Global environmental impacts such as climate change require behavior from society that aims to minimize greenhouse gas emissions. This includes the substitution of fossil fuels with other energy sources. An important aspect of efficient and sustainable management of the electricity supply in Brazil is the prediction of some variables of the national electric system (NES), such as the price of differences settlement (PLD) and wind speed for wind energy. In this context, the present study investigated two distinct forecasting approaches. The first involved the combination of deep artificial neural network techniques, long short-term memory (LSTM), and multilayer perceptron (MLP), optimized through the canonical genetic algorithm (GA). The second approach focused on machine committees including MLP, decision tree, linear regression, and support vector machine (SVM) in one committee, and MLP, LSTM, SVM, and autoregressive integrated moving average (ARIMA) in another. The results indicate that the hybrid AG + LSTM algorithm demonstrated the best performance for PLD, with a mean squared error (MSE) of 4.68. For wind speed, there is a MSE of 1.26. These solutions aim to contribute to the Brazilian electricity market’s decision making.

The present work proposes to forecast time series of the Brazilian electricity sector. For this purpose, an attempt was made to make predictions for the Settlement Price of Differences (PLD) and the wind speed for moving wind turbines, which transforms the kinetic energy of air currents into electrical energy, based on the ARIMA methodology, based on statistics computational, and the SVM model, from the area of ​​artificial intelligence, and the period analyzed corresponds from 2001 to 2009 for the PLD and from 2004 to 2017 for the wind. The results provide an analysis tool for the free energy market, as they demonstrate price trends and electricity production, serving as an aid to decision-making, with ARIMA being the predictive model that performed best in short-term forecasts. Despite this, it is concluded that the SVM has the potential to produce more assertive results for long-term forecasts, since the model has many characteristics that can be exploited and thus enhance forecasts with large volumes of data in more complex situations.

Este estudo propõe um sistema autônomo de fiscalização viária utilizando visão computacional (OpenCV) no ambiente simulado Forza Horizon 5. Implementado em um Audi RS6, monitora em tempo real duas infrações críticas: ultrapassagens em faixas contínuas e veículos em contramão. Técnicas de processamento de imagem (filtros, detecção de bordas e segmentação) foram aplicadas a dados visuais capturados do jogo, com adaptação a variações climáticas e de iluminação. Os resultados demonstram 82% de precisão média na identificação das infrações, validando simuladores como plataforma de baixo custo para testes. Desafios persistem em alta velocidade, mas comprova-se a viabilidade da solução.

Este artigo tem como objetivo atestar a viabilidade do desenvolvimento de um sistema web para o gerenciamento de sócio torcedores de um clube de futebol. Utilizando IA generativa como ferramenta de apoio na construção de uma aplicação CRM esportiva, em conjunto com tecnologias de desenvolvimento web (JavaScript, PHP, HTML5 e outras). A implementação demonstrou que o uso de inteligência artificial pode otimizar significativamente o processo de desenvolvimento, auxiliando na geração de código, identificação de bugs e sugestão de melhores práticas de programação. Os resultados obtidos confirmam que a integração de IA generativa no processo de desenvolvimento não apenas acelera a produção do software, mas também contribui para a qualidade do código e robustez da aplicação. Esta abordagem representa um avanço significativo na otimização do processo de desenvolvimento e manutenção de sistemas.

O diagnóstico precoce de doenças do cacaueiro é crucial para a sustentabilidade agrícola na Amazônia Legal, porém esbarra em desafios logísticos e na centralização de dados sensíveis por parte das cooperativas. Este estudo propõe e avalia uma arquitetura inteligente que integra Aprendizado Federado e Visão Computacional, utilizando dados simulados, para o diagnóstico distribuído dessas doenças. A metodologia abrangeu uma Revisão Sistemática da Literatura guiada pelo protocolo PRISMA para fundamentar a arquitetura, seguida pelo desenvolvimento de um ambiente de simulação com 12.000 imagens sintéticas reproduzindo o cenário cross-silo de cinco cooperativas. Foram comparados os regimes de treinamento local, centralizado e federado (FedAvg e FedProx) utilizando redes convolucionais leves (MobileNetV3, EfficientNet-B0 e ResNet50). Os resultados demonstram que a combinação de EfficientNet-B0 com o algoritmo FedProx obteve o melhor equilíbrio, alcançando 93,8% de acurácia e 93,3% de F1-macro. Essa configuração superou amplamente o treinamento local isolado e aproximou-se do desempenho do modelo centralizado, com a vantagem arquitetural de manter a custódia e a soberania dos dados nas cooperativas. Conclui-se que a abordagem federada proposta é viável e eficaz para ambientes operacionais com restrições de infraestrutura, promovendo a identificação descentralizada de patologias sem comprometer a privacidade das informações agronômicas.

The recognition of text in images is a challenge in the field of computer vision due to the variety of sources, image quality, size, and colors present in images. In this context, this work aims to develop an application for recognizing text in images using the Amazon Rekognition API and evaluate its accuracy. To achieve this, an algorithm based on deep learning techniques is proposed, capable of achieving an accuracy above 90% in the location and extraction of text in images, using data extraction methods from the text detection function of the Amazon Rekognition API. This article also has the potential to contribute to the advancement of future work in the field of computer vision, with a focus on text detection in images. Finally, the study concludes that the text detection API of Amazon Rekognition is relevant in data analysis, considering that it is trained with large amounts of image data to learn relevant characteristics, achieving an accuracy above 90%. However, it is necessary to consider that image quality and the type of font used can influence the accuracy of the results.