Introdução

       O modelos preditivos baseados em inteligência artificial ganham exponencial espaço em diversos ramos de ação humana, sejam comerciais ou acadêmicos.

       Eles possuem grande aplicabilidade e acessibilidade favorecidas pelo constante investimento na área. Entretanto, o desenvolvimento desses modelos devem ser acompanhadas por profundas análises, típicas da ciência de dados, ou seja, matemáticas e estatísticas. Caso isso não acontecer, podemos correr o risco de gerar modelos de baixa generalização, interpretar resultados de forma errada, tanto na entrada quanto na saída, ou simplesmente, cairmos em uma situação cujo o baixo entendimento do processo resulte na impossibilidade de evolução do mesmo.

      Este trabalho final de graduação busca usar a demanda de cimento em escala nacional como um estudo de caso para se buscar um modelo de alta qualidade preditiva, mas sem perder: tanto os conceitos teóricos que permitiram isso; quanto a análises de proeminência dos dados de entrada no resultado final. Para garantia disso, serão usados os chamados métodos de explicabilidade de inteligência artificial.

Objetivo

       O objetivo deste trabalho é o desenvolvimento de modelos de alta qualidade para previsão do consumo de cimento, utilizando-o como estudo de caso. Esse processo envolve alcançar um bom conhecimento do dóminio do problema, aplicação de técnicas avançadas de pré-processamento de dados e métodos recomendados para a criação de modelos com boa capacidade de generalização

Metodologia

      Inicialmente, haverá foco em entendimento teórico: nos modelos de aprendizado de máquina, boas práticas de treinamento desses modelos, metodologias de pré-processamento de dados e ferramentas de explicabilidade e interpretabilidade de modelos. Como todo esforço de generação de , no estudo de caso por sí, que é a produção e demanda de cimento. Haverá uma busca por dados com potencial de serem dados de entrada significativos para o aumento da qualidade preditiva do modelo em espaço amostral externo. Este último ocorrerá em boa parte do desenvolvimento do projeto.

      A busca por um modelo de alta qualidade preditiva, tem metodológico que se assemelha a um algoritmo recursivo. Cada estado terá seu modelo treinado seguindo etapas como.

1. Análise e, posteriormente, processamento de dados de entrada.
2. Estruturação do modelo e execução (treinamento).
3. Análise dos resultados, e posteriormente uso de explicabilidade

      Esses métodos de aplicabilidade com base em análises matemáticas levam em consideração os dados como recursos e buscam métricas para indicar a contribuição de cada recurso para a previsão. Esse trabalho usará a biblioteca SHAP de python¹.

      Isso será repetido em diversas vezes sempre ajustando hiperparamêtros em busca de melhor resultado. Quando houver uma grande mudança de procedimento, seja pela introdução de um novo tipo de pré-processamento ou novos tipo de dados de entrada a nova bateria de testes será dividia como um fase nova.

Cronograma

Fase/Meses	Fev	Mar	Abr	Mai	Jun	Jul	Ago	Set	Out	Nov	Dez
Estudos de aprendizado de máquina e seus modelos	X	X	X	X	X	X	X
Coleta de dados a serem paramêtros significativos			X	X	X	X	X
Estudos de métodos de explicabilidade de IA.				X	X	X	X	X
Processamento e análise de dados					X	X	X	X	X	X
Criação dos modelos e seus treinamentos							X	X	X	X
Produção da monografia									X	X

---