Título: Mineração de Dados como Ferramenta para a Prevenção de Resíduos de Alimentos em Restaurante Universitário
Comissão Examinadora - Titulares
Profa. Dra. Carmenlucia Santos Giordano Penteado (Presidente) - FT/Unicamp
Profa. Dra. Ana Estela Antunes da Silva - FT/Unicamp
Profa. Dra. Ana Paula Bortoleto - FECFAU/Unicamp
Suplentes
Profa. Dra. Veronica Oliveira de Carvalho - IGCE/UNESP Rio Claro
Prof. Dr. Marco Aurélio Soares de Castro - FT/Unicamp
Local: Sala de Defesa (Prédio da Pós-graduação) | https://stream.meet.google.com/stream/c9ed70fb-19d2-4256-815c-76d2e48cab4e
Resumo: O desperdício de alimentos é um desafio global historicamente crítico e progressivamente alarmante, com profundas repercussões sociais, econômicas e ambientais. Mais de 1 bilhão de toneladas de alimentos são desperdiçadas anualmente, responsáveis pela perda de mais de 1 trilhão de dólares por ano e por 8-10% das emissões globais de CO2. Para restaurantes universitários, o desperdício de alimentos representa problemas significativos, pois é uma das principais fontes de resíduos sólidos nos campi. A maior parte desse desperdício resulta de dificuldades em prever a demanda do restaurante com antecedência e preparar a quantidade adequada de alimentos. Nesse contexto, este trabalho explora o uso de técnicas de mineração de dados e aprendizado de máquina para avaliar a geração atual de resíduos e identificar padrões de desperdício de alimentos nos restaurantes universitários da Universidade Estadual de Campinas (Unicamp) em Limeira. A pesquisa envolveu (i) uma revisão sistemática de literatura sobre estratégias de prevenção de resíduos aplicáveis ao contexto de restaurantes universitários, (ii) a coleta e tratamento de dados de produção e desperdício de alimentos dos 2 restaurantes que atendem aos campi de Limeira da Unicamp ao longo do ano de 2024, e (iii) a aplicação do algoritmo Apriori para identificar associações e padrões entre variáveis relacionadas aos serviços de restaurante. Como resultado, são discutidas regras de associação relevantes extraídas e, com base nos resultados, é recomendada a implementação de medidas para prevenir a superprodução e o desperdício de alimentos, considerando características e desafios específicos do contexto local. As descobertas destacam a importância da coleta precisa de dados e do monitoramento do desperdício de alimentos, combinados com estratégias integradas que contemplem tecnologia, políticas, revisão de processos e intervenções comportamentais para reduzir o desperdício de alimentos. Entre as estratégias preventivas mais eficientes, a literatura sugere que modelos de aprendizado de máquina, particularmente Redes Neurais Artificiais (RNAs) e Random Forest, mostram-se promissores na melhoria da precisão da previsão de demanda, reduzindo assim a superprodução. A contribuição de mecanismos preventivos complementares, como campanhas de sensibilização, sistemas de reservas, ferramentas automatizadas de quantificação e treinamento de funcionários também pode ser avaliada, a fim de alcançar práticas de gestão e consumo de alimentos mais eficientes e sustentáveis.