Produção acadêmica discente como requisito parcial para obtenção da formação de Tecnólogo. https://ric.cps.sp.gov.br/handle/123456789/13789 2026-07-11T08:27:02Z 2026-07-11T08:27:02Z CARDOSO, Rafaella Seara SINO, Guilherme Kenzo Manzato https://ric.cps.sp.gov.br/handle/123456789/46260 2026-07-07T18:33:36Z 2025-01-01T00:00:00Z

Title: Análise e predição de logística: comparação de dois algoritmos de machine learning para prever demanda de linhas rodoviárias Authors: CARDOSO, Rafaella Seara; SINO, Guilherme Kenzo Manzato Abstract: Este artigo realiza uma análise comparativa que inclui dois algoritmos de Aprendizado de Máquina: Árvore de Decisão e XGBoost. Assim sendo, aplicados à predição da demanda de linhas e viagens rodoviárias. O objetivo principal é identificar qual desses modelos apresenta melhor desempenho preditivo, utilizando como métricas de avaliação o Erro Absoluto Médio (MAE), Erro Quadrático Médio (MSE) e a Raiz do Erro Quadrático Médio (RMSE). A metodologia adotada envolveu a coleta, tratamento e análise de dados históricos do setor de transporte rodoviário, com a remoção de atributos irrelevantes e a correção de inconsistências. As implementações foram desenvolvidas em Python, utilizando bibliotecas especializadas como Pandas, Seaborn, Matplotlib, Sklearn e XGBoost. Os resultados obtidos oferecem insights relevantes sobre a aplicação de técnicas de Aprendizado de Máquina na área logística, contribuindo para decisões mais assertivas no planejamento e na gestão da demanda por transporte rodoviário.; This paper performs a comparative analysis that includes two Machine Learning algorithms: Decision Tree and XGBoost. Thus, they are applied to the prediction of demand for road lines and trips. The main objective is to identify which of these models presents the best predictive performance, using as evaluation metrics the Mean Absolute Error (MAE), Mean Squared Error (MSE) and Root Mean Squared Error (RMSE). The adopted methodology involved the collection, processing and analysis of historical data from the road transportation sector, with the removal of irrelevant attributes and the correction of inconsistencies. The implementations were developed in Python, using specialized libraries such as Pandas, Seaborn, Matplotlib, Sklearn and XGBoost. The results obtained offer relevant insights on the application of Machine Learning techniques in the logistics area, contributing to more assertive decisions in the planning and management of demand for road transportation. Description: Artigo publicado XVI FATECLOG, o papel da inteligência artificial nas operações logísticas, 14 e 15 de junho. Carapicuíba - SP: FATECLOG, 2025. ISSN 2178-0382

2025-01-01T00:00:00Z SANTANA FILHO, Alexandre Lemes de https://ric.cps.sp.gov.br/handle/123456789/46254 2026-07-07T18:49:46Z 2025-01-01T00:00:00Z

Title: Abordagens parar a expansão do ESM (Entrerprise Service Management): um estudo comparativo entre a integração via IPAAS low-code e o desenvolvimento tradicional Authors: SANTANA FILHO, Alexandre Lemes de Abstract: A transformação digital e a necessidade de orquestração de serviços corporativos impulsionaram a evolução do IT Service Management (ITSM) para o Enterprise Service Management (ESM), expandindo as práticas de gestão de TI para áreas como RH, Financeiro e Jurídico. Contudo, a eficácia dessa expansão depende fundamentalmente da capacidade de integrar sistemas heterogêneos e evitar silos de informação. O presente trabalho pretende realizar um estudo comparativo entre duas abordagens de integração para sustentar o ESM: as plataformas Integration Platform as a Service (iPaaS) Low-Code e o Desenvolvimento Tradicional. Os resultados da análise indicam que o iPaaS Low-Code oferece vantagens significativas em agilidade (time-to-market), democratização do desenvolvimento e facilidade de manutenção para integrações de sistemas SaaS e processos interdepartamentais. Em contrapartida, o Desenvolvimento Tradicional demonstra superioridade em cenários que exigem alta performance, baixa latência, segurança customizada e conformidade regulatória rígida. Conclui-se que não há uma abordagem universalmente superior; a estratégia mais adequada para a expansão do ESM é o modelo híbrido, que combina a rapidez do iPaaS para automações de negócio com a robustez do desenvolvimento tradicional para sistemas críticos.; Digital transformation and the need for corporate service orchestration have driven the evolution from IT Service Management (ITSM) to Enterprise Service Management (ESM), expanding IT management practices to areas such as HR, Finance, and Legal. However, the effectiveness of this expansion fundamentally depends on the ability to integrate heterogeneous systems and avoid information silos. This study aims to conduct a comparative analysis between two integration approaches to support ESM: Low-Code Integration Platform as a Service (iPaaS) and Traditional Development. The results indicate that Low-Code iPaaS offers significant advantages in agility (time-to-market), democratization of development, and ease of maintenance for SaaS system integrations and interdepartmental processes. In contrast, Traditional Development demonstrates superiority in scenarios requiring high performance, low latency, customized security, and strict regulatory compliance. It is concluded that there is no universally superior approach; the most suitable strategy for ESM expansion is the hybrid model, which combines the speed of iPaaS for business automations with the robustness of traditional development for critical systems.

2025-01-01T00:00:00Z DIAS, Antônio Klécio Marques https://ric.cps.sp.gov.br/handle/123456789/46251 2026-07-07T18:06:50Z 2025-01-01T00:00:00Z

Title: Um estudo sobre os métodos de redução de vieses em sistemas de inteligência artificial Authors: DIAS, Antônio Klécio Marques Abstract: A busca por uma inteligência artificial justa exige que os desenvolvedores considerem as implicações sociais e morais das tecnologias que criam. Nesse sentido, a mitigação de vieses é um passo fundamental para garantir que as decisões tomadas por sistemas automatizados não reproduzam ou amplifiquem as desigualdades existentes, mas, ao contrário, contribuam para um ambiente mais inclusivo e igualitário. Objetivou-se, assim, averiguar os métodos de redução de vieses em sistemas de Inteligência Artificial (IA), buscando compreender as estratégias mais eficazes para mitigar discriminação e promover a equidade nos processos automatizados. Metodologicamente, tratou-se de uma revisão bibliográfica exploratória e comparativa em harmonia com uma pesquisa qualitativa. Como resultado, salientou-se que a redução de vieses em IA é uma tarefa complexa, que envolve tanto ajustes nos dados utilizados para treinar os modelos quanto a aplicação de técnicas específicas durante e após o processo de treinamento. A utilização de abordagens como aprendizado supervisionado com regularização, auditoria de modelos e o emprego de algoritmos justos emergem como práticas promissoras na mitigação de vieses e promoção de equidade. Conclui-se, de modo complementar, que, embora desafios persistam, a contínua pesquisa e a implementação de práticas éticas são essenciais para o desenvolvimento de sistemas de IA mais transparentes, inclusivos e socialmente responsáveis.; The pursuit of fair artificial intelligence requires developers to consider the social and moral implications of the technologies they create. In this sense, bias mitigation is a fundamental step to ensure that decisions made by automated systems do not reproduce or amplify existing inequalities, but rather contribute to a more inclusive and egalitarian environment. The aim of this study was to investigate methods for reducing bias in Artificial Intelligence (AI) systems, seeking to understand the most effective strategies for mitigating discrimination and promoting equity in automated processes. Methodologically, this was an exploratory and comparative literature review in harmony with qualitative research. As a result, it was highlighted that reducing bias in AI is a complex task, which involves both adjustments to the data used to train the models and the application of specific techniques during and after the training process. The use of approaches such as supervised learning with regularization, model auditing and the use of fair algorithms emerge as promising practices in mitigating biases and promoting equity. It is concluded, in a complementary way, that, although challenges persist, continuous research and the implementation of ethical practices are essential for the development of more transparent, inclusive and socially responsible AI systems. Description: Artigo publicado Revista Eletrônica Anima Terra, Faculdade de Tecnologia de Mogi das Cruzes – FATEC-MC. Mogi das Cruzes-SP., n 22, ano XI, p.75-89, 1° semestre, 2026. ISSN 2526-1940.

2025-01-01T00:00:00Z SANTOS, Gustavo Ferreira dos https://ric.cps.sp.gov.br/handle/123456789/46249 2026-07-07T17:33:39Z 2025-01-01T00:00:00Z

Title: INTEL XESS e AMD FSR: comparativo entre modelos de upscaling Authors: SANTOS, Gustavo Ferreira dos Abstract: Com os jogos atuais tornando-se cada vez mais exigentes em termos de recursos, os consumidores que não possuem acesso aos hardwares mais recentes e poderosos se veem obrigados a reduzir a qualidade gráfica para poderem jogar. Nesse cenário, tecnologias de upscaling e aprimoramento de imagem surgem como soluções promissoras, permitindo que esses jogadores desfrutem de títulos mais pesados com um ganho significativo de desempenho, sem sacrificar tanto a qualidade visual. O presente artigo tem por objetivo comparar duas dessas tecnologias já existentes no mercado: o FidelityFX Super Resolution (FSR) da AMD e o Xe Super Sampling (XeSS) da Intel. Através de uma análise detalhada, buscamos extrair dados reais e compará-los em termos de desempenho, incluindo taxa de quadros, uso de recursos de hardware e qualidade da imagem. Os resultados desta comparação fornecem insights sobre as diferenças de performance entre o FSR e o XeSS, contribuindo para uma melhor compreensão de suas vantagens e limitações em diferentes cenários de jogo.; As modern games are increasingly demanding in terms of resources, forcing consumers without access to the latest and most powerful hardware to reduce graphical quality to play. In this context, upscaling and image enhancement technologies have emerged as promising solutions, allowing these players to enjoy more demanding titles with significant performance gains without significantly sacrificing visual quality. This paper aims to compare two of these existing technologies on the market: AMD's FidelityFX Super Resolution (FSR) and Intel's Xe Super Sampling (XeSS). Through a detailed analysis, we aim to extract real data and compare their performance differences, including frame rates, hardware resource usage, and image quality. The results of this comparison provide insights into the performance differences between FSR and XeSS, contributing to a better understanding of their advantages and limitations in different gaming scenarios.

2025-01-01T00:00:00Z