Detecção de anomalias a partir de aprendizado de máquinas para marcação de mercado da soja commodity

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: SANTOS, Italo Mathaus Chaves
Orientador(a): MAIOR, Caio Bezerra Souto
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
Programa de Pós-Graduação: Programa de Pos Graduacao em Engenharia de Producao / CAA
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Link de acesso: https://repositorio.ufpe.br/handle/123456789/53233
Resumo: Nos últimos anos, eventos de escala global colocaram em risco variados modelos de negócios, obrigando-os a repensar suas estratégias e parcerias. Tal fragilidade pode ser enfrentada pela aplicação de metodologias capazes de predizer prováveis eventos disruptivos por meio da análise de dados. Esse trabalho visa a adoção de técnicas de aprendizado de máquina no campo do gerenciamento de risco da cadeia de suprimentos aplicados na cadeia da soja. O objetivo é auxiliar a indústria nacional na tomada de decisão, a fim de mitigar os riscos de abastecimento com o propósito de manter as operações dessa commodity. Foi implementado o modelo Isolation Forest, um algoritmo de aprendizado de máquina não supervisionado desenvolvido para detecção de anomalias. As fontes de dados são índices futuros da soja, ligados aos mercados dos Estados Unidos e da China. O estudo utilizou dois tipos de verificação, uma dedicada a investigar eventos capazes de alterar o preço da soja, a outra comparando implementações de diferentes bancos de dados. Os resultados obtidos se mostraram satisfatórios, uma vez que as anomalias detectadas pelo modelo possuíam possíveis correlações com acontecimentos relativos ao mercado da soja.