Artigo

24 de julho de 2026

Plataforma Modular para Desenvolvimento de Soluções de Visão Computacional em Ambientes Industriais

Catrine dos Santos Oliveira; Gabriel Gomes de Oliveira

DOI: 10.22167/2675-6528-202600677

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

A visão computacional consolidou-se como tecnologia estratégica para a automação e otimização de processos industriais, impulsionada pelos avanços do aprendizado de máquina e pela digitalização. Contudo, sua implementação em ambientes industriais apresentou desafios relacionados à complexidade técnica, fragmentação de ferramentas e alta demanda por especialização ao longo do ciclo de vida dos modelos. Nesse contexto, desenvolveu-se uma plataforma modular e extensível para o treinamento e a validação de modelos de visão computacional aplicados ao domínio industrial. A proposta integrou, em um fluxo unificado, as etapas de aquisição de dados, anotação, pré-processamento, treinamento, avaliação e disponibilização de modelos, fundamentando-se em princípios de Engenharia de Software e práticas de MLOps. A metodologia adotada caracterizou-se como exploratória e descritiva, com abordagem mista, que envolveu revisão bibliográfica, desenvolvimento iterativo da plataforma e validação em ambiente controlado. Como resultados, foram desenvolvidas a arquitetura base do sistema, a infraestrutura de backend e os serviços de processamento, a modelagem da estrutura de dados e os módulos funcionais de frontend. Validou-se, adicionalmente, o fluxo básico de funcionamento da plataforma utilizando datasets públicos e fontes de imagem em tempo real. Os resultados obtidos demonstraram a viabilidade técnica da abordagem proposta, evidenciando que a arquitetura definida oferece suporte ao desenvolvimento modular, à validação incremental e à evolução contínua da plataforma.

Palavras-chave: Aprendizado de máquina; Arquitetura de software; Automação industrial; MLOps; Sistemas distribuídos.

1. Introdução

A visão computacional tem se consolidado como uma tecnologia de relevância estratégica no cenário industrial contemporâneo, impulsionada pelos avanços exponenciais no aprendizado de máquina. Nos últimos anos, observou-se uma melhoria significativa no desempenho e na confiabilidade dos sistemas de visão computacional, o que permitiu sua ampla difusão em diversas aplicações práticas (Szeliski, 2022). Esse progresso é intrinsecamente ligado ao desenvolvimento contínuo das redes neurais, que possibilitaram avanços notáveis na interpretação automática de imagens e vídeos, viabilizando a classificação, detecção de objetos e reconhecimento de padrões visuais complexos (Goodfellow et al., 2016).

Essa evolução tecnológica se alinha diretamente com os princípios da Indústria 4.0, que preconiza a integração de sistemas produtivos com tecnologias digitais para otimizar a eficiência operacional, a qualidade e a produtividade (Dalenogare et al., 2018). No ambiente industrial, a visão computacional oferece uma gama diversificada de soluções. Exemplos incluem a visão tridimensional para indexação de objetos, essencial para a manipulação de peças por robôs colaborativos; o rastreamento e a contagem para controle de estoque; medições automáticas em inspeções dimensionais para conformidade com especificações técnicas; a detecção de defeitos em inspeções de qualidade; e a identificação de pessoas em áreas de risco. Tais aplicações são fundamentais para a redução de perdas, a maximização da eficiência e a manutenção dos padrões de qualidade em processos automatizados (Szeliski, 2022; Voulodimos et al., 2018; Malamas et al., 2003).

Apesar do vasto potencial, a implementação de soluções de visão computacional em ambientes industriais ainda enfrenta desafios substanciais. A complexidade técnica inerente a essas soluções, a fragmentação de ferramentas disponíveis no mercado e a exigência de um alto nível de especialização ao longo de todo o ciclo de vida dos modelos são barreiras significativas. Tarefas como coleta e anotação de dados, pré-processamento, treinamento e validação de modelos demandam conhecimento técnico aprofundado, o que impacta diretamente a escalabilidade e a padronização dos sistemas (Russakovsky et al., 2015). Além disso, muitas ferramentas existentes para anotação e treinamento dependem de infraestrutura em nuvem, o que pode limitar a flexibilidade para empresas que necessitam de soluções “on-premises”.

A complexidade não se restringe apenas ao desenvolvimento, mas também à garantia de um processo estruturado para a disponibilização e manutenção dessas soluções em ambientes produtivos. A ausência de mecanismos robustos de versionamento, monitoramento e integração entre as diversas etapas de desenvolvimento e implantação pode comprometer a estabilidade e a evolução contínua dos modelos de Inteligência Artificial ao longo do tempo (Kreuzberger et al., 2023). Nesse contexto, a adoção de práticas de Machine Learning Operations (MLOps) emerge como um pilar fundamental para assegurar a confiabilidade, a rastreabilidade e a continuidade operacional desses sistemas, promovendo uma gestão mais eficiente do ciclo de vida dos modelos.

Diante desses desafios e da crescente demanda por soluções de visão computacional eficientes e escaláveis, torna-se imperativo o desenvolvimento de ferramentas que simplifiquem e padronizem o ciclo de vida dos modelos. A fragmentação de ferramentas e a necessidade de equipes altamente especializadas para cada etapa do processo resultam em atrito operacional e custos elevados. Uma plataforma integrada pode mitigar esses problemas, oferecendo um fluxo de trabalho unificado que abranja desde a aquisição e anotação de dados até o treinamento, avaliação e implantação de modelos. Tal solução visa não apenas aprimorar a eficiência, mas também democratizar o acesso à visão computacional, permitindo que profissionais com diferentes níveis de especialização possam desenvolver e gerenciar soluções de forma mais autônoma.

A relevância deste estudo reside na aplicação de princípios de Engenharia de Software para mitigar a complexidade, o tempo e o esforço técnico associados à construção de soluções de visão computacional. Ao simplificar as etapas de desenvolvimento, teste e implantação de modelos, busca-se reduzir a lacuna entre o avanço técnico e a aplicação eficiente dessas tecnologias na indústria, promovendo padronização, maturidade e acessibilidade. Assim, este trabalho tem como objetivo geral desenvolver uma plataforma modular e extensível para treinamento e validação de modelos de visão computacional aplicados ao contexto industrial, integrando as etapas de aquisição de dados, anotação, pré-processamento, treinamento, avaliação e disponibilização de modelos em um fluxo unificado.

2. Material e Métodos

A pesquisa realizada caracterizou-se pela natureza exploratória e descritiva, com uma abordagem metodológica mista. No aspecto exploratório, buscou-se analisar soluções existentes e levantar requisitos, enquanto o caráter descritivo focou na documentação da arquitetura, módulos e funcionamento da plataforma. O delineamento metodológico adotado consistiu em uma Pesquisa-Ação e um Estudo de Caso Simplificado, envolvendo o desenvolvimento iterativo da plataforma e sua validação em um cenário aplicado, integrando todas as etapas do ciclo de vida dos modelos de visão computacional.

A unidade de análise central deste estudo foi a plataforma modular e extensível, projetada para o treinamento e a validação de modelos de visão computacional no contexto industrial. O desenvolvimento e os testes foram conduzidos em um ambiente computacional controlado, simulando as condições operacionais de um cenário industrial. Os procedimentos foram executados durante o período de elaboração do Trabalho de Conclusão de Curso, conforme o cronograma acadêmico estabelecido.

Para a coleta de dados, empregaram-se pesquisa bibliográfica, observação/experimentação e levantamento de dados secundários. A pesquisa bibliográfica consistiu na revisão de literatura especializada e documentação técnica sobre engenharia de software, Machine Learning Operations (MLOps) e visão computacional. Na observação/experimentação, executaram-se testes do pipeline da plataforma utilizando “datasets” públicos e fontes de imagem em tempo real, inicialmente com a câmera integrada de um computador pessoal e, posteriormente, com uma câmera de vigilância conectada à rede local.

O levantamento de dados secundários incluiu a utilização de “datasets” públicos e a documentação de frameworks como PyTorch, TensorFlow e YOLO, que subsidiaram a implementação e validação. Os procedimentos de desenvolvimento iniciaram-se com a análise de ferramentas e requisitos, por meio de revisão bibliográfica e avaliação de plataformas existentes. Em seguida, realizou-se a implementação modular dos pipelines de aquisição, anotação, pré-processamento, treinamento, avaliação e implantação.

A validação da plataforma ocorreu por meio do treinamento de modelos com “datasets” públicos e da avaliação do funcionamento da plataforma a partir de imagens e fluxos de vídeo capturados em tempo real. Os testes iniciais simularam uma câmera Internet Protocol (IP) usando a câmera integrada de um computador pessoal, e a validação posterior utilizou uma câmera conectada à rede, aproximando o ambiente de teste do contexto industrial.

A arquitetura da plataforma foi desenvolvida com Python para os serviços de processamento, como treinamento e inferência de modelos, e NestJS para o “backend” de orquestração. Para a persistência de dados estruturados, empregou-se o Prisma ORM em conjunto com o banco de dados relacional PostgreSQL. O armazenamento de arquivos de grande volume, como imagens e modelos treinados, foi realizado por meio de um mecanismo de “object storage” baseado na tecnologia MinIO.

A estrutura de dados da plataforma foi modelada em PostgreSQL para organizar informações relacionadas a projetos, câmeras, “datasets”, “frames”, anotações e treinamentos. Campos no formato JSON foram utilizados para armazenar informações dinâmicas, como configurações de câmeras e parâmetros de treinamento, conferindo flexibilidade à representação dos dados e facilitando a evolução do esquema.

A técnica de análise dos dados concentrou-se na validação do fluxo completo de funcionamento da plataforma. Avaliou-se a integração entre os diferentes módulos, desde a aquisição de dados até a aplicação dos modelos em novos dados. O desempenho e a aplicabilidade industrial da solução foram interpretados a partir da observação do funcionamento integrado e da capacidade da plataforma de suportar o ciclo de desenvolvimento de soluções de visão computacional.

3. Resultados e Discussão

Os resultados obtidos neste estudo detalham o desenvolvimento e a validação da plataforma proposta, que visa otimizar o ciclo de vida de modelos de visão computacional em ambientes industriais. A análise abrange a arquitetura do sistema, a implementação da infraestrutura de <i>backend</i>, a estruturação do <i>pipeline</i> de MLOps, a modelagem da estrutura de dados, os módulos funcionais do <i>frontend</i> e a validação do fluxo de funcionamento. A abordagem adotada buscou mitigar a complexidade e a fragmentação de ferramentas, aspectos críticos identificados na literatura (Russakovsky et al., 2015), oferecendo uma solução integrada que padroniza as etapas de desenvolvimento e implantação.

A arquitetura da plataforma foi concebida com uma clara separação de responsabilidades, distinguindo o <i>frontend web</i>, o <i>backend</i>, os serviços de processamento e os mecanismos de armazenamento. Essa divisão fundamental permite um desenvolvimento modular eficiente, facilita a validação incremental de componentes e suporta a evolução contínua da solução. A estrutura reflete princípios de arquiteturas orientadas a serviços e sistemas distribuídos contemporâneos, onde a decomposição em unidades independentes é crucial para gerenciar a complexidade e permitir o desenvolvimento isolado de componentes (Paudel et al., 2026). Tal organização é essencial para a escalabilidade e a flexibilidade exigidas em aplicações de visão computacional com processamento intensivo de dados (De Barrena et al., 2025).

A infraestrutura de <i>backend</i> foi implementada como o elemento central de orquestração do sistema, gerenciando projetos, <i>datasets</i> e treinamentos, além de coordenar a comunicação com os serviços especializados. O <i>backend</i>, desenvolvido em NestJS, foca na orquestração e no gerenciamento do fluxo da aplicação, enquanto os serviços de processamento, implementados em Python, concentram-se nas funcionalidades de processamento de dados e treinamento de modelos de visão computacional. Essa combinação tecnológica aproveita os pontos fortes de cada linguagem, promovendo flexibilidade e eficiência, e está alinhada com a especialização tecnológica dos módulos, o que otimiza tanto o desenvolvimento quanto a execução das tarefas.

Para a persistência dos dados, o <i>backend</i> emprega o Prisma ORM, que, em conjunto com o banco de dados relacional PostgreSQL, assegura a consistência das informações e a evolução controlada do esquema de dados. Essa escolha é vital para aplicações de visão computacional que demandam rastreabilidade e versionamento ao longo do ciclo de vida dos modelos. Os serviços de processamento incluem funcionalidades essenciais como captura de <i>frames</i>, treinamento de modelos e integração com o armazenamento de objetos, viabilizando a execução das etapas fundamentais do <i>pipeline</i> de visão computacional. A infraestrutura foi projetada para facilitar a expansão futura, permitindo a inclusão de novos algoritmos e configurações sem reestruturação significativa.

O funcionamento da plataforma é estruturado como um <i>pipeline</i> de dados, integrando as etapas de aquisição, anotação, pré-processamento, treinamento, avaliação e inferência de modelos de visão computacional. Essa organização unificada reduz a fragmentação do processo, que frequentemente ocorre em abordagens tradicionais com múltiplas ferramentas desconectadas. Conceitualmente, o <i>pipeline</i> pode ser interpretado como um processo estruturado alinhado aos princípios de <i>Business Process Management</i> (BPM), o que melhora a eficiência, o controle e a padronização das operações (Lizano-Mora et al., 2021). A evolução para o <i>Intelligent Business Process Management</i> (iBPM) sugere a incorporação de funcionalidades inteligentes, como anotação assistida, para reduzir a intervenção manual e aumentar a automação (Arno e Gabryelczyk, 2025).

A plataforma incorpora características associadas às práticas de MLOps, fundamentais para a rastreabilidade e o versionamento dos dados e modelos. A estrutura de armazenamento permite acompanhar a evolução dos <i>datasets</i> e dos treinamentos, possibilitando a reprodução de experimentos e o controle do ciclo de vida dos modelos. Essas funcionalidades são cruciais em sistemas de aprendizado de máquina, onde a gestão adequada dos dados e modelos impacta diretamente a confiabilidade e a manutenção das soluções (Kreuzberger et al., 2023). A integração entre as etapas do <i>pipeline</i> contribui para uma representação mais consistente do processo, favorecendo a efetividade das soluções desenvolvidas (Lee et al., 2020).

A estrutura de dados da plataforma foi modelada em PostgreSQL, permitindo o armazenamento organizado de informações cruciais como projetos, câmeras, <i>datasets</i>, <i>frames</i>, anotações e treinamentos. Essa estrutura é fundamental para a rastreabilidade dos dados e o versionamento dos modelos treinados ao longo do tempo. Embora baseada em um modelo relacional, a estrutura utiliza campos no formato JSON para informações dinâmicas, como configurações de câmeras e parâmetros de treinamento. Essa flexibilidade é vital em aplicações de visão computacional, onde diferentes modelos podem exigir estruturas de dados distintas, suportando a heterogeneidade sem uma estrutura fixa de atributos (Lv et al., 2009; Barret et al., 2024).

A flexibilidade do armazenamento é equilibrada com a consistência das camadas de aplicação por meio do uso de <i>Data Transfer Objects</i> (DTOs) no <i>backend</i> e interfaces tipadas no <i>frontend</i>. Essa abordagem garante previsibilidade no acesso aos dados e facilita a manutenção e evolução do sistema. Para o armazenamento de arquivos de grande volume, como imagens e modelos treinados, foi adotado um mecanismo de <i>object storage</i> baseado na tecnologia MinIO, integrado aos serviços de processamento e ao <i>backend</i>. Essa separação entre dados estruturados e arquivos de grande volume contribui para a escalabilidade e melhora o desempenho no acesso e manipulação desses dados, aspecto crucial em sistemas distribuídos que lidam com grandes volumes (Liao et al., 2019).

No <i>frontend web</i> da plataforma, foram implementados módulos funcionais para gerenciamento de projetos, coleta de dados, anotação e treinamento de modelos. Esses módulos permitem ao usuário configurar projetos, capturar dados de imagem, realizar anotações, exportar <i>datasets</i>, treinar e executar inferências por meio de uma interface gráfica intuitiva. O fluxo de utilização é estruturado a partir do gerenciamento de projetos, permitindo ao usuário visualizar e selecionar projetos existentes e acessar as diferentes etapas do processo de desenvolvimento de forma sequencial e orientada. As interfaces foram projetadas para simplificar o uso, mesmo para profissionais não especialistas em IA.

Apesar da organização sequencial, o fluxo não é restritivo, permitindo ao usuário retornar a etapas anteriores, realizar novas iterações e gerenciar diferentes versões de <i>datasets</i> e modelos, mantendo a rastreabilidade entre os dados e os resultados. Mecanismos de otimização da interação do usuário, como atalhos e configurações de preferências, foram implementados na anotação de dados para reduzir ações manuais e tornar o processo mais ágil. Os módulos encontram-se operacionais, possibilitando a execução do fluxo básico de criação e validação de soluções de visão computacional em um único ambiente, o que representa um avanço significativo na padronização e escalabilidade.

Inicialmente, a funcionalidade de exportação de <i>datasets</i> foi concebida para validação interna das anotações. Contudo, o desenvolvimento evoluiu para permitir a exportação completa dos <i>datasets</i>, incluindo imagens e anotações, em formatos amplamente utilizados como YOLO e COCO. Essa capacidade amplia a utilização dos dados em diferentes contextos de treinamento e validação de modelos. Um diferencial implementado é a geração de <i>Uniform Resource Locators</i> (URLs) pré-assinadas para acesso direto aos arquivos armazenados, o que contribui para a redução do tempo de geração dos arquivos exportados e melhora o desempenho do sistema, especialmente com grandes volumes de dados (Liao et al., 2019).

Essa evolução da funcionalidade de exportação promove maior autonomia e flexibilidade para o usuário, permitindo que os <i>datasets</i> sejam utilizados tanto dentro quanto fora da plataforma. Em ambientes industriais, essa característica é relevante para garantir a continuidade das operações em situações de indisponibilidade de recursos ou necessidade de manutenção, além de possibilitar que usuários com maior nível técnico realizem experimentações específicas. A solução, ao oferecer suporte ao fluxo completo de desenvolvimento, evita o acoplamento a um único ambiente, favorecendo a portabilidade e reutilização dos dados ao longo do ciclo de desenvolvimento.

Como complemento às etapas de treinamento, a plataforma permite a execução de inferência utilizando os modelos gerados, possibilitando a análise de novos dados a partir das soluções desenvolvidas. A inferência pode ser realizada tanto por meio da importação de imagens quanto pela conexão com câmeras, permitindo a avaliação do desempenho dos modelos em diferentes cenários sem a necessidade de coleta manual. O processo de inferência é integrado ao <i>backend</i> e aos serviços de processamento, suportando a execução de modelos de detecção de objetos baseados em <i>bounding boxes</i> e aplicações voltadas à detecção de pessoas em áreas restritas.

A implementação dessa funcionalidade possibilitou a validação do fluxo completo da plataforma, desde a coleta de dados até a aplicação dos modelos em novos dados. Os testes realizados demonstraram o funcionamento integrado entre os módulos, evidenciando a capacidade da solução de suportar o ciclo de desenvolvimento e aplicação de modelos de visão computacional. Durante os testes em tempo real utilizando câmeras, foi possível validar a viabilidade da execução de inferência contínua na plataforma, com funcionamento adequado em cenários controlados e com baixo volume de requisições. Contudo, a exploração dessa funcionalidade em cenários com múltiplas conexões simultâneas e maior volume de dados não foi aprofundada nesta etapa do trabalho, indicando a necessidade de evolução no gerenciamento de <i>streams</i> e no tratamento de erros para sua aplicação em contextos industriais mais exigentes.

A validação do fluxo da plataforma envolveu um processo completo que contemplou as etapas de aquisição de dados, armazenamento, anotação, treinamento e inferência, com o objetivo de verificar a integração entre os diferentes módulos do sistema. Inicialmente, os testes foram conduzidos em um ambiente controlado, utilizando a câmera integrada de um computador pessoal para simular a entrada de dados por meio de uma câmera IP. Essa abordagem permitiu validar o funcionamento básico da plataforma e identificar possíveis ajustes no fluxo de processamento, consolidando a base para testes mais complexos.

Posteriormente, o fluxo foi avaliado com o uso de uma câmera conectada à rede local, aproximando o cenário de teste de um contexto mais próximo ao ambiente industrial. Essa etapa possibilitou observar o comportamento da plataforma em condições mais realistas de operação, especialmente no que se refere à integração entre os componentes e ao processamento contínuo de dados. Os resultados obtidos demonstram a viabilidade da solução proposta, evidenciando que a arquitetura implementada é capaz de suportar o fluxo completo de desenvolvimento de aplicações de visão computacional. A realização de testes em diferentes níveis de complexidade contribuiu para a identificação de pontos de melhoria e para a consolidação da proposta como uma solução integrada e funcional.

Apesar dos resultados promissores e da validação do fluxo da plataforma, alguns aspectos ainda demandam evolução para sua aplicação em cenários mais exigentes. Entre eles, destaca-se o aprimoramento do gerenciamento de processamento em tempo real, especialmente em situações com múltiplas conexões simultâneas, cuja exploração não foi aprofundada nesta etapa do trabalho. Adicionalmente, a arquitetura da plataforma foi projetada para suportar a expansão para diferentes tipos de anotação e abordagens de visão computacional, por meio de uma estrutura de dados flexível e do uso de mecanismos de abstração, o que indica um caminho natural de evolução da solução proposta.

A plataforma proposta diferencia-se das abordagens existentes por integrar as etapas de coleta de dados, anotação, exportação, treinamento e inferência em um único ambiente, fundamentando-se no paradigma do iBPM (Arno e Gabryelczyk, 2025). Abordagens tradicionais frequentemente utilizam múltiplas ferramentas independentes, gerando atrito operacional e silos de dados, com um processo pouco estruturado e dependente de especialistas técnicos. A plataforma, por sua vez, oferece um fluxo centralizado e com suporte a testes, reduzindo a complexidade operacional e garantindo rastreabilidade nativa desde a coleta bruta até a inferência do modelo.

A execução de inferência, que em abordagens tradicionais é geralmente separada do ambiente de desenvolvimento, é integrada nativamente ao fluxo da plataforma. Além disso, a plataforma é estruturada para uso em ambiente industrial, diferentemente de soluções que não são necessariamente direcionadas. A flexibilidade e evolução são suportadas pela arquitetura modular e orientada a serviços, enquanto abordagens existentes dependem das ferramentas utilizadas isoladamente. Essa unificação do design do processo, desenvolvimento da aplicação e observabilidade em um fluxo contínuo e organizado reduz o atrito operacional e permite que usuários não especialistas, os “citizen developers”, configurem soluções sem dependência exclusiva de departamentos de Tecnologia da Informação.

A arquitetura modular adotada possibilita a separação entre os componentes de orquestração, processamento e armazenamento, mantendo o desacoplamento entre os serviços e permitindo sua evolução de forma independente. Essa característica diferencia a solução de abordagens menos estruturadas, nas quais a expansão de funcionalidades pode demandar alterações mais complexas no sistema (Kreuzberger et al., 2023; De Barrena et al., 2025). A integração do ciclo completo de desenvolvimento com mecanismos de rastreabilidade e versionamento dos dados e modelos alinha a plataforma a práticas contemporâneas de MLOps, superando a fragmentação de funcionalidades observada em ferramentas tradicionais.

De forma geral, os resultados obtidos indicam que a abordagem adotada é tecnicamente viável e coerente com os objetivos da pesquisa. A plataforma implementada foi capaz de suportar o fluxo básico de desenvolvimento de soluções de visão computacional, contemplando desde a coleta e anotação de dados até o treinamento e a execução de inferência. A validação do fluxo, realizada em diferentes cenários de teste, evidenciou o funcionamento integrado dos componentes do sistema, permitindo a execução contínua das etapas do processo sem a necessidade de ferramentas externas. Os resultados demonstram que a solução atende aos requisitos propostos, viabilizando a construção e aplicação de modelos de forma organizada e estruturada, o que representa um avanço significativo para a democratização e eficiência da visão computacional industrial.

4. Conclusão

O presente estudo teve como objetivo desenvolver uma plataforma modular e extensível para o treinamento e a validação de modelos de visão computacional aplicados ao contexto industrial, integrando as etapas de aquisição de dados, anotação, pré-processamento, treinamento, avaliação e disponibilização de modelos em um fluxo unificado. Verificou-se que a arquitetura da plataforma foi concebida com uma clara separação de responsabilidades, distinguindo o frontend web, o backend, os serviços de processamento e os mecanismos de armazenamento, o que permitiu um desenvolvimento modular eficiente. A infraestrutura de backend, implementada em NestJS, atuou como elemento central de orquestração, e os serviços de processamento, desenvolvidos em Python, concentraram-se nas funcionalidades de processamento de dados e treinamento de modelos. Para a persistência, utilizou-se PostgreSQL com Prisma ORM e MinIO para armazenamento de objetos, garantindo rastreabilidade e versionamento. Os módulos funcionais do frontend possibilitaram o gerenciamento de projetos, coleta e anotação de dados, treinamento e inferência por meio de uma interface intuitiva, no qual o modelo realiza a detecção conforme configurado. A validação do fluxo completo da plataforma, desde a aquisição de dados até a inferência, foi realizada com sucesso utilizando datasets públicos e fontes de imagem em tempo real, demonstrando a viabilidade técnica da abordagem proposta. A principal contribuição reside na redução da complexidade técnica e da fragmentação de ferramentas, oferecendo um ambiente unificado que padroniza o ciclo de vida dos modelos de visão computacional, alinhado às práticas de MLOps e ao paradigma do iBPM, o que favorece a escalabilidade e a acessibilidade para usuários não especialistas.

Apesar dos resultados promissores, identificou-se como limitação a necessidade de aprimoramento no gerenciamento de processamento em tempo real, especialmente em cenários com múltiplas conexões simultâneas, cuja exploração não foi aprofundada nesta etapa do trabalho. Contudo, a arquitetura da plataforma foi projetada para suportar a expansão para diferentes tipos de anotação e abordagens de visão computacional, por meio de uma estrutura de dados flexível e mecanismos de abstração. Sugere-se para estudos futuros o aprimoramento das estratégias de disponibilização dos modelos gerados, incluindo abordagens mais estruturadas de deploy, como a utilização de imagens base para diferentes cenários de aplicação e a execução de inferência em dispositivos de borda. Adicionalmente, a integração de assistentes baseados em inteligência artificial para auxiliar na definição de parâmetros operacionais e boas práticas representa um caminho promissor para reduzir ainda mais a complexidade técnica e apoiar a tomada de decisão. Conclui-se que a solução proposta contribui significativamente para a aproximação entre o desenvolvimento de modelos de visão computacional e sua aplicação prática em ambientes industriais, oferecendo uma abordagem estruturada, integrada e adaptável às demandas do contexto.

Referências Bibliográficas

Arno, P.; Gabryelczyk, R. 2025. The ibpm lifecycle: integrating low-code and hyperautomation into business process management. IEEE Access 13: 175410-175426.

Barret, N.; Enache, T.; Manolescu, I.; Mohanty, M. 2024. Finding the PG schema of any (semi)structured dataset: a tale of graphs and abstraction. In: IEEE 40th International Conference on Data Engineering Workshops, 2024. Anais..

Dalenogare, L.S.; Benitez, G.B.; Ayala, N.F.; Frank, A.G. 2018. The expected contribution of industry 4.0 technologies for industrial performance. International Journal of Production Economics 204: 383-394.

De Barrena, T.F.; Fernandes, A.; Ferrando, J.L.; García, A.; Landaluce, H.; Angulo, I. 2025. Adaptive high frequency data streaming for soft real-time industrial Al: a scalable microservices based architecture with dynamic downsampling. Array 27: 100488.

Goodfellow, I.; Bengio, Y.; Courville, A. 2016. Deep Learning. MIT Press, Cambridge, USA.

Kreuzberger, D.; Kühl, N.; Hirschl, S. 2023. Machine learning operations (MLOps): overview, definition, and architecture. ACM Transactions on Intelligent Systems and Technology 14(2): 1-32.

Lee, S.; Choi, I.; Kim, H.; Lim, J.; Sung, S. 2020. Comprehensive simulation and redesign system for business process and organizational structure. IEEE Access 8: 106322-106333.

Liao, Z.; Zhang, R.; He, S.; Zeng, D.; Wang, J.; Kim, H.J. 2019. Deep learning-based data storage for low latency in data center networks. IEEE Access 7: 26411-26417.

Lizano-Mora, H.; Palos-Sánchez, P.R.; Aguayo-Camacho, M. 2021. The evolution of business process management: a bibliometric analysis. IEEE Access 9: 51088-51105.

Lv, C.; Wei, C.Y.; Hao, Y. 2009. Schema discovery of semi-structured hierarchical data based on OEM model and hierarchical transactional database. In: International Conference on Management of E-Commerce and E-Government, 2009, Nanchang, China. Anais…

Malamas, E.N.; Petrakis, E.G.M.; Zervakis, M.; Petit, L.; Legat, J.D. 2003. A survey on industrial vision systems, applications and tools. Image and Vision Computing 21(2): 171-188.

Paudel, B.; Gonzalez-Huerta, J.; Zabardast, E. 2026. Exploring the evolution of technical debt in monolithic and hybrid microservice architecture: an industrial case study. Journal of Systems and Software 237: 112831.

Russakovsky, O.; Deng, J.; Su, H.; Krause, J.; Satheesh, S.; Ma, S.; Huang, Z.; Karpathy, A.; Khosla, A.; Bernstein, M.; Berg, A.C.; Fei-Fei, L. 2015. Imagenet large scale visual recognition challenge. International Journal of Computer Vision 115: 211-252..

Szeliski, R. 2022. Computer Vision: Algorithms and Applications. 2ed. Springer, London, UK.

Voulodimos, A.; Doulamis, N.; Doulamis, A.; Protopapadakis, E. 2018. Deep learning for computer vision: a brief review. Computational Intelligence and Neuroscience 2018: 1-13.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

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

Você também pode gostar

26 de agosto de 2026

Gerenciamento de Cronograma de Manutenção no Setor de Extração de Caldo em uma Indústria Sucroalcooleira

A manutenção de entressafra em indústrias sucroalcooleiras representa um projeto de alta complexidade, frequentemente comprometido por limitações na definição do escopo, no sequenciamento de atividades e nas estimativas de duração, afetando a confiabilidade e previsibilidade da execução. Objetivou-se aprimorar o gerenciamento do cronograma de manutenção de entressafra no setor de extração de caldo, por meio da aplicação das práticas do PMBOK 6ª edição, com foco na estruturação do escopo, sequenciamento lógico das atividades, melhoria das estimativas de duração e identificação do caminho crítico. A pesquisa caracterizou-se como um estudo de caso único, de natureza aplicada e abordagem mista, realizado em uma indústria sucroalcooleira. Os métodos incluíram análise documental de cronogramas de entressafra e coleta de dados por meio de questionários com profissionais da área. Inicialmente, diagnosticou-se o cronograma vigente, identificando lacunas. Em seguida, aplicaram-se ferramentas de gerenciamento do cronograma, como a Estrutura Analítica do Projeto (EAP), sequenciamento de atividades, estimativa análoga e bottom-up, e o método do caminho crítico (CPM), permitindo a comparação entre o cenário original e o reestruturado. Os resultados evidenciaram ganhos significativos em previsibilidade, organização das atividades, clareza nas dependências e maior controle sobre prazos e desvios, com a redução de atividades sem predecessoras ou sucessoras de 18,85% para 2,32%. Concluiu-se que a aplicação estruturada das boas práticas de gerenciamento do cronograma aprimorou o planejamento e contribuiu para a disponibilidade operacional na safra subsequente.

Palavras-chave: Caminho crítico; Confiabilidade do planejamento; Estrutura Analítica do Projeto (EAP); Planejamento operacional; Previsibilidade.

26 de agosto de 2026

Fomento à liderança de mulheres por meio da gestão estratégica de partes interessadas

A persistente sub-representação de mulheres em cargos de liderança revelou limitações nas estratégias institucionais de promoção da igualdade de gênero, destacando a necessidade de abordagens mais integradas entre gestão de projetos e negociação estratégica. O estudo objetivou analisar como estratégias de negociação e engajamento de partes interessadas fomentaram o compromisso institucional com políticas que impulsionam a liderança feminina, e propôs uma matriz estratégica orientada por uma perspectiva de gênero. Adotou-se uma abordagem de métodos mistos, de natureza convergente e articulação epistemológica crítica-transformativa, que combinou análise documental, estudos de caso institucionais e uma entrevista semiestruturada com uma líder feminina, seguida de análise temática e triangulação de dados para aumentar a robustez interpretativa. Os resultados indicaram que organizações que institucionalizaram práticas de governança, estabeleceram metas mensuráveis e incorporaram partes interessadas como participantes ativos demonstraram maior capacidade de converter compromissos discursivos em ações estruturadas. Evidenciou-se, ainda, que a integração entre negociação estratégica e gestão de partes interessadas potencializou a sustentabilidade das iniciativas de equidade de gênero. Concluiu-se que a implementação de uma matriz estratégica, denominada Matriz Estratégica de Engajamento de Stakeholders com foco em gênero (MEES-G), configurou-se como uma ferramenta de gestão relevante para fortalecer o compromisso institucional e facilitar transformações organizacionais consistentes, oferecendo orientação eficaz a gestores públicos e privados na implementação de políticas inclusivas.

Palavras-chave: Equidade; Governança; Inclusão organizacional; Representatividade; Transformação organizacional.

26 de agosto de 2026

Transformação do Modelo Comercial em Serviços Linguísticos para Maior Previsibilidade de Receita

A busca por previsibilidade de receita e maior controle sobre o desempenho comercial tem se tornado um desafio relevante na indústria de serviços linguísticos, caracterizada por alta variabilidade de demanda e modelos historicamente baseados em volume de serviços. Neste contexto, o estudo teve como objetivo analisar a reestruturação do modelo comercial de uma empresa do setor, com foco na transição de uma abordagem orientada à receita faturada para um modelo baseado na formalização de contratos e na previsibilidade de receita potencial. A pesquisa foi conduzida por meio de pesquisa-ação entre maio de 2024 e março de 2026, utilizando dados quantitativos provenientes de sistemas internos e dados qualitativos obtidos por observação participante e entrevistas com profissionais-chave. Os resultados quantitativos indicaram que a meta trimestral de contratos foi superada, atingindo 106% no primeiro trimestre de 2026, e os contratos firmados entre o final de 2025 e o primeiro trimestre de 2026 resultaram em uma projeção de receita de US$ 1.230.500, equivalente a aproximadamente 88% da meta anual, evidenciando aumento na previsibilidade da receita potencial. Qualitativamente, os dados apontaram maior clareza na avaliação da performance comercial, maior transparência na identificação dos fatores que impactam a conversão de contratos em receita e melhoria na integração entre as áreas envolvidas. Concluiu-se que a adoção de um modelo baseado em contratos contribui para uma gestão mais eficiente, previsível e orientada à geração sustentável de receita.

Palavras-chave: Contratos comerciais; Gestão comercial; Modelo de vendas; Pesquisa-ação; Serviços linguísticos.

Neurociência E Aprendizagem Na Educação

24 de agosto de 2026

Do Mundo à Mente: o Impacto Intercultural na Neuroplasticidade

Um estudo investigou a associação entre experiências interculturais e mudanças cognitivas autorrelatadas em adultos brasileiros, à luz do conceito de neuroplasticidade. A pesquisa caracterizou-se como exploratória, de abordagem mista, e foi composta por revisão bibliográfica narrativa e levantamento empírico. Este último foi realizado por meio de questionário online aplicado a 33 participantes que vivenciaram experiências em diferentes países. Coletaram-se dados sociodemográficos, características das vivências internacionais e autoavaliações relacionadas a funções executivas, aprendizagem, memória, atenção e comunicação social. Os resultados indicaram predominância de percepções positivas de mudanças cognitivas, especialmente nos domínios da flexibilidade cognitiva, planejamento, tomada de decisão, aprendizagem e competências comunicativas. A maioria dos participantes relatou a manutenção dessas mudanças ao longo do tempo, associando-as principalmente à duração da experiência, à necessidade de adaptação e ao contato intercultural direto. Os achados sugerem que experiências interculturais constituem contextos de estimulação cognitiva complexa, potencialmente associados a processos de reorganização funcional em múltiplos domínios cognitivos na vida adulta.

Palavras-chave: Adaptação cognitiva; Adaptação cultural; Aprendizagem; Flexibilidade cognitiva; Funções executivas.

Neurociência E Aprendizagem Na Educação

24 de agosto de 2026

Estudo Comparativo: o Conhecimento Docente sobre Neuroplasticidade e Práticas Pedagógicas na Rede Direta e Indireta

A primeira infância constitui um período crítico de plasticidade neural, no qual a qualidade das intervenções pedagógicas determina a arquitetura cerebral e o desenvolvimento integral da criança. O presente estudo teve como objetivo comparar o conhecimento docente sobre neuroplasticidade e sua aplicação prática em unidades de educação infantil de administração direta e indireta na cidade de São Paulo. A metodologia consistiu em um estudo de caso descritivo com abordagem mista, no qual foram aplicados questionários de autopercepção com docentes e realizada uma análise documental de projetos políticos pedagógicos, relatórios de desenvolvimento de alunos e diários de bordo. Os resultados indicaram que, embora ambas as redes tenham executado práticas neurocompatíveis, a Rede Direta apresentou maior intencionalidade pedagógica e segurança técnica 20% superior na identificação de marcos do desenvolvimento, fator diretamente associado à maior carga horária de formação continuada. O estudo evidenciou que a formação continuada atuou como um divisor entre a prática intuitiva e a mediação baseada em evidências. Concluiu-se que o acesso ao saber neurocientífico e a equiparação dos tempos de reflexão docente são fundamentais para garantir maior equidade no desenvolvimento infantil e a eficácia das políticas públicas de educação em territórios de vulnerabilidade.

Palavras-chave: Educação Infantil; Formação Docente; Neurociência Aplicada; Primeira Infância; Redes de Ensino.

24 de agosto de 2026

Precificação Baseada em Valor como Estratégia Competitiva Frente ao Modelo Orientado por Custos

A gestão estratégica de preços consolidou-se como fator determinante para a sustentabilidade e competitividade em mercados industriais, onde a transição de modelos baseados em custos para estratégias orientadas ao valor representa um desafio cultural e operacional crítico. Este estudo teve como objetivo comparar as práticas de precificação em duas unidades industriais do setor business-to-business (B2B), analisando como o alinhamento com a estratégia baseada em valor impacta a sustentabilidade do negócio. Para tanto, investigou-se uma unidade operacional e uma unidade que recentemente descontinuou suas atividades, buscando identificar correlações entre a gestão de preços e a viabilidade competitiva. Adotou-se uma abordagem qualitativa com elementos comparativos, a partir de entrevistas semiestruturadas aplicadas a gestores de duas empresas do setor metalmecânico, utilizando questões fechadas em escala Likert e perguntas abertas organizadas em sete dimensões analíticas relacionadas à maturidade em precificação. Os resultados evidenciaram que a empresa em operação apresentou maior estruturação de processos, melhor integração entre áreas, uso mais frequente de indicadores e ambiente cultural mais favorável à sustentação de preços com base no valor entregue ao cliente. Em contraste, a empresa descontinuada demonstrou fragilidades na formalização da precificação, baixa integração interfuncional, limitações na comunicação de valor e forte predominância de uma cultura orientada por custos. O estudo reforçou que a adoção da precificação baseada em valor requer a institucionalização de processos interfuncionais e governança para garantir a perenidade organizacional frente à pressão competitiva.

Palavras-chave: Concorrência; Cultura; Governança; Liderança.

24 de agosto de 2026

Modelo Preditivo de Risco Reputacional Baseado em Textos Jornalísticos

A reputação corporativa é um ativo intangível crítico, cuja volatilidade na era digital torna as organizações suscetíveis a crises por exposições midiáticas negativas. O estudo desenvolveu um modelo preditivo de risco reputacional para identificar se variáveis da cobertura de mídia, como volume, sentimento e léxico, atuam como precursores de danos severos. A metodologia fundamentou-se na coleta de dados via Web Scraping de notícias sobre eventos de risco ocorridos entre 2023 e 2025. O processamento utilizou Processamento de Linguagem Natural (NLP) para análise de sentimento e feature engineering. A modelagem consistiu em uma tarefa de classificação binária supervisionada, com o target de dano grave determinado por proxies quantificáveis, como impactos financeiros e penalidades regulatórias. Foram comparados os algoritmos Regressão Logística, Random Forest e XGBoost, além da implementação de um modelo Ensemble, em ambiente Python, validados pelas métricas AUC-ROC e F1-Score. Os resultados apontaram a superioridade da abordagem conjunta (Ensemble), que alcançou F1-Score de 0.878 e Recall de 85.4%, e a viabilidade de estimar a probabilidade de crises e estabelecer limiares de risco acionáveis. Comprovou-se a eficácia da integração entre NLP e Machine Learning para a mitigação proativa de riscos corporativos, oferecendo uma ferramenta de suporte à decisão para equipes de comunicação corporativa e gestão de riscos.

Palavras-chave: Análise de Sentimentos; Aprendizado de Máquina; Danos à reputação; Modelagem de Dados Históricos; Processamento de Linguagem Natural (PLN).

Compliance E Esg

24 de agosto de 2026

Liderança Feminina Negra no Brasil: como Políticas Corporativas de Diversidade Apoiam Trajetórias de Sucesso

O presente estudo analisou como as políticas corporativas de diversidade e inclusão influenciaram as trajetórias profissionais de mulheres negras que ocupam cargos de liderança no Brasil. O estudo buscou compreender as experiências e percepções dessas profissionais em relação às práticas organizacionais que moldaram seu desenvolvimento e ascensão. A pesquisa adotou uma abordagem qualitativa, descritiva e aplicada, e coletou dados por meio de levantamento de campo, utilizando questionário semiestruturado com 30 mulheres negras em posições de liderança. Os resultados revelaram que a maioria das participantes possuía alta qualificação acadêmica, atuava predominantemente na região Sudeste e ocupava cargos intermediários de liderança, como supervisão e coordenação. Observou-se a coexistência de trajetórias recentes e consolidadas, indicando avanços na inserção de mulheres negras em liderança, mas também a persistência de limites estruturais que dificultaram a progressão para níveis hierárquicos superiores. Esses achados indicaram que, embora as políticas de diversidade e inclusão fossem relevantes, seus efeitos mostraram-se insuficientes quando não articulados a transformações organizacionais mais amplas voltadas à equidade racial e de gênero, sugerindo que o esforço individual emergiu como estratégia central de trajetória em contextos de suporte institucional frágil.

Palavras-chave: Ascensão profissional; Diversidade organizacional; Inclusão; Interseccionalidade; Políticas corporativas.

24 de agosto de 2026

Segmentação Estratégica de Adquirentes Brasileiras por Clusterização Multivariada

O setor de adquirência desempenha um papel central na infraestrutura de pagamentos, e compreender as diferenças estruturais entre as empresas adquirentes, com base em indicadores operacionais e econômicos, mostrou-se crucial para diagnósticos e decisões fundamentados em dados. O estudo teve como objetivo segmentar as adquirentes brasileiras utilizando indicadores trimestrais de porte, capilaridade, mix de canais e métricas econômicas, empregando análise exploratória de dados e o algoritmo de agrupamento K-means para identificar perfis estratégicos distintos. Realizou-se uma pesquisa quantitativa, exploratória e descritiva, utilizando uma base de dados estruturada com informações trimestrais de adquirentes brasileiras ao longo de doze períodos. A definição do número de agrupamentos baseou-se no método do cotovelo (elbow method) e no coeficiente de silhueta, sendo a interpretação reforçada pela visualização via Análise de Componentes Principais (PCA). Os principais resultados revelaram a formação de dois perfis predominantes: um caracterizado por maior escala e capilaridade, com elevado volume de transações e spreads médios mais comprimidos; e outro com maior participação do canal remoto e maior monetização relativa, evidenciada pela taxa MDR e por spreads médios mais elevados. Concluiu-se que o agrupamento reduziu a complexidade multivariada do mercado a perfis interpretáveis, oferecendo uma base objetiva para benchmarking e para a interpretação estratégica do posicionamento das adquirentes, com potencial de aplicação na análise de dados para a tomada de decisões.Palavras-chave: Adquirência; Análise multivariada; K-means; Pagamentos digitais; Perfis estratégicos.

Inscreva-se em nossa newsletter!

Receba conteúdos e fique sempre atualizado sobre as novidades em gestão, liderança e carreira com a Revista E&S.

Ao preencher o formulário você está ciente de que podemos enviar comunicações e conteúdos da Revista E&S. Confira nossa Política de Privacidade