Artículo

19 de noviembre de 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

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.