PBL TSC ANO 02 FASE 03 2025 VIDEO EXTRA PITCH DATA STORM

Oi, eu sou Heloiza,
estagiária de Data "Science.

Olá, eu sou a Sara,
Cientista de Dados.

E nós somos da Data Storm.

Bom, no início de 2024, a minha
insight procurou a FIAP

para ajudar a entender como
a gente poderia utilizar IA e dados

para ajudar a prever a queda
de energia na cidade de São Paulo.

Bom, a gente sabe
que a cidade de São Paulo

sempre enfrentou
muitos problemas

em relação a falta
de energia elétrica.

Ano passado, em 2024, a gente teve
um recorde de apagão histórico,

3 milhões de pessoas foram
afetadas por esse apagão,

a gente teve um prejuízo
de mais de R$ 400 milhões

por conta desse apagão,

então a gente sabe que é um problema
frequente na nossa cidade,

e como a gente pode
utilizar IA e dados

para a gente ajudar a prever

e ser proativo em relação
a esse problema.

Bom, para resolver
esse desafio,

a gente tinha como
principal objetivo

trazer uma infraestrutura
centralizada de dados

que pudesse organizar
e padronizar dados climáticos,

de previsão de tempo,

de interrupção de energia elétrica
de toda a região de São Paulo,

uma arquitetura,
um pipeline de dados

que suportasse toda
essa infraestrutura

e, além disso, um modelo preditivo
que nos ajudasse a entender

quais seriam as próximas
regiões mais afetadas,

onde a gente deveria focar
e ter uma ação planejada

da equipe operacional da minha
insight mais efetiva e mais acurada.

E, para isso, a gente utilizou
diversas fontes de dados,

como dados públicos
da subprefeitura de São Paulo,

do GeoSampa, da Aneel, dados
privados, também, da Mateomatics

para a gente construir
e desenvolver essa solução.

Pensando nisso, nós criamos
uma arquitetura de dados

extremamente robusta
e completa.

Ela trabalha com dados em tempo
real e dados históricos,

então os dados históricos entram
na arquitetura através de batches

e os dados, em tempo real,
entram através de uma API

orquestrada pelo Airflow.

Na primeira camada,

a gente limpou bem por cima
esses dados, a camada raw,

então, tiramos só o que não
era extremaente necessário

para conseguir armazenar eles
dentro do Google Cloud Plataform

e, só então, conseguir trabalhar
efetivamente em cima deles.

Na segunda camada,
a camada trusted,

nós pegamos esses
dados já mais limpos

e refinamos eles, de fato,
para, então, integrá-los

e construir a última
camada de tratamento,

que é a camada refined, onde
nós criamos uma tabela gigante

com todos os dados
necessários já filtrados

e prontos para serem jogados
no nosso modelo de predição

e treinados no nosso modelo
de machine learning

e, então, conseguir trabalhar,
de fato, esses dados

para uma visualização
no Power BI.

O nosso modelo preditivo
passou por alguns testes,

e o último, que é o LightGBM, nós
decidimos que era o mais acurado.

Aqui, nós temos
uma matriz de confusão,

recall, acuracidade, precisão,

mas o mais interessante é falar
sobre a matriz de confusão,

onde temos testes de true
e false, verdadeiro ou falso,

onde eu digo se vai
faltar e falta energia,

onde eu digo se não vai
faltar e falta energia,

se vai faltar e não falta

e se não vai faltar e realmente
não falta energia.

Olhando os quadrantes, o azulzinho
e o roxinho mais escuro,

nós vemos os dois
números principais,

onde eu digo, no azul,
que não vai faltar e falta,

é um número alto, mas pensando
no negócio desse problema,

nos compensa mais
deslocar uma equipe

quando eu falo que não
vai faltar e falta

do que deslocar uma equipe quando
eu falo que vai faltar e não falta.

E um dos focos
da nossa solução

é a minimização
de recursos operacionais.

Então, por isso nós escolhemos um modelo
que tem um erro menor

quando diz que vai locomover a equipe
e ele erra.

Então e por isso o modelo vai de BM.

Bom, é para analisar todas essas
resultados aí, para a gente entender

onde as equipes operacionais da mensagem
poderiam atuar.

A gente desenvolveu um dashboard
onde a gente mostra todo o histórico

que a gente tem,
tanto de dados climatológicas

quanto de dados de interrupção
de energia elétrica

e com os dados da previsão em tempo real,

da falha
e da interrupção de energia elétrica.

Então, no nosso dashboard hoje
a gente consegue ver, por exemplo,

qual é a média de previsão de interrupção
de energia elétrica para São Paulo

nos próximos sete dias.

A gente consegue ver isso
por datas também.

Então você tem um dia onde a equipe
tem que planejar recursos a mais.

A gente consegue analisar isso
por subprefeitura em um mapa de calor,

onde a gente consegue ver
as regiões mais críticas.

Então já ir trazendo

com base nos dados climatológicas
de interrupção de energia elétrica,

onde a equipe operacional
deveria atuar mais forte.

Então a gente consegue também
ver a média histórica para entender

o comportamento histórico
de cada subprefeitura

e entender
e ajudar e analisar esses pontos.

O ponto forte da nossa solução é essa

tabelinha aqui, onde nós ponderamos

qual local deve ser socorrido primeiro.

Assim, quer dizer.

Então aqui nós trazemos diversos dados

demográficos de

hospitais, escolas, creches,
comunidades e etc.

E aqui nós ponderamos

por que não necessariamente onde mais
chove e onde mais vai ser afetado.

Então a gente conseguiu trazer
todos esses dados aqui para dentro também

e assim indicar onde as equipes de resgate
e onde as operações devem ir

e tomar uma atitude assim, por exemplo.

E aqui a gente traz a visão do nosso MVP
até onde a gente desenvolveu

e da proposta da nossa solução final,
onde a gente poderia chegar

com possíveis investimentos.

Então, hoje
a gente tem uma API que faz a previsão.

Como o nosso modelo
vai de até sete dias de previsão

para todas as prefeituras de São Paulo
e com uma possível investimento,

a gente conseguiria chegar em até 15 dias
e ampliar isso

para gerar um melhor planejamento,
inclusive operacional, para a equipe.

Então, saber qual

em qual período eu vou ter que deslocar
recursos para qual região.

Então isso seria possível
na nossa solução final também.

Além disso,
a gente também teria a possibilidade de.

Hoje a gente traz a nível de subprefeitura
esses dados.

Então, com o possível investimento,

a gente também poderia ter

uma granularidade maior
e trazer tantos dados históricos a nível

de saber o que a ventura
de interrupção de rede elétrica,

mas também os dados de climatologia
em uma granularidade maior

e trazer uma previsão mais acurada
para a região mais acurada de São Paulo,

trazendo assim
até uma eficiência operacional

para a equipe

que está ali, atendendo as regiões
que estão com falta de energia elétrica.

E, além disso,

a gente ainda teria como oportunidade
de trazer para nós a solução final

retroalimentar os dados operacionais
mensais,

para que a gente possa ter uma solução
ainda mais eficaz.

Então, entender onde as equipes trazer
os dados de feedback das equipes,

onde as equipes estão atuando

e a gente deveria começar, atua mais
o tempo de deslocamento dessas equipes

para a gente ainda ter um planejamento
ainda mais acurado e eficaz.

Para mim, site.

Essa foi a nossa solução final,
porque além de desenvolvida em 2024,

gostaríamos de deixar aqui
um agradecimento a todo o time

bem desse enorme
e desejamos uma boa sorte.