Artigo

10 de agosto de 2026

Plataforma Web para Detecção de Anomalias em Transações Financeiras com Aprendizado de Máquina

André Luiz Galvão Guerra; Diogo Alfieri Palma

DOI: 10.22167/2675-6528-202600550

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

Resumo

Diante do volume crescente de transações financeiras que inviabiliza a revisão manual em auditorias, desenvolveu-se uma plataforma web para detecção de anomalias, empregando Isolation Forest e Autoencoder, duas técnicas de aprendizado de máquina não supervisionado aplicadas sequencialmente. O Isolation Forest removeu outliers extremos, e o Autoencoder ranqueou as transações restantes com base no erro de reconstrução. Foram criados 49 indicadores derivados, incluindo frequências temporais, médias móveis, somas acumuladas e z-scores, calculados sobre janelas deslizantes. A arquitetura separou backend (FastAPI), frontend (Next.js) e banco de dados PostgreSQL em contêineres Docker, com 30 endpoints REST. Para garantir a interpretabilidade aos auditores, o erro de reconstrução foi decomposto por coluna, e o GPT-4 gerou explicações em linguagem natural. Testes com um conjunto de 5.000 transações simuladas, contendo 4% de anomalias sintéticas injetadas, demonstraram que as transações anômalas ocuparam consistentemente as primeiras posições do ranking. A interface desenvolvida dispensou conhecimentos prévios em ciência de dados, tornando a ferramenta acessível a profissionais de auditoria. A plataforma alcançou seu objetivo, integrando aprendizado de máquina não supervisionado a uma interface amigável, e a explicabilidade do modelo reduziu o obstáculo da “caixa-preta” em auditorias automatizadas.

Palavras-chave: Arquitetura de software; Auditoria automatizada; Autoencoder; Explicabilidade; Isolation Forest.

1. Introdução

Instituições de todos os portes e áreas de atuação processam volumes de transações financeiras que, há duas décadas, seriam consideradas impensáveis. Este crescimento acelerado impõe um desafio significativo às auditorias financeiras: como assegurar que a vasta quantidade de movimentações esteja em conformidade com as normas vigentes e garantir a segurança adequada dos ativos organizacionais? A revisão manual, tradicionalmente baseada em amostragem e checagem, tornou-se impraticável diante da escala atual das operações (Ngai et al., 2011).

A relevância do tema é acentuada pelo impacto financeiro das fraudes. O relatório da Association of Certified Fraud Examiners (ACFE, 2024) indica que as organizações perdem cerca de cinco por cento de suas receitas anuais devido a fraudes, com uma perda média de 150.000 dólares por incidente. Além disso, normas e regulamentações como a Lei Sarbanes-Oxley (SOX), a Lei Anticorrupção brasileira (Lei nº 12.846/2013) e as Normas Brasileiras de Contabilidade (NBC TA 240) estabelecem exigências rigorosas de acompanhamento e controle, sublinhando a necessidade de mecanismos eficazes de detecção.

Nesse cenário, a detecção de anomalias em dados financeiros emerge como um campo crucial na ciência de dados e no aprendizado de máquina, com aplicações que abrangem desde a identificação de fraudes até o monitoramento regulatório (Chandola et al., 2009). O aprendizado de máquina não supervisionado, em particular, ganha destaque por não exigir dados rotulados, uma vantagem significativa, visto que fraudes confirmadas são eventos raros e, portanto, difíceis de obter como amostras de treinamento (Hilal et al., 2022).

Duas técnicas de aprendizado de máquina não supervisionado mostram-se particularmente eficazes para este tipo de problema: o Isolation Forest e o Autoencoder. O Isolation Forest (Liu et al., 2012) opera por particionamento recursivo, isolando anomalias com poucas divisões em uma estrutura de árvore, pois elas se distinguem rapidamente dos registros normais. Já os Autoencoders aprendem uma representação compacta dos dados considerados normais e identificam anomalias por meio de um erro de reconstrução maior do que o esperado. A combinação sequencial dessas duas técnicas tende a otimizar a detecção de padrões anômalos.

Apesar da eficácia dessas técnicas, existe uma lacuna prática significativa. Profissionais de auditoria geralmente possuem formação em contabilidade, administração ou economia, com pouca ou nenhuma familiaridade com ciência de dados, programação ou métricas estatísticas (Earley, 2015). As ferramentas de aprendizado de máquina e análise estatística disponíveis no mercado frequentemente exigem conhecimentos técnicos que restringem seu uso a especialistas em dados, dificultando a integração dessas soluções no fluxo de trabalho dos auditores.

Para superar essa barreira, os grandes modelos de linguagem (LLMs), como o GPT-4 (OpenAI, 2023), oferecem uma solução promissora ao gerar explicações automáticas detalhadas em linguagem natural, tornando os resultados dos modelos de detecção compreensíveis para usuários não técnicos (Arrieta et al., 2020). Paralelamente, avanços na engenharia de software, incluindo o uso de contêineres, APIs RESTful e frameworks modernos, tornaram viável a construção de plataformas web que colocam modelos complexos ao alcance de um público mais amplo (Bass et al., 2021), permitindo que os auditores utilizem essas tecnologias sem a necessidade de conhecimentos prévios em ciência de dados.

Diante da crescente complexidade das transações financeiras e da necessidade de ferramentas de auditoria mais eficientes e acessíveis, justifica-se o desenvolvimento de uma solução que integre o poder do aprendizado de máquina com uma interface intuitiva e explicável. Este trabalho teve como objetivo desenvolver uma plataforma web para detecção de anomalias em transações financeiras, combinando técnicas de aprendizado de máquina não supervisionado com um módulo de explicabilidade e uma interface amigável para auditores.

2. Material e Métodos

A pesquisa foi de natureza aplicada e abordagem exploratória, focada no desenvolvimento e avaliação de um artefato tecnológico: uma plataforma web para detecção assistida de anomalias em transações financeiras. O objetivo foi integrar técnicas de aprendizado de máquina não supervisionado com uma interface acessível a auditores sem formação prévia em ciência de dados.

Os experimentos utilizaram um conjunto de 5.000 transações financeiras simuladas, geradas por um script Python (`generate_demo_data.py`). Essa simulação permitiu controle preciso sobre a injeção de aproximadamente 4% de anomalias (200 registros) distribuídas em seis tipos, facilitando a avaliação objetiva do processamento. O conjunto de dados continha oito colunas, como `data`, `valor`, `fornecedor` e `categoria`. Por serem dados inteiramente simulados e sem vínculo com pessoas reais, o trabalho foi dispensado de avaliação por comitês de ética em pesquisa, conforme a Resolução CNS nº 510/2016.

O fluxo de processamento dos dados foi estruturado em quatro etapas: engenharia de atributos, pré-processamento, filtragem de valores extremos e ranqueamento. Na engenharia de atributos, 49 indicadores foram calculados a partir das colunas originais, organizados em categorias de frequência, média móvel, soma acumulada e z-score, todos sobre janelas deslizantes de 1, 7, 14 e 30 dias (Zheng e Casari, 2018). Esses atributos visaram capturar padrões temporais e relacionais não evidentes nas colunas brutas, transformando dados em representações mais informativas.

O pré-processamento converteu colunas originais e indicadores derivados em representações numéricas. Datas foram codificadas ciclicamente em sete dimensões (seno e cosseno para dia do mês, dia da semana e mês), com normalização linear do ano. Colunas categóricas receberam “Label Encoding” normalizado para [0, 1], tratando valores ausentes como `_MISSING_`. Colunas numéricas tiveram coerção de tipo e preenchimento de faltantes pela mediana. Todos os atributos foram normalizados com “RobustScaler” (scikit-learn), conferindo resistência a valores extremos.

O primeiro estágio utilizou o Isolation Forest (Liu et al., 2012) para filtrar outliers extremos, configurado com taxa de contaminação de 0,02 (2%), 100 árvores e semente fixa (random_state=42). Aproximadamente 98% das transações foram consideradas normais e usadas para treinar o Autoencoder no segundo estágio. O Autoencoder, uma rede neural, comprimiu a entrada e a reconstruiu, com arquitetura de encoder (128->64->32 neurônios) e decoder simétrico (64->128->N). Camadas ocultas usaram ReLU, Batch Normalization e Dropout de 0,1, com saída linear, implementado via TensorFlow/Keras.

O treinamento do Autoencoder empregou o erro quadrático médio (MSE) como função de perda e o otimizador Adam, com 50 épocas máximas e parada antecipada. Após o treinamento, o erro de reconstrução foi calculado para todas as transações, e o ranking final foi estabelecido em ordem descendente do erro total. Para a explicabilidade, o erro de reconstrução foi decomposto por coluna, e o GPT-4 (OpenAI, 2023) gerou explicações automáticas em linguagem natural via API, traduzindo os achados técnicos em termos acessíveis para auditores e sugerindo níveis de atenção.

A plataforma web foi construída com uma arquitetura de software baseada em três serviços orquestrados pelo Docker Compose 3.8: um frontend em Next.js 14 com TypeScript 5.0+, um backend em FastAPI (Python 3.11) e um banco de dados PostgreSQL 15. Essa separação de responsabilidades visou a modularidade e manutenibilidade (Bass et al., 2021). O backend expôs 30 endpoints REST, seguindo convenções e gerando documentação interativa via OpenAPI. O modelo de dados do PostgreSQL, com nove tabelas de domínio, garantiu integridade referencial e suportou o padrão “multi-tenancy” para isolamento de dados entre organizações.

A infraestrutura utilizou Docker Compose para orquestração, com “health check” para o PostgreSQL e um Dockerfile multi-estágio para o frontend. As configurações foram gerenciadas por variáveis de ambiente via Pydantic Settings, e a persistência dos dados do PostgreSQL foi assegurada por volumes Docker nomeados. Os testes foram realizados com `pytest` e `pytest-asyncio`, empregando SQLite em memória para isolamento do banco de dados durante as execuções, com foco em testes de integração dos endpoints para validação dos fluxos de autenticação, filtragem e exportação de resultados.

3. Resultados e Discussão

O desenvolvimento da plataforma web para detecção de anomalias em transações financeiras resultou em um sistema robusto e funcional, que integra o poder do aprendizado de máquina não supervisionado com uma interface intuitiva e explicável, tornando-o acessível a profissionais de auditoria sem formação prévia em ciência de dados. A solução foi concebida para enfrentar o desafio do volume crescente de transações, que inviabiliza a revisão manual tradicional, oferecendo um mecanismo eficiente para identificar padrões incomuns e potenciais fraudes, conforme a necessidade de ferramentas mais sofisticadas no cenário atual de auditoria (Ngai et al., 2011).

A arquitetura do sistema, baseada em três serviços gerenciados pelo Docker Compose, demonstrou ser eficaz na prática. O backend, implementado em Python com FastAPI, expõe 30 endpoints REST e gerencia a lógica de negócio, incluindo o pipeline de aprendizado de máquina e a comunicação com a API da OpenAI. O frontend, desenvolvido em Next.js 14 com TypeScript, oferece a interface ao usuário, enquanto o banco de dados PostgreSQL 15 persiste as informações. Essa separação de responsabilidades em contêineres independentes otimiza a manutenibilidade e a escalabilidade do sistema (Bass et al., 2021), permitindo que cada componente seja desenvolvido, testado e implantado de forma autônoma.

O fluxo de uso da plataforma foi projetado para ser intuitivo, abrangendo seis etapas principais. Inicialmente, o auditor realiza a autenticação via JWT e seleciona ou cria um projeto. Em seguida, é possível fazer o upload de arquivos CSV ou Excel contendo as transações financeiras e, interativamente, mapear as colunas de acordo com seus tipos (data, valor, categórico, texto ou ignorar). Após o mapeamento, o pipeline de aprendizado de máquina é executado automaticamente, e os resultados são apresentados em uma interface de ranqueamento, onde as transações anômalas são destacadas para análise.

Internamente, o backend segue um modelo de camadas bem definido, com rotas FastAPI que validam as requisições HTTP, uma camada de serviços que orquestra o fluxo de aprendizado de máquina e a comunicação com a OpenAI, e uma camada de persistência baseada em SQLAlchemy para acesso ao banco de dados. Essa estrutura, aliada à injeção de dependências, garante responsabilidades claras para cada módulo, facilitando a manutenção e a evolução do sistema (Sommerville, 2015). O frontend, por sua vez, utiliza o App Router para organizar as rotas em contextos distintos (público e privado) e componentes visuais baseados no framework shadcn/ui, com comunicação tipada via TypeScript para evitar erros de compilação.

A segurança e o controle de acesso foram implementados com rigor. A autenticação utiliza JSON Web Tokens (JWT) com algoritmo HS256 e senhas armazenadas com hash bcrypt, protegendo as credenciais mesmo em caso de acesso direto ao banco. O controle de acesso baseado em papéis (RBAC) permite que administradores gerenciem usuários e visualizem todos os projetos, enquanto auditores acessam apenas os projetos a eles atribuídos, com filtragem aplicada diretamente nas consultas ao banco. O isolamento entre organizações é garantido pelo campo `tenant_id`, prevenindo o acesso indevido a dados de outros clientes, e a comunicação entre frontend e backend é protegida por Cross-Origin Resource Sharing (CORS) configurável.

A infraestrutura e implantação da plataforma foram otimizadas para eficiência e reprodutibilidade. O Docker Compose orquestra os serviços, com o PostgreSQL incluindo um “health check” para garantir que o backend só inicie após a disponibilidade do banco. O frontend utiliza um “build” multi-estágio no Dockerfile, reduzindo o tamanho da imagem final ao descartar pacotes de compilação. Todas as configurações sensíveis, como credenciais de banco e chaves de API, são carregadas via variáveis de ambiente gerenciadas pelo Pydantic Settings, e os dados do PostgreSQL são persistidos em volumes Docker nomeados, assegurando sua sobrevivência a reinicializações dos contêineres.

O fluxo de aprendizado de máquina emprega uma abordagem em dois estágios para a detecção de anomalias. A lógica central reside na remoção de valores extremos antes do treinamento do Autoencoder, permitindo que este aprenda padrões genuinamente normais com maior precisão. Mesmo que algumas anomalias possam passar pelo primeiro filtro, a estratégia anula muitos valores extremos que poderiam distorcer os dados de treino, otimizando a capacidade do modelo de identificar desvios sutis. Este processo sequencial é crucial para a eficácia do sistema, conforme demonstrado pelos resultados.

A engenharia de atributos foi uma etapa fundamental, com a criação de 49 indicadores derivados a partir das colunas originais do conjunto de dados. Esses indicadores foram categorizados em frequência, média móvel, soma acumulada e z-score, calculados sobre janelas deslizantes. A criação desses atributos visa transformar dados brutos em representações mais informativas, melhorando o desempenho dos modelos ao capturar padrões temporais e relacionais que as colunas originais não revelam (Zheng e Casari, 2018). A implementação otimizada, utilizando busca binária e acumulação prévia, permitiu o cálculo dos 49 indicadores para 5.000 transações em aproximadamente 17 segundos, demonstrando a viabilidade da abordagem.

O pré-processamento dos dados envolveu a conversão de colunas originais e indicadores derivados em representações numéricas adequadas para os modelos de aprendizado de máquina. Datas foram submetidas a codificação cíclica em sete dimensões (seno e cosseno para dia do mês, dia da semana e mês), garantindo que períodos como dezembro e janeiro fossem representados como próximos no espaço. Colunas categóricas receberam “Label Encoding” normalizado, com valores ausentes tratados como `_MISSING_`. Colunas numéricas tiveram coerção de tipo e preenchimento de valores faltantes com a mediana. Finalmente, todos os atributos foram normalizados com `RobustScaler`, que utiliza mediana e intervalo interquartil, conferindo resistência a valores extremos e sendo particularmente útil em conjuntos de dados com anomalias intencionais.

No primeiro estágio do fluxo de detecção, o Isolation Forest (Liu et al., 2012) foi aplicado para filtrar outliers extremos. O princípio subjacente é que anomalias são isoladas com poucas divisões em uma estrutura de árvore, enquanto observações normais exigem mais divisões para serem separadas eficientemente. A configuração utilizada incluiu uma taxa de contaminação de 0,02 (2%), 100 árvores e uma semente fixa. Essa taxa de contaminação, intencionalmente inferior aos 4% de anomalias reais injetadas, visou remover apenas os outliers mais extremos, preservando a diversidade necessária para o Autoencoder aprender padrões normais de forma mais eficaz. Aproximadamente 100 transações foram removidas do conjunto de treinamento por este filtro.

O segundo estágio envolveu o Autoencoder, uma rede neural que comprime a entrada para uma representação menor e tenta reconstruí-la. A lógica é que o modelo, treinado com dados considerados normais (as 4.900 transações restantes após o filtro do Isolation Forest), apresentará um erro de reconstrução significativamente maior ao processar observações anômalas, cujos padrões nunca foram vistos. A arquitetura do Autoencoder consistiu em um encoder com três camadas densas (128, 64 e 32 neurônios) e um decoder simétrico (64, 128 e N, onde N é a dimensão de entrada), utilizando ReLU, Batch Normalization e Dropout de 0,1 nas camadas ocultas e saída linear. O gargalo de 32 dimensões forçou a rede a aprender uma representação compacta dos padrões normais, e o treinamento convergiu nas primeiras dezenas de épocas devido ao uso de parada precoce.

O erro de reconstrução, calculado para todas as 5.000 transações (incluindo as filtradas pelo Isolation Forest), apresentou uma distribuição com cauda longa à direita, indicando que transações normais resultaram em erros baixos, enquanto as anômalas acumularam erros significativamente mais altos. A combinação dos dois estágios mostrou-se complementar: o Isolation Forest capturou anomalias de magnitude extrema, os “outliers” multivariados mais grosseiros, enquanto o Autoencoder foi capaz de identificar padrões mais sutis, como combinações incomuns de categoria com departamento e frequências temporais atípicas. Esses padrões mais complexos poderiam ter passado despercebidos se apenas uma das técnicas fosse utilizada.

A análise da efetividade da detecção de anomalias concentrou-se em verificar a concentração das anomalias conhecidas (injetadas propositalmente) nas primeiras posições do ranking. Considerando as 300 primeiras posições (os 6% mais anômalos do conjunto de dados), observou-se que as anomalias dos tipos “Departamento-categoria incompatível” e “Valor fora da faixa normal” consistentemente ocuparam o topo do ranking. O primeiro tipo gerou desvios em múltiplos atributos categóricos, como uma transação de Obras e Reformas atribuída ao departamento de Recursos Humanos, impactando a codificação categórica e os indicadores de frequência e média daquela combinação.

Anomalias do tipo “Valor fora da faixa normal” foram particularmente fáceis de detectar, gerando z-scores acima de 4,0 para pagamentos significativamente discrepantes, como um valor de R$ 85.000,00 em uma categoria cujo máximo esperado era R$ 3.500,00. Na decomposição do erro, colunas relacionadas ao valor (zscore_valor_global, zscore_valor_categoria, media_valor_*) contribuíram com mais de 70% do erro total. Por outro lado, o tipo “Fracionamento/valores redondos” foi o mais desafiador, pois cada transação individual parecia normal. No entanto, os indicadores de frequência diária e soma diária foram cruciais para flagrar múltiplas transações similares do mesmo fornecedor no mesmo dia, evidenciando a importância da engenharia de atributos para a detecção de anomalias contextuais.

O módulo de explicabilidade foi um requisito central do projeto, transformando as saídas numéricas do fluxo de processamento em informação compreensível para o auditor. A decomposição do erro de reconstrução por coluna permitiu identificar quais atributos mais contribuíram para a classificação de uma transação como anômala. Essa informação, juntamente com os dados originais da transação, sua posição no ranking e os indicadores mais relevantes, foi enviada ao GPT-4 (OpenAI, 2023) via API, que gerou explicações detalhadas em linguagem natural, sem jargão técnico, indicando o desvio do padrão e sugerindo um nível de atenção (Baixo, Médio ou Alto).

Um exemplo prático da explicabilidade foi observado em uma transação de alto valor paga em dinheiro (tipo 3). O sistema decompôs o erro, indicando que o sinal “Valor Base” tinha força ALTA (62%), “Desvio Estatístico” MÉDIA (21%) e “Frequência” BAIXA (8%). A explicação gerada pelo GPT-4 detalhou que o pagamento de R$ 47.500,00 em dinheiro destoava das práticas habituais para essa faixa de valor, onde transferências bancárias ou boletos são mais frequentes, e que o valor estava acima da média histórica para a categoria, recomendando verificação da documentação e aprovação hierárquica com nível de atenção “Alto”. Esse processo permite ao auditor inspecionar transações suspeitas e classificá-las como procedentes ou improcedentes, registrando sua decisão.

As contribuições de engenharia de software foram significativas, demonstrando a viabilidade de integrar componentes de aprendizado de máquina em uma plataforma web funcional com padrões modernos de desenvolvimento. A arquitetura em camadas, a injeção de dependências, a API assíncrona do FastAPI e a conteinerização com Docker formaram uma infraestrutura robusta, permitindo que o pipeline de processamento operasse em um contexto real de uso, não apenas em um ambiente de experimentação. A API assíncrona, por exemplo, mostrou-se eficiente ao permitir que o processamento do fluxo, que leva dezenas de segundos, não bloqueasse outras requisições, possibilitando que múltiplos auditores utilizassem o sistema simultaneamente sem degradação perceptível.

É importante reconhecer as limitações do estudo. Os experimentos foram conduzidos com dados simulados, o que permitiu controle preciso sobre as anomalias, mas não reproduz a complexidade e o ruído dos dados reais. Os hiperparâmetros, como a taxa de contaminação e a arquitetura do Autoencoder, foram definidos por experimentação e não por otimização automatizada. O volume de transações utilizado (5.000) é baixo em comparação com operações financeiras comuns, e a plataforma pode apresentar problemas de performance ao processar grandes quantidades de entidades com alta cardinalidade. Além disso, a cobertura de testes automatizados ainda é parcial, restrita aos endpoints da API, e a explicabilidade via LLM depende de um serviço externo (API da OpenAI), o que introduz latência e menor controle pela aplicação.

Em síntese, o trabalho alcançou seu objetivo principal ao desenvolver uma plataforma web funcional que integra aprendizado de máquina não supervisionado com uma interface amigável para auditores. O fluxo de detecção em dois estágios, combinando Isolation Forest e Autoencoder, demonstrou-se eficaz em ranquear transações anômalas nas primeiras posições, e a engenharia de 49 indicadores derivados foi crucial para capturar padrões complexos. A explicabilidade do modelo, através da decomposição do erro por coluna e da geração de explicações em linguagem natural via GPT-4, foi um diferencial que reduziu o obstáculo da “caixa-preta”, tornando a ferramenta compreensível e utilizável por profissionais de auditoria.

4. Conclusão

O presente trabalho teve como objetivo desenvolver uma plataforma web para detecção de anomalias em transações financeiras, integrando aprendizado de máquina não supervisionado com um módulo de explicabilidade e uma interface amigável para auditores. Verificou-se que a arquitetura do sistema, composta por backend em FastAPI, frontend em Next.js e banco de dados PostgreSQL, todos conteinerizados com Docker, demonstrou robustez e funcionalidade. O fluxo de detecção de anomalias empregou uma abordagem em dois estágios, onde o Isolation Forest removeu outliers extremos e o Autoencoder ranqueou as transações restantes com base no erro de reconstrução. A engenharia de 49 indicadores derivados, incluindo frequências temporais, médias móveis, somas acumuladas e z-scores, calculados sobre janelas deslizantes, mostrou-se crucial para capturar padrões complexos e contextuais que as colunas originais não revelavam. Testes com um conjunto de 5.000 transações simuladas, contendo 4% de anomalias sintéticas, evidenciaram que as transações anômalas ocuparam consistentemente as primeiras posições do ranking. A principal contribuição do estudo reside na criação de uma ferramenta acessível que dispensa conhecimentos prévios em ciência de dados, tornando a detecção avançada de anomalias uma realidade prática para profissionais de auditoria. A explicabilidade do modelo, alcançada pela decomposição do erro de reconstrução por coluna e pela geração de explicações em linguagem natural via GPT-4, reduziu significativamente o obstáculo da “caixa-preta” em auditorias automatizadas, permitindo que os auditores compreendam e atuem sobre os resultados.

Contudo, é importante reconhecer as limitações inerentes ao estudo. Os experimentos foram realizados com dados simulados, o que, embora tenha permitido controle preciso sobre as anomalias, não reproduz a complexidade e o ruído dos dados reais. Os hiperparâmetros dos modelos foram definidos por experimentação e não por otimização automatizada, e o volume de 5.000 transações é relativamente baixo para operações financeiras típicas, podendo a plataforma apresentar desafios de performance com grandes volumes e alta cardinalidade. Além disso, a cobertura de testes automatizados ainda é parcial, focada nos endpoints da API, e a dependência de um serviço externo como a API da OpenAI para a explicabilidade introduz latência e menor controle. Para estudos futuros, sugere-se a validação do sistema com dados reais de organizações parceiras, a incorporação de modelos como Variational Autoencoders e mecanismos de active learning, a otimização automatizada de hiperparâmetros, e a ampliação da cobertura de testes automatizados, incluindo testes unitários para os serviços de aprendizado de máquina e testes de carga, além da implementação de CI/CD e monitoramento em produção.

Referências Bibliográficas

Arrieta, A.B.; Díaz-Rodríguez, N.; Del Ser, J.; Bennetot, A.; Tabik, S.; Barbado, A.; García, S.; Gil-López, S.; Molina, D.; Benjamins, R.; Chatila, R.; Herrera, F. 2020. Explainable artificial intelligence (XAI): concepts, taxonomies, opportunities and challenges toward responsible Al. Information Fusion 58: 82-115.

Association of Certified Fraud Examiners [ACFE]. 2024. Occupational Fraud 2024: A Report to the Nations. ACFE, Austin, TX, USA.

Bass, L.; Clements, P.; Kazman, R. 2021. Software Architecture in Practice. 4th ed. Addison-Wesley, Boston, MA, USA.

Chandola, V.; Banerjee, A.; Kumar, V. 2009. Anomaly detection: a survey. ACM Computing Surveys 41(3): 1-58.

Earley, C.E. 2015. Data analytics in auditing: opportunities and challenges. Business Horizons 58(5): 493-500.

Hilal, W.; Gadsden, S.A.; Yawney, J. 2022. Financial fraud: a review of anomaly detection techniques and recent advances. Expert Systems with Applications 193: 116429.

Liu, F.T.; Ting, K.M.; Zhou, Z.-H. 2012. Isolation-based anomaly detection. ACM Transactions on Knowledge Discovery from Data 6(3): 1-39.

Ngai, E.W.T.; Hu, Y.; Wong, Y.H.; Chen, Y.; Sun, X. 2011. The application of data mining techniques in financial fraud detection: a classification framework and an academic review of literature. Decision Support Systems 50(3): 559-569.

OpenAI. 2023. GPT-4 technical report. Disponível em: <https://arxiv.org/abs/2303.08774>. Acesso em: 15 fev. 2025.

Sommerville, I. 2015. Software Engineering. 10th ed. Pearson Education, Harlow, UK.

Zheng, A.; Casari, A. 2018. Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists. O’Reilly Media, Sebastopol, CA, USA.

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

Mais recentes

26 de agosto de 2026

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

26 de agosto de 2026

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

26 de agosto de 2026

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

Neurociência E Aprendizagem Na Educação

24 de agosto de 2026

Do Mundo à Mente: o Impacto Intercultural na Neuroplasticidade

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

24 de agosto de 2026

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

24 de agosto de 2026

Modelo Preditivo de Risco Reputacional Baseado em Textos Jornalísticos

Compliance E Esg

24 de agosto de 2026

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

24 de agosto de 2026

Segmentação Estratégica de Adquirentes Brasileiras por Clusterização Multivariada

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.

Inteligência Artificial

03 de setembro de 2026

O desafio atual da colaboração

Na medida em que o processo criativo começa com a IA, organizações precisam repensar como preservar a construção coletiva das ideias Em pouco mais de três anos, ferramentas de inteligência artificial generativa passaram a ocupar grande parte do trabalho nas organizações, seja para escrever, programar, pesquisar, planejar, analisar ou projetar. A presença já é tão […]

Inteligência Artificial

02 de setembro de 2026

O preço de usar IA sem treinamento

Adoção da tecnologia já alcança 88% das organizações mundiais, enquanto o número de profissionais punidos por usá-la sem preparo dobrou em sete meses No primeiro semestre de 2026, ministrei aulas de inteligência artificial com foco em planilhas, dashboards e apresentações, em Barcelona, na Espanha. Entre meus alunos havia advogados e juízes do Il·lustre Col·legi de […]

Sustentabilidade

28 de agosto de 2026

Como a sustentabilidade está redesenhando os data centers

Economia digital encontra limites físicos e tenta reduzir seu impacto ambiental O crescimento acelerado da infraestrutura digital transforma consumo de energia, disponibilidade hídrica, refrigeração, materiais construtivos e localização em variáveis centrais para o projeto da próxima geração de data centers. Durante boa parte da transformação digital, consolidou-se a percepção de que a computação estava progressivamente […]

Branding

27 de agosto de 2026

O branding que venceu a Copa de 2026

Entre identidade visual, uniformes, tipografia e disputa bilionária por audiência, marketing esportivo nunca esteve tão em evidência A Copa do Mundo de 2026 terminou com a Espanha erguendo a taça pela segunda vez, ao vencer a Argentina por 1 a 0 na prorrogação. O Brasil encerrou a competição na 11ª colocação, eliminado ainda nas oitavas […]

Governança

24 de agosto de 2026

Governança corporativa: entre o controle e a responsabilidade

O que as crises corporativas e os erros cometidos nos casos Enron, FTX e Americanas podem ensinar Uma empresa pode ter conselho de administração, auditoria independente, comitê de auditoria, código de conduta, políticas de compliance e dezenas de mecanismos de controle e, ainda assim, caminhar para o colapso. A pergunta incômoda é: se todos esses […]

Educação

21 de agosto de 2026

A educação cibernética como vantagem competitiva na economia digital

Empresas que investem apenas em tecnologia continuam vulneráveis a riscos A economia tornou-se digital. Essa afirmação, que há poucos anos poderia soar como diagnóstico de tendência, hoje descreve uma realidade consolidada. Empresas, consumidores, instituições financeiras, governos e profissionais passaram a depender de plataformas conectadas para realizar transações, compartilhar informações, contratar serviços, consumir conteúdo, estudar, trabalhar […]

Comportamento Consumidor

19 de agosto de 2026

Racionalidade e o contágio no consumo

Como os livros de colorir para adultos ajudam a compreender emoções, influência social e novas febres de mercado De tempos em tempos, determinados produtos ultrapassam sua função original e se transformam em verdadeiras modas de consumo, influenciando escolhas individuais e comportamentos coletivos. Os livros de colorir para adultos são um exemplo particularmente ilustrativo desse fenômeno. […]

Digital

10 de agosto de 2026

Quem sou eu além do algoritmo?

Construção de identidade e posicionamento depende de processos que envolvem repertório, interpretação e experiência Essa é uma pergunta que tem se tornado cada vez mais recorrente na minha prática como criadora de conteúdo e consultora. Em um ambiente digital altamente mediado por sistemas de distribuição, passamos grande parte do tempo ajustando linguagem, formato e timing […]

Consumidor Digital

31 de julho de 2026

A ascensão do Substack

Plataforma permite que autores publiquem newsletters por meio de assinaturas, transformando conteúdo em produto final Estou viciada em Substack. E a razão não está na plataforma. Simplesmente porque não há ali os mecanismos clássicos que sustentaram a lógica das redes sociais na última década. Não existe um feed infinito orientado por estímulos intermitentes e o […]

Gestão Tributária

01 de setembro de 2026

Reforma tributária e planejamento patrimonial no campo

Eficiência para gerenciar os impostos facilita a governança e permite organizar a sucessão familiar A organização patrimonial rural virou uma medida estratégica diante da reforma tributária no Brasil, que entrou em vigor neste ano. O planejamento das atividades e da gestão do patrimônio rural, por meio de ferramentas como a transição da Pessoa Física para […]

Renata de Gaspari Valdejão Almeida

Inteligência Artificial

05 de agosto de 2026

Dentro da empresa e fora do radar: os riscos da Shadow AI

Segundo a Microsoft, 75% dos profissionais já utilizam inteligência artificial no trabalho sem homologação da empresa O uso da inteligência artificial generativa já faz parte da rotina corporativa. Ferramentas como ChatGPT, Copilot e outras plataformas ajudam profissionais a produzir textos, analisar dados, criar apresentações e acelerar tarefas em praticamente todos os setores. Mas esse avanço […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julho de 2026

O futuro como competência

Interesse acadêmico reforça a projeção de cenários como ferramenta essencial para a tomada de decisões Enquanto algumas empresas ainda tentam acertar o próximo passo, outras já trabalham com múltiplos futuros possíveis — e se preparam para todos eles. Mas afinal, o que significa “pensar o futuro”? É tendência, é estratégia ou uma nova competência que […]

Renata de Gaspari Valdejão Almeida

Inovação

Tecnologia

21 de maio de 2026

Corredor Agro SP: inovação, articulação institucional e futuro

Pecege comanda operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educação

27 de abril de 2026

Como transformar um TCC em negócio

Nova gestão do Parque Tecnológico de Piracicaba oferece consultoria a egressos de MBAs O novo diretor de projetos do Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, costuma dizer que uma das maiores recompensas que já teve na vida foi ver seus orientandos do MBA USP/Esalq estruturarem empresas a partir de seus trabalhos de conclusão de […]

Tecnologia

20 de março de 2026

O repertório humano na era da IA

Pensamento crítico e criatividade são insubstituíveis no trabalho do profissional de marketing A Inteligência Artificial (IA) é capaz de feitos incríveis, mas ainda não possui a capacidade de julgamento, empatia, intuição e criatividade estratégica necessárias para fazer o trabalho de um bom profissional de marketing. Nessa área, é importante saber usar a ferramenta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

23 de fevereiro de 2026

ESG como estratégia de crescimento em uma cooperativa do RS

Santa Clara equilibra responsabilidade social e ambiental com inovação Fundada em 1911 por imigrantes italianos em Carlos Barbosa, na serra gaúcha, a Cooperativa Santa Clara é um exemplo de que é possível equilibrar o crescimento econômico com a responsabilidade social e ambiental. De uma pequena empresa de produção de queijos, a organização evoluiu para um […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

22 de janeiro de 2026

Brasil livre de febre aftosa: o que muda para a carne brasileira?

Com um rebanho de mais de 200 milhões de cabeças de gado, o país é atualmente o líder em exportações O Brasil recebeu recentemente, pela primeira vez, a certificação de país livre de febre aftosa sem vacinação, conferida pela Organização Mundial de Saúde Animal (OMSA). O selo fortalece a posição do país como fornecedor de carne confiável para o […]

Renata de Gaspari Valdejão Almeida

Inovação

09 de dezembro de 2025

Inovação: o novo ciclo do Parque Tecnológico de Piracicaba

Instituto Pecege assume a gestão apostando na criação de novos negócios A partir de 2026, o Instituto Pecege assumirá a gestão do Parque Tecnológico de Piracicaba (PTP). Entre suas responsabilidades estarão a administração, operação, manutenção e expansão do parque, além do fomento de atividades de inovação, empreendedorismo e ciência e tecnologia. A escolha foi feita […]

Renata de Gaspari Valdejão Almeida

06 de julho de 2026

Arquitetura de Grande Porte: Gestão de Mudanças DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A arquitetura e o urbanismo configuram-se como bases imprescindíveis em um espaço urbano cada vez mais complexo e desafiador, onde a intrínseca conexão entre questões sociais, ambientais e tecnológicas […]