Descrição
A presente pesquisa estuda a evolução agricultura relacionada à evolução da tecnologia, nesse sentido, Zhai (2020) discorre que a agricultura passou e ainda passa por diversas revoluções chamadas de: Agricultura 1.0, Agricultura 2.0, Agricultura 3.0, Agricultura 4.0 e, mais recentemente, surgem discussões sobre uma nova revolução chamada de Agricultura 5.0. Durante as diferentes revoluções agrícolas, diferentes tipos de tecnologia foram implementados visando principalmente, o aumento da produtividade, contudo, as revoluções mais recentes trouxeram também diferentes fatores e temas relevantes como a produção de alimentos de forma limpa e menos danosa para o meio ambiente. Tendo como foco um aumento limpo da produção, a 4ª revolução da agricultura trouxe dentre suas inovações o uso de máquinas inteligentes para o âmbito agrícola centradas no aumento da produtividade inteligente. Dentre as inovações, há a implementação de máquinas para apresentação de resultados e facilitação da tomada de decisão para agricultores. Nesse sentido, a Agricultura 5.0 traz uma expansão da implementação e uso de máquinas no plantio, de forma a otimizar o uso de Inteligência Artificial (IA) para tomada de decisões inteligentes totalmente baseadas em dados. Para tal evolução faz-se fundamental o conceito de Machine Learning Operations (MLOps) que, por sua vez, trata do processo de aprendizado de máquinas, fundamental para que as Inteligências Artificiais inseridas nos mais diversos contextos, tenham sucesso nas análises de dados e tomadas de decisão. Há contudo, diferentes lacunas e conceitos que precisam ser mais bem desenvolvidos para enfim, viabilizar de fato a 5ª revolução agrícola, como por exemplo, a definição de processos de MLOps focados inteiramente nos mais diversos cenários e contextos da Agricultura. Uma dessas lacunas está presente no contexto da cafeicultura que possui, até o momento, apenas modelos iniciais de processos de Machine Learning Operations totalmente voltados para o cenário. Nesse sentido, visando preencher a lacuna existente no contexto da cafeicultura, este estudo se apresenta com o objetivo de criar uma arquitetura completa de Machine Learning Operations especificamente voltada para o contexto da Cafeicultura. Para definição do processo MLOps para a cafeicultura, será tomado como estado da Arte e base para a nova proposição, o processo proposto por Kreuzberger (2022). Este estudo se apresenta como uma pesquisa qualitativa, exploratória, de natureza básica e de campo, constituída por um corpus de tarefas que compõem o processo de Machine Learning Operations conforme proposto pela abordagem de Kreuzberger (2022). Os dados levantados serão analisados a fim de identificar quais tarefas do processo MLOps são mais adequadas para o contexto da cafeicultura, de forma a propor o processo correto para o cenário. Ao final do estudo, é esperado que se tenha um processo ponta a ponta, e funcional de MLOps que poderá, por sua vez, ser aplicado na cafeicultura.
| Selecione a modalidade do seu trabalho | Resumo Simples |
|---|
