|
📅 07/11/2019 Local: Prédio CEMOI – Sala BRAVO |
08:15 – 08:35 |
|
|
08:35 – 08:55 |
Proposta de melhoria no processo de combate à criminalidade na cidade do Rio de Janeiro. |
|
|
08:55 – 09:15 |
||
|
09:15 – 09:35 |
||
|
09:35 – 09:55 |
Descoberta de conhecimento em base de dados de projetos de inovação: um estudo em um polo EMBRAPII. |
|
|
09:55 – 10:10 |
Intervalo |
|
|
10:10 – 10:30 |
Classificação de falhas de um centro de usinagem: um estudo de caso utilizando árvore de decisão. |
|
|
10:30 – 10:50 |
||
|
10:50 – 11:10 |
Análise de variedades RB da cana-de-açúcar utilizando técnicas de mineração de dados. |
|
|
11:10 – 11:30 |
Otimização de processo produtivo através de Mineração de Dados. |
|
|
11:30 – 11:50 |
ARTIGO 1: A UTILIZAÇÃO DE MINERAÇÃO DE DADOS NO CCIMAR COMO AUXÍLIO AO PROCESSO DE AUDITORIA NAS LICITAÇÕES DA MARINHA DO BRASIL.
Tópico do Artigo: Data Science: Big Data, Data Mining e Analytics
Data: 07/11/2019
Horário: 08:15 – 08:35
Local: Prédio CEMOI – Sala BRAVO
Autores:
Ewerton Gonçalves (Marinha do Brasil)
George Costa (CIANB)
Resumo: O objetivo deste trabalho é verificar a viabilidade da utilização de técnicas de Mineração de Dados nas auditorias conduzidas pelo Centro de Controle Interno da Marinha (CCIMAR) na área de licitações. Para tal, foi necessário conceituar Mineração de Dados e seus termos associados, bem como sua conexão com auditoria contínua e licitações para, em seguida, propor um ambiente próprio e adequado ao uso de Mineração de Dados, a fim de utilizar esta ferramenta em prol da organização como um apoio adicional às auditorias em licitações da Marinha.
ARTIGO 2: PROPOSTA DE MELHORIA NO PROCESSO DE COMBATE À CRIMINALIDADE NA CIDADE DO RIO DE JANEIRO.
Tópico do Artigo: Data Science: Big Data, Data Mining e Analytics
Data: 07/11/2019
Horário: 08:35 – 08:55
Local: Prédio CEMOI – Sala BRAVO
Autores:
Marcone Freitas dos Reis (SENAI CETIQT)
Vitor Ribeiro Cuervo (SENAI CETIQT)
Marcos dos Santos (IME)
Angélica Lima (SENAI CETIQT)
Ernesto Rademaker Martins (CASNAV)
Resumo: Os índices de criminalidade nos grandes centros urbanos têm se intensificado nos últimos anos, devido ao aumento populacional e a falta de infraestrutura nas cidades. Em paralelo, a tecnologia de informação, dispositivos móveis e sensores alavancam um novo paradigma aonde vem sendo gerado um grande volume de dados. Tendo em vista que há um avanço tímido nas práticas de integração da gestão pública, não raros tomadas de decisão acontecem de forma desarticulada e imprecisa. O objetivo do presente trabalho é propor melhorias no processo de combate à criminalidade na cidade do Rio de Janeiro, sugerindo a utilização do Big Data para coletar os dados, e onde esse grande volume de dados dá base às tomadas de decisão integradas dos setores da gestão municipal. O método utilizado para a pesquisa envolveu o estudo teórico sobre o tema e o levantamento de exemplos de utilização do Big Data. A partir do levantamento dos índices de criminalidade no bairro da Tijuca situado na zona norte da cidade do Rio de Janeiro, é apresentado uma proposta de melhoria no combate à criminalidade para o auxílio da gestão pública integrada e base às tomadas de decisão.
ARTIGO 3: MINERAÇÃO DE DADOS: UM ESTUDO PARA IDENTIFICAÇÃO DO PERFIL DOCENTE DAS IES COM CONCEITO 3 OU SUPERIOR NO IGC AVALIADO EM 2016 NO ESTADO DO ESPÍRITO SANTO.
Tópico do Artigo: Data Science: Big Data, Data Mining e Analytics
Data: 07/11/2019
Horário: 08:55 – 09:15
Local: Prédio CEMOI – Sala BRAVO
Autores:
André da Silva (Faculdade Multivix Cachoeiro de Itapemirim)
Denilton de Paula (IFES Viana)
Resumo: A identificação do perfil docente para as instituições de ensino superior no estado do Espírito Santo, que possuem um índice satisfatório ou superior no IGC. Neste trabalho de pesquisa o objetivo é aplicar técnicas de mineração de dados para extrair informações relevantes da base de dados do censo superior de 2016, disponibilizados pelo INEP, sendo utilizado como metodologia uma pesquisa de revisão bibliográfica para conceituação de termos e algoritmos de mineração dados a serem utilizados na pesquisa, bem como discernimento dos processos e indicadores que o MEC leva em consideração para avaliar uma instituição de ensino superior no Brasil, sendo aplicado também o tratamento dos dados anterior a fase de mineração e aplicação do processo do KDD. A pesquisa resulta na criação de clusters de informações, que agrupa os dados da mineração em 7 grandes grupos, além de detalhar algumas ramificações contidas na arvore de decisão criada com base no algoritmo J48. Com este trabalho, podemos concluir que a mineração de dados se apresenta como uma ferramenta poderosa para extração de conhecimento, que nos possibilitou traçar perfis dos docentes capixabas das instituições com IGC 3 ou superior.
ARTIGO 4: GESTÃO DA SEGURANÇA OPERACIONAL EM TEMPO REAL UTILIZANDO FERRAMENTAS DE ANALYTICS: A EXPERIÊNCIA DA ITAIPU BINACIONAL.
Tópico do Artigo: Data Science: Big Data, Data Mining e Analytics
Data: 07/11/2019
Horário: 09:15 – 09:35
Local: Prédio CEMOI – Sala BRAVO
Autores:
Juliano Portela (Itaipu Binacional)
Resumo: Organizações são continuamente desafiadas a manter altos níveis de produtividade sem que sejam descuidados aspectos referentes à segurança das pessoas, instalações e meio ambiente. Paradoxalmente, em organizações cujas consequências socioeconômicas de eventuais falhas operacionais são elevadas, não raro o trade-off entre produção e segurança operacional é desafiado, uma vez que as características de redundância e sobredimensionamento de seus sistemas de segurança diminuem consideravelmente a probabilidade de falhas na operação. Esta realidade, no entanto, não as eximem de constantemente revisitar sua capacidade de monitorar, antecipar e responder a eventos de risco, tornando-as resilientes. Para lograr êxito em tal empreitada, é importante evoluir a gestão da segurança: de reativa, baseada na análise retrospectiva de eventos, para proativa, capaz de prover em tempo real a consciência situacional do estado das instalações e de eventuais vulnerabilidades não previstas. Este trabalho apresenta um dos caminhos que a Itaipu vem tomando no sentido de abordar proativamente sua segurança operacional: uma ferramenta de visualização em tempo real, de alto nível, de uma estrutura hierárquica de seis níveis, que capta mais de 15.000 pontos da instalação, desde o nível de processo, combinando-se através de pesos e cálculos estruturados até o nível de um indicador que representa a visão geral da segurança operacional da Itaipu Binacional, suas subestações, sistemas auxiliares, casa de força e barragem.
ARTIGO 5: DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS DE PROJETOS DE INOVAÇÃO: UM ESTUDO EM UM POLO EMBRAPII.
Tópico do Artigo: Data Science: Big Data, Data Mining e Analytics
Data: 07/11/2019
Horário: 09:35 – 09:55
Local: Prédio CEMOI – Sala BRAVO
Autores:
Bruno Paixão (IFF)
Leonardo Barroso (IFF)
Marcus Toffano (IFF)
Henrique da Hora (IFF)
Rogério de Carvalho (IFF)
Resumo: Contexto: Atualmente a informação é um dos ativos mais importantes das organizações, porém é preciso transformar dados em conhecimento. Deste modo a mineração de dados (MD) tem um importante papel nas análises das informações e na descoberta de padrões. Neste trabalho foram utilizadas técnicas de MD com o auxílio do software WEKA para seleção de atributos, classificação e agrupamento de informações de projetos do pólo de inovação do Instituto Federal Fluminense. Objetivo: Identificar padrões dentro do conjunto dos dados dos projetos de inovação realizados pelo IFF de modo a gerar conhecimento e otimizar a gestão de projetos futuros. Metodologia: Inicialmente foi realizada a extração das informações a partir da base de dados de projetos do Polo de Inovação de Campos dos Goytacazes. Em seguida foram selecionados atributos relevantes para mineração, com a adequação dos dados para obtenção de melhores resultados. Por fim, houve a execução do algoritmo de classificação e geração da árvore de decisão que permitiu revelar informações dos projetos antes escondidas. Resultado: Os resultados descritos nos diversos ramos da árvore de decisão variam em termos de perfis de usuário, tipos de tarefas e tempo gasto. São reveladas iterações entre perfis de usuário específicos, como Gerente/Coordenador e Bolsista/Estagiário, organização de atividades de autoria própria dos Pesquisadores e possível mudança no rol de tarefas de desenvolvimento, apontando muitas atividades sem registro de horas. Conclusões: Após a seleção dos atributos e geração das árvores de decisão, foi possível interpretar e descrever as relações entre os atributos das tarefas, revelando informações sobre os projetos. Os resultados podem ser comparados com artefatos de projetos existentes ou ainda servir de entrada para novos projetos do escritório de projetos. Novas descobertas de conhecimento na mesma base de dados podem ser experimentadas se novos cenários forem aplicados e novos algoritmos, como o K-means.
ARTIGO 6: CLASSIFICAÇÃO DE FALHAS DE UM CENTRO DE USINAGEM: UM ESTUDO DE CASO UTILIZANDO ÁRVORE DE DECISÃO.
Tópico do Artigo: Data Science: Big Data, Data Mining e Analytics
Data: 07/11/2019
Horário: 10:10 – 10:30
Local: Prédio CEMOI – Sala BRAVO
Autores:
Higor Velloso (IFF)
Henrique da Hora (IFF)
Resumo: As empresas estão cada vez mais buscando atingir uma performance de alto nível para se manter em um ambiente caracterizado por intensa competitividade global. Uma das formas de atingir o nível qualidade e excelência desejado é dando foco nas funções de verificação das atividades de manutenção. Na área de manufatura industrial, os centros de usinagem representam o que há de mais avançado no quesito tecnologia, e paradas indesejadas podem gerar prejuízos para as companhias. Para um melhor controle de detecção e reconhecimento de falhas, a fim de atingir um maior período de disponibilidade deste maquinário, diversos autores utilizam ferramentas de inteligência artificial, como árvores de decisão e SVM, entre outros. Este trabalho tem como objetivo aplicar a técnica de árvore de decisão um dataset composto pelo histórico de falhas de um centro de usinagem no período de março de 2016 a outubro de 2018, sendo que cada evento possui 4 atributos: Falha, Componente em falha, Tempo até a falha e Tempo da última manutenção. No ambiente WEKA, foi utilizado o algoritmo J48 com validação do tipo cross-validation com 10 subconjuntos e um número mínimo de 7 objetos por folha para gerar um modelo que possui como desfecho o atributo Falha e outro para Componente em falha. Ao fim do trabalho, obteve-se que o sistema hidráulico é o componente de maior criticidade deste tipo de maquinário, uma vez que possui o maior número de eventos tanto para o atributo Falha, quanto para Componente em falha. Apesar dos modelos terem obtido taxas razoáveis de acurácia, percebe-se que eles possuem algumas falhas.
ARTIGO 7: INVESTIDORES DO TESOURO DIRETO EXPLORAÇÃO DO COMPORTAMENTO DOS INVESTIDORES UTILIZANDO MINERAÇÃO DE DADOS.
Tópico do Artigo: Data Science: Big Data, Data Mining e Analytics
Data: 07/11/2019
Horário: 10:30 – 10:50
Local: Prédio CEMOI – Sala BRAVO
Autores:
Raphael Sales (IFF)
Henrique da Hora (IFF)
Resumo: Do ponto de vista do investidor comum (pessoa física), o tesouro direto é uma alternativa atrativa de investimento na renda fixa com menores custos de transação uma vez que elimina intermediários. A partir de uma base de dados do cadastro dos investidores do Tesouro Direto no Brasil do site: dados.gov.br, este trabalho buscou utilizar técnicas de mineração de dados como a clusterização e árvore de indução a fim de traduzir o comportamento dos investidores do Tesouro Direto. As técnicas realizadas no banco de dados foram aplicadas de modo que identificassem o comportamento e o perfil do investidor através da mineração de dados, sendo esse usuário inativo ou ativo, identificando características recorrentes entre eles. Dentre os meses analisados, podemos chegar a um perfil comum como sendo do sexo masculino, casado e com idade média de aproximada de 45 anos.
ARTIGO 8: ANÁLISE DE VARIEDADES RB DA CANA-DE-AÇÚCAR UTILIZANDO TÉCNICAS DE MINERAÇÃO DE DADOS.
Tópico do Artigo: Data Science: Big Data, Data Mining e Analytics
Data: 07/11/2019
Horário: 10:50 – 11:10
Local: Prédio CEMOI – Sala BRAVO
Autores:
Isabela Terra (IFF)
Milton Jr. (UCM)
Tamys Fernandes (UFRRJ)
Henrique da Hora (IFF)
Resumo: The objective of this work was to use data mining techniques to verify the relation of the characteristics of the sugarcane germplasm collection with the Brazilian Republic (RB) of the Germplasm Asset Bank (BAG) 2018 of the Rede Interuniversitária para o Desenvolvimento do Setor Sucroenergético (RIDESA). Used records of 414 accesses of RB and 10 attributes. For the analysis of the classification task, using the binary decision tree method, the potential of the decision tree model was evaluated in relation to the BRIX, TONNED/HECTARE AND BUDDING of each genotype. From the results obtained, Brix presented a 60.6% accuracy of the instances with the decision tree indicating direct influence of the Maturation; in relation to Tonned/Hectare presented a hit in 56.2% of the instances with the decision tree pointing to the influence of the tillering; and in relation to Budding showed a hit in 74.6% of the instances with the decision tree indicating influence of the tillering followed by the Tonned/Hectare.
ARTIGO 9: OTIMIZAÇÃO DE PROCESSO PRODUTIVO ATRAVÉS DE MINERAÇÃO DE DADOS.
Tópico do Artigo: Data Science: Big Data, Data Mining e Analytics
Data: 07/11/2019
Horário: 11:10 – 11:30
Local: Prédio CEMOI – Sala BRAVO
Autores:
Anderson de Lima (IFF)
Bruno Pereira (IFF)
Henrique da Hora (IFF)
Alline Morais (UENF)
Resumo: Atualmente em todos os setores a concorrência se destaca como um desafio que tem que ser superado a cada instante pelas corporações. Nesse sentido qualquer que sejam os diferenciais competitivos desenvolvidos, podem trazer grandes ganhos relacionados à produtividade. Este estudo mostra como uma inovação aplicada através da ciência de Mineração de Dados pode trazer enormes ganhos num processo produtivo, otimizando custos, diminuindo o tempo de resposta e aumentando a assertividade nas tomadas decisão.
ARTIGO 10: A MINERAÇÃO DE DADOS PARA SELEÇÃO DE HEURÍSTICAS NO PROBLEMA DE EMPACOTAMENTO BIDIMENSIONAL RETANGULAR.
Tópico do Artigo: Data Science: Big Data, Data Mining e Analytics
Data: 07/11/2019
Horário: 11:30 – 11:50
Local: Prédio CEMOI – Sala BRAVO
Autores:
Alvaro Neuenfeldt Júnior (UFSM)
Resumo: O problema de empacotamento bidimensional retangular em faixas consiste em posicionar um conjunto de pequenos retângulos em uma faixa de largura fixa e comprimento virtualmente infinito, minimizando a comprimento necessário para posicionar todos os retângulos. O objetivo geral deste projeto é ajustar modelos de classificação de algoritmos capazes de selecionar, com acurácia, a melhor opção de heurística de melhoria de acordo com as características de cada instância do problema de empacotamento bidimensional retangular em faixas. A metodologia de pesquisa está baseada no uso de técnicas supervisionadas de mineração de dados para o ajuste de modelos de classificação de algoritmos. O enfoque está na seleção das heurísticas que possuem um maior potencial de encontrar soluções de qualidade para o problema, somente utilizando como informação as características das instâncias utilizadas. Após a condução da pesquisa foi possível observar que as técnicas supervisionadas de mineração de dados support vector machine with polynomial kernel foi eficiência no que tange a busca pela melhor opção de heurística de melhoria para o contexto do 2D-SPP. Ainda, notou-se que as características das instâncias são capazes de remeter informações importantes para a resolução do problema.