REDES NEURAIS ARTIFICIAIS CONSCIENTES DE INCERTEZA PARA DETECÇÃO DE FALHAS DE SISTEMAS

INTRODUÇÃO: A utilização de modelos de deep learning em tarefas de detecção de falhas tem se mostrado promissora, porém esses modelos tradicionalmente fornecem previsões determinísticas, sem indicar o nível de confiança associado. Essa limitação pode comprometer a tomada de decisão em cenários críticos. Nesse contexto, técnicas de quantificação de incerteza surgem como alternativa para tornar osmodelos mais interpretáveis e confiáveis. OBJETIVOS: Este trabalho tem como objetivo investigar técnicas de quantificação de incerteza em redes neurais artificiais, analisando como essas abordagens podem contribuir para melhorar a confiabilidadee o comportamento dos modelos em tarefas de detecção de falhas. MATERIAIS E MÉTODO: A metodologia baseia-se na extensão de um modelo previamente desenvolvido para análise de dados de qualidade da água, mantendo o pipeline de pré-processamento e modelagem original. Foram implementadas duas abordagens principais de quantificação de incerteza: o método Monte Carlo Dropout, que realiza múltiplas inferências com dropout ativo para estimar variabilidade nas previsões, euma abordagem baseada em função de verossimilhança negativa (NLL) utilizando a distribuição Beta, que permite modelar a saída como uma distribuição de probabilidade. RESULTADOS: Os resultados demonstraram que o Monte Carlo Dropout proporcionou melhora consistente no desempenho em relação ao modelo base, além de permitir a identificação de regiões de maior incerteza associadas a padrões mais complexos. Já a abordagem baseada em NLL apresentou maior sensibilidade à configuração da arquitetura, mas obteve desempenho competitivo quando aplicada com uma modelagem adequada, além de fornecer estimativas de incerteza diretamente em uma única execução. CONSIDERAÇÕES FINAIS: Conclui-se que a quantificação de incerteza contribui significativamente para a interpretação e confiabilidade das previsões em redes neurais, sendo um componente essencial para aplicações críticas. As técnicas avaliadas apresentaram características complementares, evidenciando diferentes trade-offs entre desempenho, estabilidade e custo computacional.

PALAVRAS-CHAVE: Quantificação de incerteza; Redes neurais artificiais; Monte Carlo Dropout; NLL; Detecção de falhas.