Resumo: Detecção de eventos em séries temporais está relacionada ao estudo das técnicas para detecção de pontos em uma série com significado especial, que se diferenciam do comportamento esperado do conjunto de dados. Em cenários de alta conectividade e onipresença da internet, marcados pela presença de gêmeos digitais e avanço de dispositivos IoT (internet das coisas), é possível observar o aumento na velocidade de geração dos dados em streaming na nuvem. Diante disso, a identificação de eventos torna-se fundamental para a tempestividade na tomada de decisões e para o monitoramento da própria infraestrutura da nuvem, permitindo a correção e prevenção de situações indesejadas. Apesar de haver uma miríade de métodos voltados para a detecção de eventos, ainda é possível observar uma escassez de trabalhos dedicados a frameworks para a experimentação e integração de métodos de detecção de eventos voltados a dados em streaming na nuvem. A fim de preencher a lacuna existente na literatura, o presente trabalho propõe uma abordagem para detecção integrada de eventos em dados em streaming baseada em computação em nuvem. Denominada Harbinger Nimbus (HN), a abordagem proposta contribui para a capacidade de experimentação e integração de novos métodos de detecção de eventos em dados em streaming e gestão dos recursos de computação em nuvem empregados para execução dos métodos. A palestra apresentará o estágio atual da pesquisa mencionada, abordando seus principais aspectos, abordagens empregadas, achados e desafios.

Biografia:  Atua há 13 anos na Petrobras, onde é Gerente Setorial da Academia Financeira (Universidade Petrobras). Tem experiência nas áreas de Finanças, Gestão de Processos de Negócios (BPM) e Ciência da Computação, com ênfase em Ciência de Dados. Atuando principalmente nos seguintes temas: Finanças, Séries Temporais, Detecção de Eventos, Detecção de Anomalias e linguagens de programação (Python, R e C). Mantém o Canal Youtube Python DS onde dissemina conteúdo sobre inovação e tecnologia com ênfase na linguagem Python. É estudante de Mestrado em Ciência da Computação pelo PPCIC no CEFET/RJ (2020 a 2022), onde é membro do Data Analytics Lab (DAL - CEFET/RJ) e participou da publicação de artigos sobre detecção de eventos em séries temporais no SBBD, CILAMCE e  JIDM. Possui graduação em Ciências Contábeis pela Universidade Federal do Ceará (2008), especialização em MBA em Tecnologia para Negócios: AI, Data Science e Big Data pela PUC-RS (2020), especialização em MBA em Gestão de Processos de Negócios, Qualidade e Certificações pela Unijorge/BA (2014) e especialização em Especialização em Gestão Financeira pela Faculdade Educacional da Lapa(2011).