Gestão de desempenho em Agtechs: uma abordagem preditiva baseada em aprendizagem de máquina e na teoria dos sistemas grey

• Processo: 24/03042-0
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de setembro de 2024
• Data de Término da vigência: 31 de janeiro de 2026
• Área de conhecimento: Engenharias - Engenharia de Produção - Gerência de Produção
• Pesquisador responsável: Lucas Gabriel Zanon
• Beneficiário: Elvio José Sêneda Filho
• Instituição Sede: Escola de Engenharia de São Carlos (EESC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Agtech | gestao de desempenho | Gestão de Operações Agrícolas | Grey System Theory | machine learning | Gestão de Desempenho de Operações

Resumo

O crescimento da população mundial tem como consequência direta o aumento da demanda por alimentos, o que estimula a busca por soluções mais eficientes e sustentáveis no setor agrícola. Nesse contexto, o termo Agtech surge para designar um conjunto de soluções de tecnologias digitais aplicadas à agricultura, bem como startups do agronegócio baseadas em tecnologias 4.0, como a Internet das Coisas (IoT). Considerando a gestão de desempenho como uma atividade determinante para a eficiência operacional no setor agrícola, o objetivo do presente projeto de pesquisa é desenvolver um modelo preditivo baseado na associação de abordagens de aprendizagem de máquina (ML) e da teoria dos sistemas grey (GST) para apoiar a gestão de desempenho agrícola em Agtechs através do monitoramento da produtividade e de riscos. O uso da GST tem por finalidade tratar potenciais incompletudes nas bases de dados coletados em campo via IoT. Esta aplicação não é encontrada na literatura, podendo contribuir para o desenvolvimento do tema no meio científico e prático. A execução do projeto desdobra-se em quatro etapas: revisão da literatura, desenvolvimento do modelo teórico, construção do modelo computacional juntamente à aplicação piloto em Agtech parceira e, por fim, a análise dos resultados. Espera-se, de forma geral, apoiar operações agrícolas de base tecnológica, fomentando a integração de modelos baseados em ML ao processo de gestão de desempenho, principalmente considerando a viabilização da aplicação desse tipo de modelagem em ambientes que apresentam o desafio da incompletude das bases de dados. Através disso, espera-se também incentivar a busca por práticas agrícolas mais eficientes, visando tratar a questão global da produção de alimentos.