Bacharelado em Engenharia de Produção - Belém

URI Permanente para esta coleção

https://bibliotecadigitaldetcc.uepa.br/handle/riuepa/293

Navegar

Navegando Bacharelado em Engenharia de Produção - Belém por Assunto "BigQuery ML"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Ferramentas de inteligência artificial da google para previsão de demanda empresarial.
    (2024-01-10) PAMPOLHA, Pedro Augusto Duarte
    Este estudo analisa a significativa contribuição das ferramentas de inteligência artificial (IA) da Google, mais especificamente o BigQuery ML e o Vertex AI, no contexto da previsão de demanda empresarial. A relevância desta pesquisa reside na crescente importância do uso dessas ferramentas para aprimorar a eficácia e precisão das previsões que resultam em melhores estratégias de gestão de negócios. A metodologia adotada se configura como um estudo de caso, onde as ferramentas de IA, BigQuery ML e Vertex AI, são aplicadas na previsão de demanda. Inicialmente, cinco conjuntos de dados foram construídos a partir de interações com o ChatGPT e a IA do Bing, cada um caracterizado por séries temporais específicas. Esses dados, fundamentais para o desenvolvimento da pesquisa, foram posteriormente integrados à plataforma BigQuery para utilização nas ferramentas de IA em questão. A abordagem metodológica abraça a extração cuidadosa de tabelas de treinamento de cada conjunto de dados, seguida pela criação de modelos de previsão e a subsequente geração de previsões. Os resultados foram integrados a uma plataforma visual para elaboração de gráficos comparativos, com métricas de avaliação para análise de acurácia e comparação entre as previsões das duas inteligências artificiais. Os resultados indicam que o BigQuery ML apresenta maior acurácia na previsão de demanda em comparação com o Vertex AI em três das cinco séries temporais, exceto para a série com formato de “U”, onde ambas as ferramentas tiveram desempenho semelhante, e para a série estacionária, na qual o Vertex AI conseguiu resultados mais satisfatórios. Além disso, o BigQuery ML é mais rápido na previsão de demanda para todas as séries temporais, tanto no treinamento quanto na previsão. Quanto à facilidade de uso, o Vertex AI mostrou-se mais amigável na previsão de demanda em comparação com o BigQuery ML. Conclui-se que o BigQuery ML supera o Vertex AI na previsão de demanda para séries temporais com tendências crescentes, decrescentes e em formato de "U" invertido, enquanto ambas as ferramentas apresentaram desempenho semelhante em séries temporais com tendência em formato de “U”. Este estudo contribui para a compreensão do desempenho das ferramentas de IA da Google na previsão de demanda, fornecendo insights práticos para o contexto empresarial.;
    This study analyzes the significant contribution of Google's artificial intelligence (AI) tools, specifically BigQuery ML and Vertex AI, in the context of business demand forecasting. The relevance of this research lies in the growing importance of using these tools to improve the effectiveness and accuracy of forecasts that result in better business management strategies. The methodology adopted is a case study in which the AI tools BigQuery ML and Vertex AI are applied to demand forecasting. Initially, five sets of data were constructed from interactions with ChatGPT and Bing AI, each characterized by specific time series. This data, which was fundamental to the development of the research, was later integrated into the BigQuery platform for use in the AI tools in question. The methodological approach embraces the careful extraction of training tables from each data set, followed by the creation of prediction models and the subsequent generation of forecasts. The results were integrated into a visual platform to create comparative graphs, with evaluation metrics for analyzing accuracy and comparing the forecasts of the two artificial intelligences. The results indicate that BigQuery ML is more accurate at forecasting demand than Vertex AI in three of the five time series, except for the U-shaped series, where both tools performed similarly, and for the stationary series, where Vertex AI achieved more satisfactory results. In addition, BigQuery ML is faster at forecasting demand for all time series, both in training and forecasting. In terms of ease of use, Vertex AI proved to be more user-friendly when forecasting demand compared to BigQuery ML. We conclude that BigQuery ML outperforms Vertex AI in forecasting demand for time series with increasing, decreasing and inverted U-shaped trends, while both tools performed similarly for time series with U-shaped trends. This study contributes to understanding the performance of Google's AI tools in demand forecasting, providing practical insights for the business context.