https://ric.cps.sp.gov.br/handle/123456789/5295 Faculdade de Tecnologia Professor José Camargo (Jales) Tue, 14 Apr 2026 19:47:02 GMT 2026-04-14T19:47:02Z https://ric.cps.sp.gov.br/handle/123456789/39876 Title: Inteligência artificial na geração de algoritmos: algoritmo de Dijkstra e algoritmos clássicos Authors: BATISTA, Lucimeire Nascimento Abstract: O objetivo deste trabalho é analisar o comportamento de três modelos de linguagem (LLM) ou Inteligências Artificiais Generativas na geração de código de importantes algoritmos para a Ciência da Computação. As tecnologias selecionadas são o ChatGPT, Gemini e Perplexity. Os algoritmos selecionados são algoritmo de Dijkstra e algoritmos clássicos de ordenação de dados. O objetivo é para testar a eficiência destas tecnologias na geração e, principalmente, na explicação de código, que é um aspecto importante para o estudante que deseja se aprofundar no aprendizado de algoritmos e lógica de programação. Após diversos testes realizados com simples prompts, é possível identificar que os LLMs podem ser importantes ferramentas na geração de código e, principalmente, na explicação deles.; The objective of this study is to analyze the behavior of three language models (LLMs) or Generative Artificial Intelligences in generating code for important algorithms in Computer Science. The selected technologies are ChatGPT, Gemini, and Perplexity. The chosen algorithms include Dijkstra's algorithm and classic data sorting algorithms. The goal is to test the efficiency of these technologies in generating and, most importantly, explaining code—an essential aspect for students who wish to deepen their understanding of algorithms and programming logic. After conducting several tests using simple prompts, it is evident that LLMs can be valuable tools for both code generation and, more significantly, for explaining it. Fri, 28 Jun 2024 00:00:00 GMT https://ric.cps.sp.gov.br/handle/123456789/39876 2024-06-28T00:00:00Z https://ric.cps.sp.gov.br/handle/123456789/39860 Title: Infraestrutura como código com Pulumi: produtividade e comparação prática com Terraform Authors: MORELLI, Bruno de Abreu; SANTOS, Vinicius Rocha dos Abstract: A infraestrutura como código (IaC) é essencial para a automação e o gerenciamento eficiente de ambientes em nuvem. Este trabalho analisa a ferramenta Pulumi, que se diferencia por permitir o uso de linguagens de programação convencionais como TypeScript e Python, oferecendo maior flexibilidade aos desenvolvedores. A partir de uma comparação prática com o Terraform, foram avaliados critérios como tempo de provisionamento, quantidade de código e curva de aprendizado. Os resultados demonstraram que o Pulumi reduziu em 30% o volume de código necessário, mas apresentou tempo de execução superior. Conclui-se que o Pulumi é uma alternativa promissora para equipes com perfil de desenvolvimento, proporcionando maior produtividade na escrita da infraestrutura, ainda que com custo operacional um pouco mais elevado.; Infrastructure as Code (IaC) is essential for the automation and efficient management of cloud environments. This paper analyzes the Pulumi tool, which stands out by allowing the use of conventional programming languages such as TypeScript and Python, offering greater flexibility to developers. Through a practical comparison with Terraform, criteria such as provisioning time, code quantity, and learning curve were evaluated. The results showed that Pulumi required 30% less code but had a higher execution time. It is concluded that Pulumi is a promising alternative for development-focused teams, providing greater productivity in infrastructure scripting, despite a slightly higher operational cost. Description: Artigo apresentado na VII Jornada Acadêmica, Científica e Tecnológica, 2025, Jales-SP. Mon, 16 Jun 2025 00:00:00 GMT https://ric.cps.sp.gov.br/handle/123456789/39860 2025-06-16T00:00:00Z https://ric.cps.sp.gov.br/handle/123456789/39859 Title: Trabalho & Você: cuidando das suas dúvidas trabalhistas e saúde mental Authors: HERNANDES, Carlos Eduardo Cruz; MORAES, Gabriel Castellari Abstract: Este trabalho apresenta o desenvolvimento do aplicativo "Trabalho & Você", que busca atender dois desafios críticos do ambiente corporativo contemporâneo: o acesso a informações trabalhistas confiáveis e o suporte à saúde mental. A solução propõe a integração de um chatbot baseado em Inteligência Artificial (IA) para esclarecimento jurídico e ferramentas de apoio emocional, como diário de emoções, exercícios de relaxamento e notificações. A pesquisa aplicada com 102 trabalhadores revelou que 81% já enfrentaram dúvidas trabalhistas e 51% apresentaram sinais de transtornos emocionais, principalmente ansiedade e estresse. O aplicativo foi desenvolvido utilizando Flutter, API da OpenAI e Firebase, validando sua viabilidade técnica e aceitação. Os resultados indicam que iniciativas digitais como esta são essenciais para promover ambientes de trabalho mais saudáveis, democráticos e alinhados às novas diretrizes da Política Nacional de Saúde Mental no Trabalho em tramitação no Congresso Nacional.; This paper presents the development of the ‘Trabalho & Você’ application, which seeks to address two critical challenges in the contemporary corporate environment: access to reliable labour information and mental health support. The solution proposes the integration of a chatbot based on artificial intelligence for legal clarification and emotional support tools such as an emotion diary, relaxation exercises and notifications. The survey of 102 workers revealed that 81% had already faced labour doubts and 51% showed signs of emotional disorders, mainly anxiety and stress. The application was developed using Flutter, the OpenAI API and Firebase, validating its technical viability and acceptance. The results indicate that digital initiatives like this are essential for promoting healthier, more democratic work environments in line with the new guidelines of the National Policy on Mental Health in the Workplace currently being discussed in the National Congress. Description: Artigo apresentado na VII Jornada Acadêmica, Científica e Tecnológica, 2025, Jales-SP. Mon, 16 Jun 2025 00:00:00 GMT https://ric.cps.sp.gov.br/handle/123456789/39859 2025-06-16T00:00:00Z https://ric.cps.sp.gov.br/handle/123456789/39857 Title: Estoqueprev: sistema preditivo de demanda com aprendizado de máquina Authors: SHIKUMA, Diogo Tsuyoshi; LEME, Luiz Gustavo Cardoso Abstract: Este trabalho propõe o desenvolvimento de um sistema web integrado a um modelo de Machine Learning voltado a previsões de demanda de estoque para o setor varejista, abordando a necessidade da transformação digital reduzindo perdas com excesso ou indisponibilidade de produtos. O sistema permite o cadastro de categorias, produtos e movimentações de estoque por meio de inserção manual ou importação de arquivos. Utilizando esses dados históricos, é feito um treinamento de um modelo de Machine Learning para identificar padrões sazonais e gerar previsões futuras, exibidas em gráficos e tabelas com suas respectivas margens de erro. As previsões, assim que aceitas, poderão ser incorporadas à base de dados, promovendo o aprendizado contínuo do modelo. Como resultado, observou-se a viabilidade da integração entre sistemas web e algoritmos de previsão, oferecendo uma ferramenta eficaz para o gerenciamento de estoques. O estudo indica que tal integração tem o potencial de aumentar significativamente o processo de pedidos nas empresas do setor de varejo, trazendo as previsões para os pedidos, assim, com o objetivo de reduzir os desperdícios e auxiliar na tomada de decisões estratégicas no setor varejista.; This paper proposes the development of a web system integrated with a Machine Learning model aimed at forecasting stock demand in the retail sector, addressing the need for digital transformation to reduce losses caused by overstocking or product unavailability. The system allows for the registration of categories, products, and stock movements through manual input or file import. Using this historical data, a Machine Learning model is trained to identify seasonal patterns and generate future forecasts, which are displayed in charts and tables along with their respective error margins. Once accepted, the forecasts can be incorporated into the database, enabling the model's continuous learning. As a result, the integration between web systems and forecasting algorithms proved feasible, offering an effective tool for inventory management. This paper indicates that such integration has the potential to significantly enhance the ordering process in companies in the retail sector by bringing forecasts to orders, thus aiming to reduce waste and aid strategic decision-making in the retail sector. Description: Artigo apresentado na VII Jornada Acadêmica, Científica e Tecnológica, 2025, Jales-SP. Mon, 16 Jun 2025 00:00:00 GMT https://ric.cps.sp.gov.br/handle/123456789/39857 2025-06-16T00:00:00Z