Aprendizagem automática aplicada na administração pública - Caso da gestão de refeitórios escola

Abstract

A administração pública Portuguesa percorreu um caminho de digitalização de serviços que hoje já permite a adoção de métodos de aprendizagem automática, aproveitando os repositórios de dados que mantêm. Com base nos dados recolhidos em dois refeitórios escolares, de Tavira e de Vila Real de Santo António, entre 2022 a 2023, esta dissertação investiga a aplicação de aprendizagem automática nos domínios da administração pública, focando-se na previsão do número de refeições servidas em refeitórios. O objetivo principal é melhorar a gestão e minimizar desperdícios, utilizando dados históricos para prever a procura diária. Foram analisados outros trabalhos com o mesmo âmbito e diferentes algoritmos de regressão, tais como Support Vector Regression, Random Forest ou Extreme Gradient Boosting. Entre os algoritmos utilizados, concluiu-se que Random Forest e Extreme Gradient Boosting tiveram o melhor desempenho com um erro médio absoluto de cerca de 38 e 41 refeições, respetivamente. Ficam evidenciados os benefícios da tomada de decisões baseada em Aprendizagem Automática, utilizando dados da própria administração pública, demonstrando que as técnicas de aprendizagem automática podem melhorar a eficiência dos refeitórios escolares e este pode ser também um caminho para ajudar na redução do desperdício alimentar; Machine learning in the public administration The case of public catering - Abstract: The Portuguese public administration has embarked on a path toward digitalizing services that now allows the adoption of machine learning methods, leveraging the data repositories it maintains. Based on data collected from two school cafeterias, in Tavira and Vila Real de Santo António, between 2022 and 2023, this work investigates the application of machine learning in public administration, focusing on predicting the number of meals served in cafeterias. The main objective is to improve management and minimize waste by using historical data to forecast daily demand. Other studies with the same scope and different regression algorithms, such as Support Vector Regression, Random Forest, and Extreme Gradient Boosting, were analyzed. Among the algorithms used, Random Forest and Extreme Gradient Boosting, performed best, with mean absolute error of approximately 38 and 41 meals, respectively. The benefits of Machine Learning based decision-making using data from the public administration itself are evident, demonstrating that machine learning techniques can improve the efficiency of school cafeterias and can also be a way to help reduce food waste.