation technique in the pharmaceutical industry, replacing a concentrated regime with more transparent exemption mechanisms. This approach proved compatible with the principles of neutrality, full non-cumulativeness, and fiscality, maintaining tax protection for essential medicines and aligning fiscal policy with the fundamental right to health.

Keywords: CBS; COFINS; IBS; Dual VAT; PIS.