Estudo de Frameworks Sistemáticos para Seleção e Avaliação de Modelos de Inteligência Artificial Independente de Domínio

Este projeto propõe o desenvolvimento de um framework sistemático e modular para a seleção e avaliação de modelos de Inteligência Artificial (IA) aplicados ao reconhecimento de padrões, com foco em independência de domínio. A motivação central reside na ausência, na literatura, de uma abordagem padronizada e reutilizável que permita comparar, selecionar e avaliar algoritmos de IA de forma consistente entre diferentes contextos de aplicação — como imagens médicas, séries temporais industriais e dados tabulares. O framework proposto é composto por módulos bem definidos: pré-processamento de dados, extração de características, seleção de modelos com critérios objetivos, treinamento e avaliação com métricas padronizadas. A validação será realizada por meio de experimentos computacionais em dois domínios distintos, utilizando conjuntos de dados públicos de referência (benchmarks). Os resultados esperados incluem um protótipo funcional do framework implementado em Python, a análise comparativa do desempenho dos modelos em cada domínio e a quantificação do esforço de adaptação entre aplicações. Este projeto contribui para a formação do aluno em boas práticas de pesquisa em IA e para a produção de conhecimento científico replicável.