Análise de desempenho de algoritmos de aprendizado não supervisionado no problema de classificação de grupos para gestão de risco aduaneiro

• Processo: 24/05042-8
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de julho de 2024
• Data de Término da vigência: 30 de novembro de 2025
• Área de conhecimento: Engenharias - Engenharia de Produção - Pesquisa Operacional
• Pesquisador responsável: Cristiano Morini
• Beneficiário: Tania Lujan Alaya
• Instituição Sede: Faculdade de Ciências Aplicadas (FCA). Universidade Estadual de Campinas (UNICAMP). Limeira , SP, Brasil
• Vinculado ao auxílio: 23/09754-0 - Conformidade aduaneira: desenho de política, ações, avaliação de programa, revisão da legislação, iniciativas de estímulo ao cumprimento da regulação e boas práticas aduaneiras na importação no Brasil, AP.PP
• Assunto(s): Gestão de riscos
• Palavra(s)-Chave do Pesquisador: conformidade aduaneira | Gestão de riscos | Aduana

Resumo

Atualmente está em voga a revisão acerca da legislação sobre remessas expressas internacionais (pequenos pacotes), comumente conhecido como importação via comércio eletrônico. Diante disso, decorre a necessidade de propor uma política, acompanhada de revisão da legislação e proposição de ações de controle mais eficientes, para regular, controlar e, eventualmente, tributar a importação de pequenos pacotes (small parcels). Nesse sentido, técnicas de inteligência artificial podem ajudar na identificação de características que podem ser importantes para ações de controle mais eficientes. Serão realizadas reuniões conjuntas com representantes com conhecimento acerca dos procedimentos operacionais relacionados aos problemas de fiscalização de remessas expressas internacionais. Clustering ou análise de cluster é um problema de aprendizado não supervisionado. Envolve a descoberta automática de agrupamentos naturais nos dados. Ao contrário do aprendizado supervisionado (como a modelagem preditiva), os algoritmos de agrupamento apenas interpretam os dados de entrada e localizam grupos ou agrupamentos naturais no espaço de recursos. Métricas de avaliação serão definidas e utilizadas para decidir qual a melhor combinação do conjunto modelo e técnicas de solução a serem empregados. Para tanto, estudos de casos gerados a partir dos dados operacionais servirão para melhor entendimento das soluções propostas em cada combinação modelo/método e quais são as mais adequadas.