class: center, middle, inverse, title-slide .title[ # Inteligência Artificial ] .subtitle[ ## Automação na Indústria e no Comércio ] .author[ ### Gleison Guardia ] .institute[ ### Professor do IFRO · Pesquisador no Evolução Instituto ] .date[ ### 7º ADS — Ji-Paraná · 2026 ] --- --- class: slide-capa, center, middle # Quem está falando com vocês --- ## Gleison Guardia .pull-left[ - Professor e Pesquisador de Matemática Computacional e Probabilidade e Estatística — IFRO Ji-Paraná - Consultor e Pesquisador — Evolução Instituto de Ciência e Tecnologia - Matemático e Estatístico com foco em problemas reais de negócio - Pesquisador em P&D aplicado à indústria - Doutorando e Matemática Aplicada a Modelação **O que eu trago hoje:** Projetos reais em desenvolvimento onde a IA e a automação estão resolvendo problemas concretos na indústria e no comércio da nossa região. > Não é teoria. > É o que está acontecendo agora, em 2026. ] .pull-right[ <img src="palestra_7ads_gleison_files/figure-html/perfil-atuacao-1.png" alt="" width="504" style="display: block; margin: auto;" /> ] --- class: slide-secao, center, middle # O Diagnóstico ### As empresas têm dados — e aí começam os problemas --- ## Nunca houve tanta informação — e tão pouca decisão .pull-left[ ### O que as empresas fizeram - Migraram para ERPs modernos - Implantaram dashboards e BI em todas as áreas - Conectaram sensores, IoT e telemetria em tempo real - Construíram data lakes e pipelines de dados ### O resultado esperado > *"Agora temos dados para tomar decisões melhores."* ### O resultado real > *Ninguém sabe interpretar o que está na tela.* ] .pull-right[ <img src="palestra_7ads_gleison_files/figure-html/dashboard-gap-1.png" alt="" width="504" style="display: block; margin: auto;" /> ] --- ## A lacuna que ninguém fala: quem faz a análise? .pull-left[ ### O problema estatístico real As empresas têm dashboards com gráficos de barras. O que elas não têm é alguém capaz de: - Fazer um teste-t ou ANOVA entre filiais - Calcular e interpretar um p-valor corretamente - Separar sinal real de ruído aleatório - Construir previsões com intervalo de confiança - Detectar sazonalidade e tendência em séries temporais > *"As vendas caíram no mês passado."* > > Mas caíram significativamente? Ou foi variação normal? Sem estatística, ninguém sabe. ] .pull-right[ <img src="palestra_7ads_gleison_files/figure-html/hipotese-visual-1.png" alt="" width="432" style="display: block; margin: auto;" /> ] --- ## O humano como elo mais fraco no monitoramento .pull-left[ ### O problema de escala Quando há 1 dashboard → 1 pessoa consegue acompanhar. Quando há 50 telas · 300 alertas/dia · 8 filiais → ninguém acompanha nada. *O que observamos na prática:* 1. Alertas ignorados por volume excessivo 2. Decisões tomadas com dados desatualizados 3. Ninguém cruzou dados de sistemas diferentes 4. Analista interpreta o que confirma a opinião prévia 5. Reuniões com slides copiados do BI sem análise real > O problema não é falta de dado. > É excesso de dado sem interpretação. ] .pull-right[ <img src="palestra_7ads_gleison_files/figure-html/escala-alerta-1.png" alt="" width="504" style="display: block; margin: auto;" /> ] --- class: slide-secao, center, middle # A Oportunidade ### IA como camada cognitiva entre os dados e a decisão --- ## O que a IA pode fazer nesse cenário .pull-left[ >*1.Camada de leitura automática:* Lê todas as telas, todos os dados, 24h por dia — sem cansaço, sem viés de confirmação. >*2. Separação de sinal e ruído:* Aplica testes estatísticos automaticamente: *"isso é acaso ou é real?"* >*3. Alertas contextualizados:* Não dispara tudo — interpreta, prioriza e comunica em linguagem natural. >*4.Previsão e antecipação:* Modelos preditivos apontam o que vai acontecer, não apenas o que já aconteceu. >*5.Interface conversacional:* Gestor ou operador pergunta em linguagem natural: *"O que precisa da minha atenção agora?"* ] .pull-right[ <img src="palestra_7ads_gleison_files/figure-html/ia-camada-1.png" alt="" width="504" style="display: block; margin: auto;" /> ] --- class: slide-secao, center, middle # Casos Reais ### O que estamos construindo nas pesquisas --- ## Caso 1 — Comércio: o estoque que ninguém controla .pull-left[ ### O cenário Uma rede de distribuição com múltiplas filiais. Movimenta milhões em estoque — com zero visibilidade integrada. | Sintoma | Consequência | |---|---| | Divergências só no balanço anual | Perda acumulada invisível | | Produtos vencendo no depósito | Prejuízo direto | | Vendedor sem informação de disponibilidade | Venda perdida na hora | | Excesso numa filial, falta em outra | Transferência que não acontece | ### A solução com IA A IA se torna a camada de leitura do estoque: - Alerta automático de validade com 30, 15 e 7 dias - Sugestão de transferência entre filiais - Detecção de padrão de ruptura antes que aconteça - Notificação diária personalizada para cada vendedor ] .pull-right[ <img src="palestra_7ads_gleison_files/figure-html/caso-comercio-1.png" alt="" width="504" style="display: block; margin: auto;" /> ] --- ## Caso 2 — Indústria: 10.000 equipamentos, 1 analista .pull-left[ ### O cenário Infraestrutura industrial com 10.000+ pontos de monitoramento. Cada ponto gera leituras a cada 15 minutos. **Matemática do problema:** | | Números | |---|---| | Leituras por dia | 960.000 | | Analista lê com qualidade | ~200/dia | | Cobertura real | < 0,02% | ### Tipos de falha que ninguém detecta a tempo | Tipo | Severidade | |---|---| | Degradação de sinal progressiva | Baixa → Alta | | Pico de consumo atípico | Média | | Perda de comunicação | Crítica | | Deriva de parâmetros ao longo do tempo | Acumula | > O humano detecta quando já é tarde. > A IA detecta quando ainda dá para agir. ] .pull-right[ <img src="palestra_7ads_gleison_files/figure-html/caso-industria-1.png" alt="" width="504" style="display: block; margin: auto;" /> ] --- ## Caso 3 — Quando não há dados reais: o simulador .pull-left[ ### O problema de bootstrap em P&D Antes de treinar um modelo de IA, você precisa de dados. Mas dados reais muitas vezes não estão disponíveis — por contrato, por LGPD, ou por estarem ainda em produção. ### Dados sintéticos com rigor estatístico Construímos um simulador calibrado contra dados reais públicos: - Simula redes de medidores com topologia urbana real - 9 tipos de falha com distribuições realistas - 5 drivers de sazonalidade validados contra bases nacionais - Erro médio de 1,3 ponto percentual vs. dados reais > Não basta gerar dados aleatórios. > Os dados sintéticos precisam > preservar a estatística do mundo real. ] .pull-right[ <img src="palestra_7ads_gleison_files/figure-html/simulador-stats-1.png" alt="" width="504" style="display: block; margin: auto;" /> ] --- class: slide-secao, center, middle # A Nova Fronteira ### O que isso significa para quem programa --- ## IA como nova fronteira para o programador .pull-left[ ### O mercado que está se abrindo Antes: o programador entregava software que executa regras. Agora: o programador entrega sistemas que aprendem e decidem. **A nova stack do desenvolvedor de IA aplicada:** | Camada | Habilidade | |---|---| | **Dados** | SQL · Parquet · pipelines ETL | | **Análise** | Python/R · estatística · testes | | **Modelos** | ML · detecção de anomalias · LLMs | | **Integração** | APIs · automação · agentes | | **Produto** | Dashboards reativos · voz/chat | > Quem domina todas as camadas é raro. > Quem domina duas ou três já está à frente. ] .pull-right[ <img src="palestra_7ads_gleison_files/figure-html/nova-fronteira-1.png" alt="" width="504" style="display: block; margin: auto;" /> ] --- ## Para vocês, estudantes de ADS .pull-left[ ### O que o mercado precisa de vocês >*Automação antes de IA: * A maioria dos problemas reais resolve com `if/else` bem escrito + integração de APIs. Domine isso primeiro. >*Estatística aplicada: * Um programador que sabe interpretar um p-valor, rodar uma ANOVA e construir uma previsão é raro e muito bem pago. >*Entenda o negócio antes de automatizar: * Antes de escrever uma linha de código: *O problema é repetível? Os dados existem? Quem vai usar?* >*Aprenda a construir dados, não só consumir: * Pipelines, simuladores, validação estatística — quem gera dados de qualidade comanda o projeto de IA. ] .pull-right[ <img src="palestra_7ads_gleison_files/figure-html/mercado-gap-1.png" alt="" width="504" style="display: block; margin: auto;" /> ] --- class: slide-final, center, middle # Obrigado **Gleison Guardia** Professor IFRO Ji-Paraná · Pesquisador Evolução Instituto gleison.guardia@hotmail.com > *"A IA não substitui quem pensa —* > *ela substitui quem não parou para pensar."* *Perguntas?*