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 Minsait 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 Minsait
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, é por isso
o modelo LightGBM.

Bom, e para analisar todos
esses resultados da IA,

para a gente entender

onde as equipes operacionais
da minha insight poderiam atuar,

a gente desenvolveu
um dashboard

onde a gente mostra todo
o histórico que a gente tem

tanto de dados climatológicos

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 7 dias,

a gente consegue ver
isso por datas também,

então se tem um dia em que 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 onde a IA está dizendo,
com base nos dados climatológicos

e 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.

Um ponto forte da nossa
solução é essa tabelinha aqui,

onde nós ponderamos qual local
deve ser socorrido primeiro,

assim por dizer.

Então, aqui, nós trazemos diversos
dados demográficos de hospitais,

escolas, creches,
comunidades etc.

E, aqui, nós ponderamos

porque não necessariamente
onde mais chove

é 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,

onde as operações devem ir e tomar
uma atitude, assim por dizer.

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,

com o o nosso modelo de AI,
de até 7 dias de previsão

para todas as subprefeituras
de São Paulo

e, com um 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 em qual período
vão 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 um possível
investimento,

a gente também poderia ter
uma granularidade maior

e trazer tantos dados históricos
a nível de subprefeitura,

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
atendendo as regiões

que estão com falta
de energia elétrica.

E, além disso, a gente ainda
teria como oportunidade

trazer para a nossa
solução final

retroalimentar os dados
operacionais da Minsait

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

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

onde as equipes
estão atuando

e a gente deveria
começar a atua mais,

o tempo de deslocamento
dessas equipes

para a gente ter um planejamento
ainda mais acurado e eficaz

para a Minsait.

Essa foi a nossa solução final para
o challenge desenvolvido em 2024,

gostaríamos de deixar,
aqui, um agradecimento

a todo o time Data Storm
e desejamos uma boa sorte.