Designação do Projeto: ATAI - Algoritmos Preditivos, Inteligentes e Seguros em Data Science

Número do Projeto: 14403

Entidade Beneficiária: WE HANDLE DATA, LDA

Sede do empresa: Rua do Poço 28, 4900-519 Viana do Castelo

Loca de execução: Rua Ramalho Ortigão 213, 4900-422 Viana do Castelo

Data de Aprovação: 05/05/2025

Data de Início: 01/03/2024

Data de Conclusão: 28/02/2026

Despesa Elegível: 445.735,10€

Incentivo Atribuído: 330.531,43€

Síntese:

O projeto ATAI visa a Investigação e Desenvolvimento Experimental (I&D) de soluções tecnológicas inovadoras relacionadas com a utilização de tecnologias disruptivas - Machine Learning (ML), Inteligência Artificial (AI), Big Data e Segurança, alargando as competências tecnológicas da empresa e potenciando as áreas de interação em ambientes colaborativos/organizacionais - Personnel Scheduling, nomeadamente: i) explorar modelos matemáticos e técnicas de investigação operacional para a geração e atribuição de automatismos; ii) definir modelos preditivos de deteção de fraude; iii) analisar algoritmos de segurança e técnicas de ocultação de dados sensíveis (PII) dinamicamente (e.g. Data Vault), com demonstração de protótipo funcional em parceiros da Hotelaria e Restauração.

Objetivos:

O desenvolvimento técnico-científico deste projeto, nas suas 4 componentes fundamentais, visa os seguintes objetivos:

  • A componente de Personnel Scheduling tem como principal objetivo otimizar a gestão de recursos humanos, modelando de forma eficaz a procura, construindo escalas de trabalho eficientes e atribuindo tarefas otimizadas. Pretende-se conciliar as necessidades operacionais, considerando restrições legais, éticas e individuais, através da implementação de subprocessos como Demand Modelling, Days Off Scheduling, Shift Scheduling, Line of Work Construction, Task Assignment e Staff Assignment;
  • A integração de ML visa aprimorar o processo de Personnel Scheduling, permitindo a melhoria da qualidade das soluções iniciais com base em dados históricos, otimizar operadores de pesquisa através de insights de ML, selecionar metaheurísticas apropriadas por meio de técnicas de classificação e clustering, e explorar a geração automatizada de metaheurísticas utilizando métodos como genetic programming e reinforcement learning;
  • A Deteção de Fraude concentra-se na identificação de comportamentos fraudulentos nos dados de marcação de entrada/saída, visando garantir a integridade operacional e financeira das organizações. Os objetivos incluem a comparação entre presença física e registos de entrada/saída para identificar desvios, a análise detalhada ao longo do tempo para detetar padrões complexos, e a aplicação de técnicas de ML, como Outlier Detection e Complex Event Processing, para uma deteção eficaz de comportamentos fraudulentos. O propósito é assegurar a conformidade rigorosa com os horários estabelecidos e prevenir prejuízos operacionais e financeiros associados a práticas fraudulentas;
  • No que toca à segurança, o objetivo é o desenvolvimento de uma camada de segurança que permita que os dados armazenados e utilizados permaneçam seguros em todos os momentos, sem que estas garantias imponham um custo de performance proibitivo à sua realística utilização. De modo a garantir que os resultados do projeto são utilizados, todo o desenho e implementação dos mecanismos criptográficos vão ser precedidos por uma recolha minuciosa de requisitos funcionais e de segurança, bem como uma validação final teórica e experimental.