Os pesquisadores do Laboratório de Simulação do IEPG, doutorandos Gustavo Teodoro Gabriel, Afonso Teberga Campos e os docentes Prof. Dr. José Arnaldo Barra Montevechi e Prof. Dr. Fabiano Leal, foram vencedores do Prêmio Roberto Diéguez Galvão, como melhor artigo em inglês no 53º Simpósio Brasileiro de Pesquisa Operacional (SBPO). O evento foi realizado de 3 a 5 de novembro, de forma remota, a partir da cidade de João Pessoa, na Paraíba.
O artigo vencedor de 2021, Generative adversarial networks to validate data in discrete event simulation, buscou aplicar conceitos de simulação a eventos discretos em um caso real: um hospital que atende pacientes com suspeita de COVID-19 foi aplicado a uma nova técnica de validação de dados.
Já em sua 53ª edição, o Simpósio Brasileiro de Pesquisa Operacional (SBPO) é um evento anual, organizado pela Sociedade Brasileira de Pesquisa Operacional (SOBRAPO), com o objetivo de promover o encontro das comunidades acadêmico-científica com profissionais interessados nas mais diversas áreas de atuação de PO.
Sobre o artigo
O artigo tem como contribuição o uso de inteligência artificial para a comparação de modelos de Simulação a Eventos Discretos com os dados do sistema real. Tal comparação é chamada de validação do modelo e ela é essencial para que os resultados e as propostas sugeridas na simulação sejam eficazes no sistema real. Muitos trabalhos sugerem testes estatísticos para a comparação desses resultados, mas, muitas vezes, os testes comparam a média dos dados e não se atentam para outras métricas estatísticas. As Redes Neurais Adversárias, do inglês Generative Adversarial Netwoks (GANs) são duas redes de treinamento que competem entre si para gerar dados sintéticos a partir de dados imputados no algoritmo. A primeira rede (geradora) gera dados enquanto a segunda (discriminadora) tenta separá-los em dados imputados e dados gerados sinteticamente. Se o discriminador não consegue separá-los, significa que o gerador conseguiu gerar dados muito próximo dos imputados.
Elas surgiram para a geração de imagens e hoje vem sendo utilizada em vários campos, inclusive na área de saúde. Além disso, ela se adapta a qualquer tipo de dados, o que facilita na comparação dos resultados. O artigo propõe um método de validação ao utilizar a GANs para discriminar dados do modelo de simulação e estes serem comparados com os dados reais. Assim, após o treinamento (geralmente os dados de simulação), os dados do sistema real também são julgados pelo algoritmo e um teste de equivalência é realizado. O Teste de equivalência permite que os dados que estão sendo comparados estejam em uma tolerância. No artigo, cinco distribuições estatísticas foram treinadas e 10.000 distribuições com as mesmas características foram submetidas para verificação poder do teste do algoritmo. Além disso, um caso real de um hospital que atende pacientes com suspeita de COVID-19 foi aplicado à nova técnica de validação. Os resultados mostraram que as GANs são eficazes na discriminação de dados e podem auxiliar na validação de modelos computacionais.