Relatório exportável
Notas falsas, Machine Learning e DevSecOps em formato de deck.
Slide 01 · Capa do relatório
100%
acurácia com K-NN Euclidiana e Chebyshev
98,54%
acurácia com Naive Bayes Multivariado
140x
ganho de velocidade do Naive Bayes sobre K-NN Euclidiana
1.372
amostras no dataset de autenticação de notas
Classificação de notas bancárias com Machine Learning como base para discutir IA com rigor.
Este deck retoma o relatório acadêmico original, reorganiza os achados em linguagem visual e transforma os resultados em uma peça pronta para circulação profissional.
UNIFOR · Engenharia da Computação
Mateus Gomes Macário
Líder Projetos · Abril de 2026
Slide 02 · Sumário executivo
O relatório foi reorganizado em sete blocos fáceis de navegar.
Problema e objetivo do estudo
Dataset, features e protocolo de validação
Resultados de acurácia, precisão e F1
Latência e custo de inferência
Recomendação por cenário de uso
Ponte entre pesquisa, meta prompts e DevSecOps
Slide 03 · Problema e objetivo
Detectar notas falsas é um problema operacional. Validar IA antes da produção também.
Contexto do estudo
- notas falsas geram prejuízo direto e exigem inspeção confiável
- o dataset usa quatro features extraídas por Transformada Wavelet
- o objetivo foi comparar precisão e eficiência entre famílias clássicas
Objetivo principal
Comparar cinco classificadores implementados do zero e identificar qual combinação oferece melhor aderência para ambientes controlados, produção em escala e discussão de governança de IA.
Slide 04 · Dataset
O dataset já nasce limpo, balanceado e adequado para classificação supervisionada.
762 autênticas
610 falsas
Features utilizadas
VariânciaAssimetriaCurtoseEntropia
Fonte
UCI Machine Learning Repository · Banknote Authentication
Classes
55,5% autênticas · 44,5% falsas
Validação
10-fold cross validation com random_state=42
Leitura
base pequena, porém bem engenheirada para separação de classes
Slide 05 · Estatísticas das features
Cada feature foi resumida como faixa observada, média e dispersão.
Variância
DP 2,84
-7,04
média 0,43
6,82
Assimetria
DP 5,87
-13,77
média 1,92
12,95
Curtose
DP 4,31
-5,29
média 1,40
17,93
Entropia
DP 2,10
-8,55
média -1,19
2,45
Observação do relatório original: dataset sem valores ausentes e com distribuição suficiente para
sustentar classificação supervisionada comparativa.
Slide 06 · Algoritmos implementados
Foram comparadas duas famílias com cinco configurações distintas.
K-NN
K-NN Euclidiana
cálculo de distância para toda a base
- treino virtualmente instantâneo
- máxima precisão em ambiente controlado
K-NN
K-NN Manhattan
mais robusto a outliers que a Euclidiana
- treino instantâneo
- equilíbrio intermediário
K-NN
K-NN Chebyshev
distância máxima por eixo
- treino instantâneo
- laboratórios e validação crítica
Naive Bayes
Naive Bayes Univariado
muito rápida, mas com hipótese fraca
- modelo probabilístico simples
- baseline probabilístico
Naive Bayes
Naive Bayes Multivariado
rápida e adequada para escala
- estimativa de média e covariância
- produção em larga escala
Slide 07 · Validação e métricas
O protocolo foi simples, robusto e fácil de explicar para qualquer banca.
10 folds
Fold 01Fold 02Fold 03Fold 04Fold 05Fold 06Fold 07Fold 08Fold 09Fold 10
Cada modelo foi avaliado em todas as partições, reduzindo o risco de resultado acidental e melhorando a leitura estatística da comparação.
Métricas monitoradas
Acurácia
Precisão
F1-score
Tempo de treino
Tempo de teste
O relatório não olha apenas para acerto. Ele também considera o custo operacional de colocar o classificador em uma rotina real.
Slide 08 · Ranking de desempenho
K-NN dominou a precisão; Naive Bayes Multivariado tornou a escala viável.
K-NN Euclidiana
K-NN
K-NN Manhattan
K-NN
K-NN Chebyshev
K-NN
Naive Bayes Univariado
Naive Bayes
Naive Bayes Multivariado
Naive Bayes
Slide 09 · Latência e eficiência
Naive Bayes reduz drasticamente o custo de inferência no tempo de teste.
O Naive Bayes Multivariado entrega uma latência muito menor sem derrubar a taxa de acerto a um nível impraticável.
Tempo de teste por classificador
K-NN Euclidiana
0,2247s
K-NN Manhattan
0,1670s
K-NN Chebyshev
0,1846s
Naive Bayes Univariado
0,0009s
Naive Bayes Multivariado
0,0016s
Slide 10 · Recomendação por cenário
A escolha certa depende do volume, do risco e do custo que a operação tolera.
Para validações altamente controladas e baixa tolerância a erro, a família K-NN se destaca com classificação perfeita no experimento.
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.
A combinação usa velocidade para filtrar o fluxo principal e reserva precisão máxima para exceções de maior criticidade.
Slide 11 · Correlações e interpretação
A melhora do Naive Bayes Multivariado acontece porque as features carregam relação entre si.
Matriz qualitativa de correlação
Var.
Ass.
Cur.
Ent.
Var.
1,0
alta
moderada
baixa
Ass.
alta
1,0
alta
inversa
Cur.
moderada
alta
1,0
moderada
Ent.
baixa
inversa
moderada
1,0
Leitura rápida
- o K-NN se beneficia da separabilidade clara entre classes
- o Naive Bayes Univariado perde força ao ignorar relações entre variáveis
- o Naive Bayes Multivariado se aproxima do topo ao incorporar covariância
Slide 12 · Vantagens e limitações
Cada família ganha em um eixo e paga preço em outro.
K-Vizinhos
vantagens
- simples de explicar
- sem hipótese sobre distribuição dos dados
- desempenho excelente em dados bem separados
limitações
- não escala bem em memória e latência
- sensível a features irrelevantes
- depende de normalização e métrica correta
Naive Bayes
vantagens
- rápido para treinar e testar
- baixo custo computacional
- alto valor em produção massiva
limitações
- hipótese de independência pode falhar
- qualidade depende da forma da distribuição
- univariado sofre quando há correlação forte
Slide 13 · Contexto de aplicação
O relatório recomenda classificador por situação, e não por torcida tecnológica.
Quando a prioridade é acertar tudo.
- baixa tolerância a erro
- dataset pequeno ou médio
- validação laboratorial e auditoria final
Quando existe espaço para um compromisso fino.
- dados com ruído
- outliers relevantes
- pipeline de médio porte
Quando a simplicidade é o foco, mesmo com perda de qualidade.
- baseline rápido
- hardware limitado
- teste exploratório
Quando produção, velocidade e custo entram na conta.
- alto volume transacional
- features correlacionadas
- escala real
Slide 14 · Conclusões do experimento
A pesquisa mostra que precisão e eficiência precisam ser lidas juntas.
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.
Resumo executivo: K-NN vence quando o objetivo é erro zero; Naive Bayes Multivariado vence quando a
conversa inclui escala, latência e custo.
Slide 15 · Underfitting e overfitting
O mesmo raciocínio estatístico do estudo serve para avaliar prompts e agentes.
Underfitting
Modelo simples demais: não aprende o padrão completo e erra mesmo em cenários previsíveis.
Overfitting
Modelo ou prompt ajustado demais ao laboratório: parece brilhante no teste curto, mas falha fora dele.
Slide 16 · Bias-variância
Toda decisão de modelo é uma negociação entre erro sistemático e sensibilidade ao ruído.
alto viés
alta variância
subajuste
equilíbrio
sobreajuste
O dataset de notas falsas é pequeno, limpo e com boa engenharia de features.
Meta prompt bom não é o mais longo. É o que generaliza melhor para cenários novos.
Equipe madura documenta critérios antes de homologar IA em produção.
Slide 17 · Meta prompts
Criar meta prompts sem medir é repetir o erro de um modelo sem validação.
O caminho frágil
- prompt ajustado só por impressão subjetiva
- testes curtos e não versionados
- ausência de dataset de avaliação
- aprovação por entusiasmo, não por evidência
O caminho de engenharia
- métricas definidas antes da iteração
- casos comuns, edge cases e casos adversariais
- registro das alterações e reexecução completa
- observabilidade, segurança e documentação desde o início
Slide 18 · Framework de medição
O mesmo deck vira um framework simples para avaliar IA antes da homologação.
01
Definir métricas
acurácia factual, formato, segurança, conformidade e rastreabilidade.
02
Criar dataset de teste
casos comuns, edge cases, casos adversariais e saídas esperadas.
03
Avaliar sistematicamente
execução repetível, scoring claro e comparação entre versões.
04
Iterar com dados
ajuste cirúrgico, prevenção de regressão e decisão documentada.
Slide 19 · ROI de abordagem
Meta prompts e fine-tuning não competem no vazio. Eles respondem a maturidades diferentes.
Meta prompts
setupbaixo a médio
iteraçãorápida
governançaprecisa de dataset e critérios
quando usartimes que estão estruturando a camada de IA
Fine-tuning
setupalto
iteraçãomais lenta
governançadataset versionado e operação madura
quando usarcomportamento recorrente, grande escala e repetibilidade
Para boa parte das equipes, a primeira vitória não é fine-tuning. É aprender a medir o que já estão
pedindo ao modelo.
Slide 20 · Princípios universais
Os princípios da pesquisa continuam válidos quando o assunto vira engenharia de IA.
Entradas boas continuam sendo o ativo mais subestimado de qualquer pipeline inteligente.
Sem benchmark, qualquer melhoria vira narrativa e não evidência.
Ele só mudou de roupa: pode morar no modelo, no dataset e no prompt.
Rastreabilidade, observabilidade e testes adversariais são parte do produto.
Slide 21 · Referências e fechamento
Pesquisa aplicada vira ativo público quando ganha método, narrativa e distribuição.
Referências centrais
- UCI Machine Learning Repository · Banknote Authentication Data Set
- UNIFOR · Disciplina de Inteligência Artificial Computacional
- Machine Learning Mastery · Bias-Variance Trade-Off
- GitLab 2024 Developer Survey · AI, segurança e produtividade
- Black Duck 2024 DevSecOps Report
URLs de distribuição
- https://www.liderprojetos.com/provadeconceito/pesquisa/ia-notasfalsas-devsecops
- https://www.liderprojetos.com/provadeconceito/pesquisa/ia-notasfalsas-devsecops/apresentacao
- https://www.liderprojetos.com/provadeconceito/pesquisa/ia-notasfalsas-devsecops/artigo
- https://www.liderprojetos.com/provadeconceito/pesquisa/ia-notasfalsas-devsecops/relatorio
Esta versão existe para PDF e distribuição. A apresentação editorial web continua disponível separadamente para leitura navegável.