Banca de DEFESA: MACILENE MARIA MONTEIRO MAIA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : MACILENE MARIA MONTEIRO MAIA
DATA : 17/04/2025
HORA: 17:30
LOCAL: Sala Virtual
TÍTULO:

MODELOS PREDITIVOS PARA ORDENS DE SERVIÇO EM IFES: ESTRATÉGIAS DE MACHINE LEARNING PARA O GERENCIAMENTO DE RECURSOS

PALAVRAS-CHAVES:

Serviços de Infraestrutura. Instituições Federais de Ensino Superior. Gestão de Recursos. Machine Learning.

PÁGINAS: 102
RESUMO:

Este estudo tem como objetivo identificar o modelo com melhor desempenho preditivo para auxiliar no gerenciamento de recursos em infraestrutura nas Instituições Federais de Ensino Superior (IFES). Com o intuito de alcançar esse objetivo, serão empregados modelos de Machine Learning (ML) para prever a quantidade diária de Ordens de Serviço (OS) em dois bancos de dados diferentes, pertencentes a instituições com características distintas. Em um cenário marcado por limitações orçamentárias e aumento na demanda por manutenções corretivas e preventivas, prever o volume diário de OS representa uma ferramenta estratégica para apoiar o planejamento institucional e otimizar a alocação de recursos. A metodologia foi estruturada em seis etapas: (i) coleta e pré-tratamento dos dados; (ii) Análise Exploratória dos Dados (AED); (iii) transformação e pré-processamento dos dados; (iv) aplicação dos modelos de ML; (v) avaliação e validação do modelo; e (vi) interpretação dos resultados. Para tanto, três algoritmos baseados em árvores foram aplicados: Árvore de Decisão, Random Forest e Extreme Gradient Boosting (XGBoost), testados em três configurações distintas. A validação cruzada (5-fold) e métricas como Erro Absoluto Médio (MAE), Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE) e R² foram utilizadas para validação e avaliação de desempenho. Como resultado, o modelo XGBoost, sob a configuração 2, apresentou o melhor desempenho para ambas as instituições. Para a Instituição A, no conjunto de teste, o modelo alcançou R² de 0,85, RMSE de 1,00 e MAE de 0,76. Na validação cruzada, o R² médio foi de 0,81, com desvio padrão de 0,03. Enquanto na Instituição B o modelo apresentou R² de 0,90, RMSE de 2,94 e MAE de 2,08. Já na validação cruzada, o R² médio foi de 0,90, com desvio padrão de 0,02. Os resultados reforçam que dentre os modelos testados, o XGBoost possui maior robustez na previsão da quantidade diária de OS nas instituições estudadas. Além dos resultados quantitativos, os padrões identificados foram validados com os responsáveis setoriais, reforçando a aplicabilidade dos achados. O presente estudo traz como contribuição prática a proposta de um modelo preditivo de ML robusto que demonstra potencial para auxiliar no gerenciamento de recursos, minimizando atrasos, sobrecarga de equipes e desperdício de materiais, impactando diretamente a eficiência operacional e o orçamento das IFES. Ainda, a aplicação desses modelos pode ser replicada em diferentes instituições, adaptando-se a diversas bases de dados. Além disso, os resultados desta pesquisa apresentam potencial para colaborar com o alcance de diferentes Objetivos do Desenvolvimento Sustentável (ODS), especialmente o ODS 4 (Educação de Qualidade), o ODS 9 (Indústria, Inovação e Infraestrutura) e o ODS 11 (Cidades e Comunidades Sustentáveis). Como contribuição teórica, a pesquisa preenche uma lacuna não explorada na literatura sobre o uso de ML, no que diz respeito a aplicação e avaliação de modelos para prever a quantidade de OS de manutenção em instituições públicas.

MEMBROS DA BANCA:
Presidente - 1859784 - MIRIAM KARLA ROCHA
Externa ao Programa - 1775593 - LUCIANA TORRES CORREIA DE MELLO - UFERSAExterna à Instituição - ALINE SOARES DANTAS
Externa à Instituição - GABRIELLI HARUMI YAMASHITA