acurácia com K-NN Euclidiana e Chebyshev
Prova de Conceito · Pesquisa × Produção Segura
IA, notas falsas e DevSecOps em uma prova de conceito com rigor acadêmico.
A Líder Projetos transformou uma pesquisa de classificação de notas bancárias em uma narrativa prática sobre validação, overfitting, meta prompts e adoção segura de IA em ambientes críticos.
UNIFOR · Engenharia da ComputaçãoMachine Learning implementado do zeroDevSecOps para ambientes críticosMaterial pronto para LinkedIn e Medium
Material independente de pesquisa científica e demonstração técnica. Não representa fornecimento, homologação ou adoção por terceiros.
acurácia com Naive Bayes Multivariado
ganho de velocidade do Naive Bayes sobre K-NN Euclidiana
amostras no dataset de autenticação de notas
Pesquisa aplicada com base forte na UNIFOR e desdobramento claro para produção.
A entrega original parte de uma pesquisa de Inteligência Artificial na UNIFOR, implementa classificadores do zero e depois expande a discussão para overfitting, meta prompts e homologação de IA em ambientes sensíveis.
Origem
UNIFOR · Universidade de Fortaleza
Disciplina de Inteligência Artificial
Mateus Gomes
Conexão
Pesquisa acadêmica com desdobramento corporativo e editorial pela Líder Projetos
Profa. Cynthia Moreira Maia
- Fonte: UCI Machine Learning Repository · Banknote Authentication
- Amostras: 1.372
- Classes: 762 autênticas · 610 falsas
- Features: Variância, Assimetria, Curtose, Entropia
- Validação: Validação cruzada 10-folds com random_state=42
K-Vizinhos Mais Próximos
Família lazy baseada em instâncias. Entrega máxima precisão quando o dataset tem boa separação, ao custo de um tempo de teste mais alto.
- Euclidiana · 100% de acurácia
- Manhattan · 99,93% de acurácia
- Chebyshev · 100% de acurácia
Naive Bayes
Classificador probabilístico útil para cenários onde velocidade importa tanto quanto robustez. A versão multivariada se destacou ao capturar correlações entre features.
- Univariado · 83,97% de acurácia
- Multivariado · 98,54% de acurácia
- Tempo de teste em milissegundos
A principal tese aqui não é só sobre notas falsas. É sobre validação de IA em ambientes críticos.
A mesma disciplina usada para provar acurácia em Machine Learning clássico precisa existir quando uma empresa quer homologar copilots, meta prompts e fluxos de geração de código. Sem medição, rastreabilidade e teste, uma IA em produção é só uma promessa sem governança.
Quando um prompt funciona em dois ou três cenários e falha fora do laboratório, o problema deixa de ser criatividade e vira risco operacional.
O desenho seguro precisa começar nos requisitos, passar por testes automatizados e chegar à observabilidade do que foi gerado.
PII, jailbreaks, contexto, auditoria e conformidade precisam estar no pipeline, não em um texto bonito de homologação.
A Transformada Wavelet foi decisiva para separar padrões entre notas autênticas e falsas. Em IA moderna, a mesma lógica vale para contexto, estrutura e qualidade de entrada.
A diferença entre Naive Bayes Univariado e Multivariado mostra que ignorar relações entre variáveis custa desempenho real.
100% de acurácia impressiona, mas tempo de teste e volume transacional mudam a escolha ideal para produção.
K-NN Euclidiana ou Chebyshev
Para validações altamente controladas e baixa tolerância a erro, a família K-NN se destaca com classificação perfeita no experimento.
Naive Bayes Multivariado
Quando o problema envolve grande volume, latência e custo operacional, o equilíbrio entre 98,54% de acurácia e tempo de resposta muito menor muda a decisão.
Naive Bayes para triagem + K-NN para casos limítrofes
A combinação usa velocidade para filtrar o fluxo principal e reserva precisão máxima para exceções de maior criticidade.
Publicação e distribuição
Ativos prontos para transformar a pesquisa em URL pública, apresentação e posicionamento.
Apresentação branded da Líder Projetos
Uma versão editorial com a identidade da marca, pronta para usar como link em post de LinkedIn, Medium ou conversa comercial.
Ver apresentaçãoPDF do relatório detalhado
Versão fechada em PDF do relatório visual nas cores da Líder Projetos, pensada para anexar, arquivar e publicar em contexto profissional.
Baixar PDF LíderPDF claro para impressão
Versão em fundo claro e consumo visual mais econômico, pensada para impressão, revisão e circulação interna.
Baixar PDF claroRelatório visual navegável
Rota exportável com estrutura de slides estáveis, pensada para revisão no navegador antes da geração dos PDFs.
Abrir relatório visualArtigo editorial em formato abstract
Uma leitura mais narrativa e publicável, com contexto de mercado, tese DevSecOps e linguagem apropriada para circulação externa.
Ler abstract articlePDF do abstract article
Arquivo pronto para publicar no LinkedIn ou distribuir como whitepaper curto, mantendo a mesma direção editorial da rota web.
Baixar PDF do abstract articleÂngulo editorial para LinkedIn e Medium
A narrativa une UNIFOR, rigor matemático, overfitting, meta prompts e DevSecOps para posicionar a pesquisa como argumento técnico e de mercado.
Usar esta URL públicaConexão com a Líder Projetos
A prova de conceito mostra como a empresa transforma estudo acadêmico em camada visual, interface pública, estratégia de conteúdo e posicionamento técnico.
Falar com a Líder Projetos