Algoritmos de Aprendizado de Máquina para Predição de Risco de Atraso em Projetos de Construção

Os atrasos em projetos estão entre os desafios mais prementes enfrentados pelo setor de construção, atribuídos à complexidade do setor e à interdependência das fontes de risco de atraso inerentes. O aprendizado de máquina oferece um conjunto ideal de técnicas capazes de abordar tais sistemas complexos; no entanto, a adoção dessas técnicas no setor de construção permanece em estágio inicial. O objetivo deste estudo foi identificar e desenvolver modelos de aprendizado de máquina para facilitar a análise e a previsão precisas do risco de atraso em projetos utilizando fontes de dados objetivas. Assim, as fontes e fatores relevantes de risco de atraso foram primeiro identificados, e um conjunto de dados multivariado de desempenho de tempo de projetos anteriores e fontes de risco que induzem a atraso foi então compilado. Posteriormente, a complexidade e a interdependência do sistema foram reveladas por meio de uma análise exploratória de dados. Assim, dois modelos de aprendizado de máquina adequados, utilizando algoritmos de classificação de árvore de decisão e Bayesiano ingênuo, foram identificados e treinados usando o conjunto de dados para prever a extensão dos atrasos em projetos. Finalmente, o desempenho preditivo de ambos os modelos foi avaliado por meio de testes de validação cruzada, e os modelos foram comparados utilizando índices de desempenho relevantes para aprendizado de máquina. Os resultados da avaliação indicaram que o modelo Bayesiano ingênuo fornece um melhor desempenho preditivo para o conjunto de dados examinado. Em última análise, o trabalho apresentado aqui aproveita o poder do aprendizado de máquina para facilitar a tomada de decisões baseadas em evidências, enquanto os fatores de risco inerentes são ativos, interdependentes e dinâmicos, capacitando assim estratégias proativas de gerenciamento de riscos em projetos.