Challange 3 DISRUPTIVE ARCHITECTURES IOT IOB GENERATIVE IA

1. Coleta e Entrada de Dados
• Coleta Manual e Importação de CSV: O sistema oferece flexibilidade para coletar dados de vendas, seja através da inserção manual (onde o usuário escolhe o modelo, tamanho e quantidade vendida) ou pela importação de um arquivo CSV.
• Relação Temporal dos Dados: As vendas são registradas ao longo de diferentes períodos (ex.: meses), e esses dados temporais são essenciais para o modelo de previsão de demanda.
Objetivo: Alimentar o modelo de IA com dados suficientes para que ele consiga aprender padrões de vendas ao longo do tempo.
2. Pré-processamento dos Dados
• Pandas para Manipulação de Dados: A biblioteca Pandas é usada para estruturar e organizar os dados de vendas. Cada entrada contém informações sobre o modelo de roupa, tamanho e o número de unidades vendidas em períodos específicos.
• Codificação Categórica com OneHotEncoder: Para utilizar os dados categóricos (modelos, tamanhos e períodos) em algoritmos de aprendizado de máquina, esses dados precisam ser transformados em uma representação numérica. A ferramenta OneHotEncoder converte essas categorias em variáveis binárias (0 ou 1), o que permite que o modelo de regressão os compreenda.
Objetivo: Preparar os dados para o treinamento do modelo, eliminando ruídos e tornando-os utilizáveis para a máquina.
3. Modelo de Aprendizado de Máquina
• Algoritmo Escolhido: RandomForestRegressor: O modelo de aprendizado de máquina escolhido para este projeto é o RandomForestRegressor, uma técnica de regressão baseada em árvores de decisão. O Random Forest funciona criando múltiplas árvores de decisão e, em seguida, combinando os resultados delas para fazer uma previsão mais precisa. Essa abordagem é robusta e eficaz para prever variáveis contínuas, como o número de unidades a serem compradas para o estoque.
• Divisão dos Dados: Treino e Teste: O conjunto de dados é dividido em duas partes: um conjunto de treinamento (80% dos dados) para que o modelo possa aprender, e um conjunto de teste (20%) para verificar a precisão das previsões.
Objetivo: Utilizar o modelo para capturar padrões nos dados históricos e prever vendas futuras com base nesses padrões.
4. Predição
• Entrada de Novos Períodos: Após o treinamento do modelo, ele é utilizado para prever as vendas de um próximo período (por exemplo, o mês seguinte). O sistema identifica qual foi o último período informado pelo usuário e gera uma previsão para o período subsequente.
• Agrupamento por Modelo e Tamanho: As previsões são feitas para cada combinação de "modelo de roupa" e "tamanho", permitindo uma granularidade maior na análise de estoque.
Objetivo: Auxiliar o usuário a decidir quais peças e tamanhos devem ser priorizados no reabastecimento do estoque, com base em previsões automáticas.
5. Arquitetura Tecnológica Subjacente
• Linguagem Python: A escolha do Python se justifica por sua ampla utilização em ciência de dados e aprendizado de máquina, devido à facilidade de uso e à vasta gama de bibliotecas disponíveis para a implementação de IA.
• Bibliotecas Usadas:
o Pandas e NumPy: Manipulação e análise de dados estruturados e numéricos.
o Scikit-learn: Implementação do modelo de aprendizado de máquina, oferecendo ferramentas para o pré-processamento, treino e teste do modelo.
o RandomForestRegressor: O modelo que treina e faz as previsões de quantidades futuras de vendas.
Objetivo: Garantir que a arquitetura seja capaz de lidar com dados reais e complexos, mantendo uma interface simples e de fácil operação para o usuário.
6. Benefícios e Eficiência do Sistema
• Escalabilidade: A arquitetura proposta pode ser facilmente expandida com mais dados de vendas ou novos modelos de roupas, uma vez que utiliza estruturas de dados dinâmicas e flexíveis.
• Eficiência Preditiva: O uso de Random Forest permite que o sistema faça previsões precisas, mesmo em cenários com muitas variáveis categóricas, como diferentes modelos de roupas e tamanhos.
• Customização e Automação: O usuário tem total controle sobre os dados inseridos no sistema, o que permite personalizar as entradas, e o sistema automaticamente sugere previsões de vendas futuras.