Inteligência para PMEs Baseada em Dados: Aplicação da Aprendizagem Automática para a Extração de Conhecimento Operacional em Pequenas e Médias Empresas
Elysium λ Development & Research — Portugal, União Europeia
Resumo
I.
Problema de Investigação e Motivação
II.
Quadro Teórico
III.
Questões de Investigação
QI1
Quais são os limiares mínimos de volume e qualidade de dados necessários para que os modelos de aprendizagem automática gerem insights operacionais fiáveis em ambientes digitais típicos de PMEs?
QI2
Quais as metodologias de aprendizagem automática — classificação supervisionada, clustering, deteção de anomalias ou previsão de séries temporais — que produzem os resultados mais acionáveis e interpretáveis para operadores de PMEs não especializados?
QI3
Em que medida a disponibilização de explicações em linguagem natural juntamente com os resultados do modelo de ML aumenta a confiança do operador de PMEs e a adoção de recomendações baseadas em dados?
IV.
Metodologia
V.
Fontes de Dados e Protocolo de Recolha
VI.
Observações Preliminares
VII.
Limitações
VIII.
Trabalho Futuro
Referências
- Argyris, C., & Schön, D. A. (1978). Organizational Learning: A Theory of Action Perspective. Addison-Wesley.
- Arrieta, A. B., et al. (2020). Explainable artificial intelligence (XAI). Information Fusion, 58, 82–115.
- Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv preprint arXiv:1702.08608.
- Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37–54.
- Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design science in information systems research. MIS Quarterly, 28(1), 75–105.
- Mikalef, P., et al. (2020). Big data analytics and firm performance. Journal of Business Research, 114, 261–272.
- Senge, P. M. (1990). The Fifth Discipline. Doubleday.
- Comissão Europeia. (2021). Estratégia para as PME em prol de uma Europa sustentável e digital. Serviço de Publicações da UE.