Inteligência artificial generativa para análise do consumo de combustível de caminhões no transporte de cana-de-açúcar

O transporte rodoviário de cana-de-açúcar concentra uma parcela expressiva dos custos e das emissões do setor sucroenergético, e a telemetria embarcada gera elevado volume de dados cuja conversão em informação útil ao supervisor de frota ainda constitui um gargalo. Este trabalho teve por objetivo desenvolver e avaliar um sistema multiagente de inteligência artificial generativa, estruturado conforme o ciclo Planejar, Fazer, Checar e Agir (PDCA) e disponibilizado via mensageria, para converter perguntas em linguagem natural em linguagem de consulta estruturada (SQL) a partir de dados de telemetria do transporte canavieiro. A arquitetura sem servidor (serverless), executada integralmente em nuvem, associou quatro agentes especializados às fases Planejar, Fazer, Checar e Agir, com Geração Aumentada por Recuperação (RAG) e modelo de linguagem Gemini 2.5 Flash. Sob delineamento fatorial 2×2 (geração sem exemplos, zero-shot, e geração com exemplos recuperados, few-shot, cruzada com conjuntos de 900 e de 732 perguntas), foram conduzidas 3.264 execuções a partir de dados reais de 30.791 viagens. A acurácia de execução variou de 99,00% a 99,59%, sem ganho estatisticamente significativo da RAG pelo teste de McNemar, o que caracterizou o efeito de teto (ceiling effect), embora a RAG tenha alterado a distribuição dos erros entre os níveis de complexidade. O custo variável foi de R$ 0,0651 por pergunta, e o estimador de custo em tempo real apresentou desvio de apenas −2,5% frente à fatura real da nuvem, com ponto de paridade entre custo fixo e variável em aproximadamente 507 consultas por dia. A pegada de carbono por consulta, no cenário ajustado por energia livre de carbono (carbon-free energy), situou-se entre 0,77 mg e 0,85 mg de CO₂ por consulta, e não se registraram erros de vinculação ao esquema nem bloqueios de conformidade com a Lei Geral de Proteção de Dados Pessoais (LGPD) durante todas as execuções. Os resultados indicam potencial de economia e eficiência de custo, além de viabilidade para a adoção do sistema como ferramenta auditável de apoio à decisão no transporte de cana-de-açúcar.

Resumo (inglês)

Road transport of sugarcane accounts for a significant share of the costs and emissions of the sugar-energy sector, and onboard telemetry generates a data volume whose conversion into useful information for the fleet supervisor remains a bottleneck. This work aimed to develop and evaluate a multi-agent generative artificial intelligence system, based on the Plan, Do, Check and Act (PDCA) cycle and delivered through messaging, to convert natural-language questions into Structured Query Language (SQL) queries over sugarcane transport telemetry data. The serverless architecture, running entirely in the cloud, associated four specialized agents with the Plan, Do, Check and Act phases, with Retrieval-Augmented Generation (RAG) and the Gemini 2.5 Flash language model. Under a 2×2 factorial design (zero-shot vs. few-shot generation, crossed with sets of 900 and 732 questions), 3,264 executions were carried out over 30,791 real trips. Execution accuracy ranged from 99.00% to 99.59%, with no statistically significant gain from RAG by the McNemar test, characterizing a ceiling effect, although RAG changed the error distribution across complexity levels. The variable cost was R$ 0.0651 per question, and the real-time cost estimator showed a deviation of only −2.5% against the actual cloud bill, with an operational break-even point at approximately 507 queries per day. The carbon footprint adjusted for carbon-free energy ranged from 0.77 to 0.85 mg CO₂ per query, and zero schema-linking errors and zero blocks by the Brazilian General Data Protection Law (LGPD) compliance layer were recorded across all executions. The results indicate potential for cost savings and cost efficiency, as well as strong feasibility for adopting the system as an auditable decision-support tool in sugarcane transport.

Palavras-chave

Cana-de-açúcar Inteligência artificial Transporte rodoviário Caminhões

Idioma

Português

Citação

ZONFRILLI, L. E. - Inteligência artificial generativa para análise do consumo de combustível de caminhões no transporte de cana-de-açúcar - 2026, 61f - Dissertação (Mestrado em Agronomia) - Universidade Estadual Paulista "Júlio de Mesquita Filho", Jaboticabal, 2026.