Padronização no atendimento do SD de hospital público com IA

UNIVERSIDADE NOVE DE JULHO – UNINOVE
EDQUEL BUENO PRADO FARIAS
PATRICIA MOREIRA DE MORAES
PADRONIZAÇÃO NO ATENDIMENTO DO SERVICE DESK DE UM
HOSPITAL PÚBLICO UTILIZANDO TÉCNICAS DA INTELIGÊNCIA
ARTIFICIAL
SÃO PAULO
2012

ARTIFICIAL
Trabalho de Conclusão de Curso apresentado à
Universidade Nove de Julho para obtenção do
grau de Bacharel em Sistemas de Informação.
Linha de Pesquisa: Inteligência Artificial,
Reconhecimento de padrões, automação e
robótica;
Orientador: Prof. Dr. Renato José Sassi
SÃO PAULO
2012

RESUMO
Em um hospital público o Service Desk é o local em que os processos e
serviços são projetados de forma a assegurar a qualidade e a satisfação do cliente,
atendendo às necessidades de cada empresa e acompanhando as modernas
metodologias de gestão de serviços da Tecnologia da Informação. No caso do
Hospital Público abordado neste trabalho existe a falta de padronização no
atendimento ao usuário no Service Desk do Hospital Público. Técnicas da
Inteligência Artificial podem ser utilizadas e associadas para melhorar a qualidade do
atendimento no Service Desk, como a Rede Neural Artificial inspirada na estrutura e
no funcionamento do cérebro humano e o Sistema Especialista, que procura
solucionar problemas do mesmo modo que os especialistas humanos em um
domínio de conhecimento específico. Utilizou-se neste trabalho uma Rede Neural
Artificial do tipo Mapa Auto Organizável de Kohonen ou Self-Organizing Maps (SOM)
devido a sua capacidade de gerar agrupamentos (clusters). A base de dados de
atendimentos do Hospital Público compreendendo o período de 2002 a 2012 com
10.048 registros de ocorrências cadastradas foi apresentada à SOM para a geração
de agrupamentos, em seguida estes registros agrupados foram submetidos ao
Sistema Especialista, que assim definiu as regras de inferência para apoiar a
tomada de decisão. Desta forma, o objetivo deste trabalho foi associar o Mapa Auto-
Organizável de Kohonen com o Sistema Especialista na padronização do
atendimento ao usuário no Service Desk de um Hospital Público. Concluiu-se que a
associação das duas técnicas alcançou resultado positivo ao padronizar o
atendimento ao usuário no Service Desk.
Palavras-chave: Service Desk, Sistema Especialista, Mapa Auto-Organizável de
Kohonen, Padronização no atendimento, Hospital Público.

Abstract
In a public hospital the Service Desk is where the processes and services are
designed to ensure quality and customer satisfaction, meeting the needs of each
company and watching the modern methodologies of service management of
Information Technology. There, public hospital covered in this work is the problem of
standardization in user service Service Desk in the public hospital. Techniques of
Artificial Intelligence can be used with improving the quality of care the Service Desk,
as the artificial neural network inspired by the structure and functioning of the human
brain and the Expert System, which tries to find a solution to problems in the same
way that human experts in a domain specific knowledge. In this work an Self
Organizing Map artificial neural network (SOM network) was used in this work due to
its ability to generate groupings (clusters). The database of public hospital care
comprising the period from 2002 to 2012 with 10,048 records of incidents was
submitted to the SOM Indexed to generate clusters then grouped these records were
submitted to the Expert System, which so defined the rules of inference to support
decision making. As a result, the objective of this study was to associate the SOM
network with Expert System to standardize the service user at the Service Desk of a
Public Hospital. It was concluded that the combination of the two techniques has
achieved positive results by standardizing the service user's Hospital Public Service
Desk.
Keywords: Service Desk, Expert System, Self-Organizing Map of Kohonen,
standardization of care, Public Hospital

AGRADECIMENTOS
Em primeiro lugar a Deus, nosso grande e amado pai que ao nosso lado vem
nos ajudando e orientado nos caminhos da vida, pois sem ele nada somos nada
podemos e nem sequer existiríamos.
A Minha doce e amada esposa Gisele que tantas noites e finais de semana
me apoiou e abriu mão de festas, passeios, e outras diversões sem nunca se
queixar ou reclamar para que eu pudesse me dedicar com afinco à vida acadêmica e
realizar o sonho de me graduar.
A minha doce e amada filha Melissa pelos sorrisos abraços e gotas de ternura
nos momentos em que eu mais precisei.
Aos meus pais que sempre acreditaram em mim e me apoiaram em todos os
momentos que precisei.
Aos professores e colegas desta universidade que ajudaram de maneira
direta ou indireta para a nossa formação. Em especial ao Prof. Dr. Nilton Canto que
nos introduziu ao fascinante mundo da pesquisa e ao colega de sala e pesquisa
Alexandre Almeida pelos toques, apoio e conselhos ao longo desta jornada que é a
vida acadêmica.
Ao meu diretor e colega de trabalho Enf. Dr. Edson Donizete por todo o apoio
e oportunidade de poder aplicar na pratica meus conhecimentos dentro da instituição
hospitalar, sempre quebrando paradigmas na área da saúde que é tão resistente a
novas ideias e tecnologias.
Grandes profissionais são raros... Grandes mestres um verdadeiro achado.
Ao orientador Prof. Dr. Renato José Sassi, por ter aceitado a ideia inicial, acreditado
e dado todo o suporte, conhecimento, apoio necessário, paciência, coordenação,
disponibilidade, ajuda e por ter nos mostrado o caminho daquilo que não pode ser
mensurado, tomado ou roubado, apenas conquistado: O conhecimento.
Enfim, a todos que de alguma forma contribuíram nesta jornada acadêmica.

DEDICATÓRIA
Dedico este trabalho à minha esposa, filhos e
familiares; Ao nosso orientador, amigo e
exemplo a ser seguido no mundo acadêmico,
Prof. Dr. Renato José Sassi. Pois representam a
motivação central para a conclusão do mesmo.

“We are drowning in information, but starving for
knowledge”
“(Estamos nos afogando em informações, mas
morrendo de fome de conhecimento.)”
John Naisbett

LISTA DE FIGURAS
Figura 1 - Ilustração de uma rede SOM (2D). ...........................................................28
Figura 2 - Clusters rotulados gerados pela rede SOM (Atributo tipo de equipamento).
..................................................................................................................................46
Figura 3 - Taxa de frequência gerada pela rede SOM. .............................................47
Figura 4 - Clusters rotulados gerados pela rede SOM (Atributo tipo de equipamento -
redes e periféricos)....................................................................................................48
Figura 5 - Correlação entre os atributos....................................................................49
Figura 6 - Frequência por tipo de atendimento..........................................................49
Figura 7 - Tabela de frequência atributo solução. .....................................................50
Figura 8 - Tabela de frequência atributo solicitação..................................................50
Figura 9 - Tabela de frequência atributo “Diagnóstico”. ............................................51
Figura 10 - Mapa da rede SOM clusterizado por atributos........................................51
Figura 11 - Amostra de atributos gerados. ................................................................52
Figura 12 - Tela de boas vindas do SE. ....................................................................52
Figura 13 - SD apoio de rede. ...................................................................................53
Figura 14 - SD Computadores e Serviços de TI........................................................54
Figura 15 - Consulta realizada no SE referente à consulta falha de rede. ................54
Figura 16 - Sistema de uma consulta realizada no SE..............................................55

LISTA DE TABELAS
Tabela 1 - atributos do Data Mart criado pelo aplicativo Somine. .............................39

LISTA DE ABREVIATURAS E SIGLAS
DHCP Dynamic Host Configuration Protocol (Protocolo de configuração
dinâmica de host)
ExSinta Expert Sinta
HTML HyperText Markup Language ou Linguagem de Marcação de Hipertexto
IA Inteligência Artificial
IP
Internet Protocol
LIA Laboratório de Inteligência Artificial
RNA Rede Neural Artificial
SAD Sistemas de Apoio a Decisão
SBC Sistemas Baseados em Conhecimento
SE Sistema Especialista
SEs Sistemas Especialistas
SI Sistemas de Informação
SIs Sistemas de Informação
SIG Sistemas de Informação Gerencial
SOM Self Organizing Maps
Somine Viscovery Somine
SPT Sistemas de Processamento de Transações
SQL Structured Query Language
SSE Sistemas de Suporte Executivo
STC Sistemas de Trabalho com Conhecimento
TI Tecnologia da Informação
TIC Tecnologia da informação e Comunicação

SUMÁRIO
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE ABREVIATURAS E SIGLAS
1 INTRODUÇÃO ............................................................................................................................. 13
1.1 TÉCNICAS DA INTELIGÊNCIA ARTIFICIAL ................................................................................... 14
1.1.1 REDES NEURAIS ARTIFICIAIS................................................................................................... 15
1.1.2 SISTEMAS ESPECIALISTAS ...................................................................................................... 15
1.2 MOTIVAÇÃO ........................................................................................................................... 16
1.3 JUSTIFICATIVA........................................................................................................................ 16
1.4 OBJETIVOS ............................................................................................................................ 17
1.4.1 OBJETIVO GERAL.................................................................................................................... 17
1.4.2 OBJETIVOS ESPECÍFICOS ........................................................................................................ 17
1.5 MATERIAIS E MÉTODOS........................................................................................................... 18
1.6 DELIMITAÇÃO DO TEMA ........................................................................................................... 18
1.7 PROBLEMA............................................................................................................................. 19
1.8 HIPÓTESE(S).......................................................................................................................... 19
1.8.1 HIPÓTESE PRIMÁRIA: .............................................................................................................. 19
1.8.2 HIPÓTESE SECUNDÁRIA: ......................................................................................................... 19
1.9 ORGANIZAÇÃO DO TRABALHO.................................................................................................. 19
2 REVISÃO DA LITERATURA ....................................................................................................... 21
2.1 SISTEMAS DE INFORMAÇÃO NA ÁREA HOSPITALAR.................................................................... 21
2.2 SERVICE DESK....................................................................................................................... 22
2.2.1 OBJETIVOS DE UM SERVICE DESK ........................................................................................... 23
2.2.2 IMPORTÂNCIA DO SERVICE DESK............................................................................................. 24
2.3 INTELIGÊNCIA ARTIFICIAL ........................................................................................................ 24

2.3.1 HISTÓRIA DA INTELIGÊNCIA ARTIFICIAL .................................................................................... 25
2.3.2 PRINCIPAIS TÉCNICAS DA INTELIGÊNCIA ARTIFICIAL .................................................................. 26
2.3.3 REDES NEURAIS ARTIFICIAIS................................................................................................... 26
2.3.3.1 MAPAS AUTO ORGANIZÁVEIS DE KOHONEN......................................................................... 27
2.3.3.1.1 A ARQUITETURA DOS MAPAS AUTO ORGANIZÁVEIS DE KOHONEN..................................... 28
2.3.3.1.2 ALGORITMO DE APRENDIZADO DOS MAPAS AUTO ORGANIZÁVEIS DE KOHONEN ................ 28
2.3.4 VISCOVERY SOMINE ............................................................................................................... 30
2.3.5 SISTEMAS ESPECIALISTAS ...................................................................................................... 30
2.3.5.1 HISTÓRICO E APLICAÇÃO .................................................................................................... 31
2.3.6 O EXPERT SINTA.................................................................................................................... 32
2.3.7 RESUMO DO CAPITULO ........................................................................................................... 35
3 MATERIAIS E MÉTODOS ........................................................................................................... 36
3.1 METODOLOGIA DA PESQUISA .................................................................................................. 36
3.2 FERRAMENTAS UTILIZADAS E PLATAFORMAS DE ENSAIO......................................... 37
3.3 PARÂMETRO DOS EXPERIMENTOS............................................................................................ 38
3.3.1 PARÂMETROS DO DATA MART................................................................................................. 38
3.3.2 PARÂMETROS DA REDE SOM.................................................................................................. 39
3.3.3 PARÂMETROS DE SISTEMA ESPECIALISTA................................................................................ 39
3.4 METODOLOGIA EXPERIMENTAL ............................................................................................... 39
3.4.1 -PRIMEIRA PARTE: AQUISIÇÃO DE CONHECIMENTO................................................................... 40
3.4.2 SEGUNDO EXPERIMENTO: IMPLEMENTAÇÃO DO SISTEMA ESPECIALISTA .................................... 43
3.4.2.1 IMPLEMENTANDO O SISTEMA ESPECIALISTA........................................................................ 43
3.5 RESUMO DO CAPITULO ........................................................................................................... 45
4 APRESENTAÇÃO DOS RESULTADOS E DISCUSSÃO........................................................... 46
4.1 RESULTADOS DO PRIMEIRO EXPERIMENTO (AQUISIÇÃO DE CONHECIMENTO) ............................. 46
4.2 RESULTADOS DO SEGUNDO EXPERIMENTO IMPLEMENTAÇÃO DO SISTEMA ESPECIALISTA. .......... 52
4.3 DISCUSSÃO DOS RESULTADOS ................................................................................................ 55
4.4 RESUMO DO CAPITULO ........................................................................................................... 56
5 CONCLUSÃO............................................................................................................................... 57

REFERÊNCIAS BIBLIOGRÁFICAS..................................................................................................... 59
FOLHA DE APROVAÇÃO DO TCC..................................................................................................... 64
APENDICES.......................................................................................................................................... 65
APÊNDICE A–TABELAS GERADAS PELO EXCEL....................................................................... 65
TABELA 1 (AMOSTRA DA PLANILHA GERADA) PRIMEIRA PARTE................................................................ 65
TABELA 2(AMOSTRA DA PLANILHA GERADA) SEGUNDA PARTE ................................................................ 65
TABELA 3(AMOSTRA DA PLANILHA GERADA) TERCEIRA PARTE:............................................................... 66
TABELA 4 (AMOSTRA DA PLANILHA) GERADA APÓS PRÉ-PROCESSAMENTO.............................................. 66
APÊNDICE B–DADOS GERADOS PELO SOMINE: DURANTE CRIAÇÃO E PROCESSAMENTO DO DATA
MART E DA REDE SOM. ..................................................................................................................... 67
GRÁFICO GERADO PELO APLICATIVO SOMINE ........................................................................................ 67
AMOSTRA DE DADOS EXTRAÍDOS E ESTATÍSTICAS.................................................................................. 68
CORRELAÇÃO ENTRE ATRIBUTOS.......................................................................................................... 71
APÊNDICE C–PROJETO: RELATÓRIO SERVICE DESK.VSP PROJETO CRIADO COM VISCOVERY SOMINE
5.0.1 BUILD 2 934............................................................................................................................... 72
TABELA 01- ATRIBUTOS DO DATA MART CRIADO................................................................................... 72
TABELA 02 NORMALIZAÇÃO DE DADOS .................................................................................................. 74
TABELA 03 PRIORIDADE E ESTATÍSTICAS DESCRITIVAS DOS DADOS......................................................... 74
TABELA 04 SEGMENTOS DA REDE SOM ............................................................................................... 75
TABELA 06 SEGMENTAÇÃO................................................................................................................... 76
TABELA 07 INDICADORES DE DESEMPENHO DO APLICATIVO.................................................................... 77
APÊNDICE D–PROJETO SISTEMA ESPECIALISTA:DESCRIÇÃO DA BASE DE CONHECIMENTO DO SE. 78
BASE DE CONHECIMENTO E CÓDIGOS GERADOS DO MODULO REDES E PERIFÉRICOS ............................... 78
CÓDIGOS INTERNOS DE BASE DE CONHECIMENTO SOBRE O SISTEMA ESPECIALISTA .... 84
.

13
1 INTRODUÇÃO
Atualmente é impossível às organizações não considerarem a adoção do uso
de Tecnologias de Informação (TI) na condução de seus negócios. A TI é
fundamental para as empresas melhorarem suas performances, seja na agilidade,
na efetividade ou ainda na inteligência organizacional. (Rezende, 2007).
A TI abrange todas as atividades desenvolvidas na sociedade, pelos recursos
de informática, bem como a difusão social da informação, em grande escala de
transmissão a partir de sistemas tecnológicos inteligentes.
Ainda dentro deste contexto, Albertin e Moura (2004) afirmam que a TI tem
sido considerada como um dos componentes mais importantes do ambiente
empresarial atual, sendo que as organizações brasileiras têm utilizado ampla e
intensamente esta tecnologia, tanto em nível estratégico como operacional.
Segundo Carneiro (2009) a Tecnologia da Informação na Medicina tem como
objetivo fornecer informação para o médico, hospital, laboratório ou clínica, de modo
a melhorar a qualidade do serviço aumentando a competitividade do negócio.
Um Sistema de Informação hospitalar é definido por Johanston (1993) como
um sistema computadorizado que, instalado em um ambiente hospitalar, objetiva
registrar informações sobre os pacientes de tal forma que possam ser
compartilhadas por todos os setores do hospital que delas necessitem.
Segundo Sigulem (1997), por um período de 30 anos (1960–1990), a função
primordial dos computadores, dentro das instituições hospitalares, era facilitar a
geração de documentos indispensáveis para o reembolso do atendimento de
pacientes e, com o passar do tempo, foi utilizado para automatizar a produção de
relatórios. Hoje, os administradores podem ter acesso aos recursos necessários
para administração e gerenciamento do hospital por meio da utilização de sistemas
de informação.

14
Este aumento na utilização dos sistemas de informação pelos hospitais
públicos se justifica por apoiar a tomada de decisão e exige a necessidade de um
ponto central de contato para suporte ao cliente, o Service Desk (SD).
O SD é o principal ponto de contato para os usuários quando há uma
interrupção do serviço, para solicitações de serviço, ou até mesmo para algumas
categorias de pedido de mudança. O SD fornece um ponto de comunicação com os
usuários e um ponto de coordenação de diversos grupos de TI e processos. (BON,
2005).
O SD é de extrema relevância para qualquer organização, à medida que
reflete o grau de satisfação dos funcionários, demonstra as possíveis falhas e
vulnerabilidades do ambiente, além de ser usado como um indicador para criar
programas e ações corretivas na área de tecnologia (PANORAMA BRASIL, 2012).
Várias técnicas podem ser associadas a um Service Desk para melhorar a
qualidade do atendimento ao cliente, dentre elas técnicas da Inteligência Artificial
(IA), como por exemplo, a Rede Neural Artificial (RNA) e Sistema Especialista (SE),
que busca solucionar problemas do mesmo modo que os especialistas humanos.
1.1 Técnicas da Inteligência Artificial
Segundo Russell e Norvig (1995) os principais objetivos da IA são
desenvolver métodos e sistemas para resolver problemas, geralmente resolvido pela
atividade intelectual dos seres humanos, por exemplo, o reconhecimento da imagem
língua, e processamento da fala, planejamento e previsão, sistemas de informação,
reforçando assim de computador, e para desenvolver modelos que simulam os
organismos vivos e o cérebro humano, em especial, melhorando assim a nossa
compreensão de como o cérebro humano funciona.

15
1.1.1 Redes Neurais Artificiais
As Redes Neurais Artificiais (RNA) são uma classe especial de sistemas
modelados seguindo analogia com o funcionamento do cérebro humano, sendo
formadas por neurônios artificiais conectados de maneira similar aos neurônios do
cérebro humano (GOEBEL E GRUENWALD, 1999). As RNAs têm sido amplamente
utilizadas nas mais variadas aplicações, incluindo mineração de dados (SASSI et al.,
2008).
A rede SOM é uma das diversas arquiteturas de redes neurais artificiais que
possibilita em um mapa bidimensional a formação e visualização simples dos
clusters (grupos) e da correlação dos dados, preservando a posição relativa desses
clusters no hiperespaço original, ou seja, é utilizada para a tarefa de clusterização.
Um Mapa Auto Organizável (Self-Organizing Maps ou rede SOM) é uma
arquitetura de rede neural artificial com aprendizado não supervisionado, baseada
em um mapa de neurônios cujos pesos são adaptados para verificar padrões
semelhantes em relação a um conjunto de treinamento (KOHONEN, 2001).
A rede SOM é uma arquitetura de rede neural artificial, estruturada em duas
camadas, entrada e saída. Os neurônios da camada de saída são comumente
dispostos em um mapa de duas dimensões, com dada relação de vizinhança.
(SASSI, 2008).
1.1.2 Sistemas Especialistas
Sistemas Especialistas são programas de computador que procuram atingir
soluções de determinados problemas do mesmo modo que se supõe que os
especialistas humanos resolvam se estiverem sob as mesmas condições. Apesar
das limitações das máquinas, é possível, atualmente, a construção de Sistemas
Especialistas com alto grau de desempenho, dependendo da complexidade de sua
estrutura e do grau de abrangência desejado (LIA1997).

16
1.2 Motivação
O cenário acima apresenta sérios problemas, tornando-se então necessário à
implementação de novas ferramentas de apoio à decisão, é ai onde se podem inserir
técnicas de inteligência artificial como redes neurais e Sistemas Especialistas.
Nos dias atuais os Sistemas Especialistas tornaram-se realidade, sob a forma
de sistemas interativos que respondem questões, solicitam e fornecem
esclarecimentos, fazem recomendações e geralmente auxiliam o especialista
orientando-o no processo de tomada de decisão, ou seja, simulam o raciocínio
humano fazendo inferências, julgamentos e projetando resultados.
Para que o problema seja resolvido, o sistema deverá analisá-lo por meio de
heurísticas armazenadas em seu motor de inferência e base de conhecimento.
Interagir com o especialista para obter todos os elementos informacionais
necessários para a montagem do problema e possibilitar a busca de conhecimento
necessário para sua resolução.
Utilizar uma rede do tipo SOM para analisar a base histórica de atendimento
do SD de modo a agrupar dados, descobrir padrões e variáveis tanto para se utilizar
na construção do SE quanto para a determinação de novas rotinas, padronizações
de atendimentos e processos é realmente uma abordagem inovadora e promissora.
1.3 Justificativa
O Service Desk atua estrategicamente, como uma função para identificar e
diminuir o custo de infraestrutura; apoia a integração e gestão de mudanças
distribuídas em toda a empresa; reduz os custos pela utilização eficiente dos
recursos e tecnologias; auxilia na satisfação do cliente e auxilia nas oportunidades
de negócio. O Service Desk é provavelmente para muitos clientes a função mais
importante em uma organização. (SPIRANDELLI, 2007).

17
O Service Desk é o primeiro contato da área de TI de uma organização, onde
se devem registrar todas as solicitações e ocorrências.
O que se observa nos sistemas de informações tradicionais, é uma difícil
procura pelo que se deseja em meio a uma grande quantidade de informações
emaranhadas. Sistemas de filtragem de dados esforçam-se para tornar estas tarefas
mais amenas na tentativa de busca pelas informações de forma a subsidiar ao
especialista as informações requeridas, a tempo e hora, para a tomada de decisão.
Há também uma grande carência de profissionais especializados e rotatividade de
profissionais na área de Service Desk.
1.4 Objetivos
1.4.1 Objetivo geral.
O objetivo deste trabalho foi associar o mapa Auto-organizável de Kohonen
com o Sistema Especialista na padronização do atendimento ao usuário no Service
Desk de um Hospital Público.
1.4.2 Objetivos específicos
Os objetivos específicos são:
 Estudar dos conceitos principais da Inteligência Artificial, das Redes Neurais
Artificiais e dos Sistemas Especialistas.
 Pré-processar a base de dados do Hospital publico em função do excesso de
inconsistências apresentadas na base.
 Estudar e entender o funcionamento dos softwares escolhidos.
 Desenvolver e validar a rede SOM.
 Desenvolver e validar o Sistema Especialista.
 Associar as duas técnicas escolhidas aplicando na base de dados.
 Validação dos resultados.

18
1.5 Materiais e métodos
A metodologia de pesquisa adotada neste trabalho foi definida como
bibliográfica experimental.
A realização da pesquisa bibliográfica foi embasada em consultas a fontes
bibliográficas e de referencial teórico: artigos, livros, teses, dissertações, websites
com conteúdos sobre Tecnologia da Informação (TI) e Sistemas de informação (SI)
na área hospitalar, Service Desk (SD), Inteligência Artificial (IA), Redes Neurais
Artificiais (RNA), Self Organizing Maps (SOM) e Sistemas Especialistas (SE), Assim
como os aplicativos utilizados neste trabalho; Viscovery Somine (Somine) e Expert
Sinta (ExSinta).
Foram consultadas as seguintes bases de dados: Scielo, IEEExplore,
SCOPUS e de congressos da área da Computação como, por exemplo, o
Congresso Internacional de Gestão da Tecnologia e Sistemas de Informação
(CONTECSI) e a Conferência Ibérica de Sistemas e Tecnologias de Informação
(CISTI).
1.6 Delimitação do tema
Foi utilizada uma rede SOM na implementação de um Sistema Especialista no
Service Desk de um Hospital Publico para auxiliar o técnico especialista e o analista
profissional na resolução de problemas. Garantindo assim, melhor e maior eficácia
do profissional especialista em suas atribuições, de tal modo que todos os níveis de
serviços acordados com a instituição passaram a ser atendidos de forma otimizada e
padronizada.

19
1.7 Problema
A falta de padronização no atendimento do Service Desk de um Hospital
publico pode ser resolvida utilizando técnicas da Inteligência Artificial?
1.8 Hipótese(s)
1.8.1 Hipótese primária:
A implementação do Sistema Especialista no Service Desk de um Hospital
Público associado à rede SOM garante a padronização no atendimento ao usuário.
1.8.2 Hipótese secundária:
A implementação do Sistema Especialista no Service Desk de um Hospital
Público associado à rede SOM garante qualidade no atendimento ao usuário.
1.9 Organização do trabalho
Este trabalho foi organizado em cinco capítulos. Além desta introdução
(capitulo 1) o trabalho é composto das seguintes partes:
Capitulo 2 – Revisão da literatura: consiste na busca de fontes que permitam
elucidar conceitos básicos sobre Tecnologia da Informação (TI), Sistemas de
Informação (SI), Sistemas de informação na área hospitalar, Service Desk (SD),
Inteligência Artificial (IA), Redes Neurais Artificiais (RNA), Self Organizing Maps

20
(SOM), Sistemas Especialistas (SE), Viscovery Somine (Somine) e Expert Sinta
(ExSinta).
Capitulo 3 – Materiais e métodos: Consiste na metodologia a ser usada neste
trabalho, à revisão bibliográfica sobre os temas relacionados, a escolha das
abordagens promissoras usadas por rede SOM e SEs a ser avaliada no domínio de
SD, a escolha do hardware e dos softwares a serem utilizados nos experimentos. Os
experimentos realizados na aquisição de conhecimento utilizando rede SOM, o
experimento realizado utilizando a Shell ExSinta no desenvolvimento, avaliação e
implementação do SE.
Capitulo 4 – Resultados: consiste da discussão sobre os resultados obtidos
na aquisição de conhecimento com os experimentos com rede SOM e
implementação do SE com o ExSinta e como foram obtidos, a discussão sobre os
resultados alcançados e o quanto foram satisfatórios a resolução do problema
proposto.
Capitulo 5 – Conclusão: consiste na conclusão do trabalho com a discussão
dos resultados obtidos e proposta de direção a se seguir em futuros trabalhos dentro
do domínio estudado.

21
2 REVISÃO DA LITERATURA
Aborda-se neste capitulo a revisão da literatura necessária para o
entendimento dos assuntos relacionados à pesquisa desenvolvida neste trabalho.
2.1 Sistemas de Informação na área hospitalar
Laudon e Laudon (2007) definem a importância da TI para as organizações
como facilitadores que permitem um fluxo contínuo de inovações. Somadas às
novas práticas empresariais e à capacidade de decisão gerencial de alto
desempenho, as TIs estão revolucionando a maneira como as organizações estão
fazendo negócios.
Por TI, entenda-se todo software e todo hardware de que uma empresa
necessita para atingir seus objetivos organizacionais. Isso inclui não apenas
computadores, disk, drives, assistentes digitais pessoais – e até mesmo ipods, se
usados para fins organizacionais, mas também softwares, como os sistemas
operacionais Windows ou Linux, o pacote Microsoft Office e as centenas de
programas computacionais que normalmente podem ser encontrados em uma
grande empresa (LAUDON, 2007).
Segundo Xexéo (2006) os SIs atualmente servem em todas as áreas e níveis
das organizações, sendo considerados como ferramenta essencial para o sucesso
de suas atividades. Isso nos permite classificá-los de acordo com a responsabilidade
assumida por seus usuários dentro da organização em quatro tipos principais, como
sugerido por Laudon: sistemas de nível operacional, sistemas de nível de
conhecimento, sistemas de nível gerencial e sistemas de nível estratégico.
Com a crescente competitividade entre as organizações, inclusive entre as não
empresariais, uma administração eficiente e eficaz também é fundamental para os
hospitais. A busca pelo menor custo, sem afetar a qualidade e a funcionalidade dos

22
serviços, é um objetivo permanente das organizações que buscam sustentabilidade
no mercado.
Para que se encontre esse menor custo, as informações devem representar ao
máximo a realidade vivenciada pela organização, tornando o processo decisório
mais correto possível. Entretanto, grande parte das organizações hospitalares não
faz uso de um sistema de custos e de informações financeiras que oriente e ofereça
parâmetros para suas decisões administrativas e para o controle de atividades
(ABBAS, 2001).
Carneiro (2009) afirma que os benefícios do uso da TI na Medicina podem ser
divididos em tangíveis e intangíveis. Os tangíveis podem ser definidos como aqueles
que afetam diretamente os resultados da empresa, tais como redução de custo e
geração de lucros. Os intangíveis são os que causam melhorias de desempenho do
negócio, mas não afetam diretamente no resultado da empresa, tais como
informações gerenciais, segurança, etc.
2.2 Service Desk
O SD é uma interface amigável que disponibiliza serviços prestados de TI para
usuários de uma organização, sendo responsável por atender os
problemas/incidentes informados.
De acordo com Härtl (2007), Termo fundamental no contexto do trabalho, um SD
garante a disponibilidade da TI para a organização. É a única interface de contato
para o usuário (Single Point of Contact) e garante que ele possa continuar
executando suas atividades normais. O SD não é um processo e sim uma função,
ele realiza, portanto, uma tarefa. Ele documenta, entre outros, as requisições de
clientes (Trouble Tickets) e inspeciona o seu processamento.
O SD tem como característica possuir um ponto único de contato entre
usuários e o setor de TI, ou seja, tem uma porta única de entrada de
problemas/incidentes, permitindo que o atendimento se desmembre em outros níveis
através do gerenciamento de serviço de TI (ORNELAS e DELL’AGNOLO, 2008).

23
Segundo COHEN são responsabilidades e qualidades do analista de SD
Analisar problemas, dar tratativas corretas, tomar decisões, foco do cliente, iniciativa,
repasse de informação, lidar com conflitos, diferenciação de problema e dificuldade
do cliente, bom relacionamento interpessoal e com o cliente, criatividade, raciocínio
lógico, saber quando e como questionar o cliente, ser um bom técnico, trabalho em
equipe, eficaz, facilidade de aprendizado, lidar com mudanças inesperadas e
habilidades técnicas.
2.2.1 Objetivos de um Service Desk
Um sistema de SD segue os seguintes objetivos: armazenar as informações
de problemas/incidentes encontrados pelos usuários; acompanhar as etapas de
solução do problema/incidente; avaliar os incidentes de entrada; viabilizar a
comunicação entre os usuários através de níveis de serviço; manter os usuários
informados dos problemas encontrados; permitir gerar relatórios de gerenciamento
de acordo com níveis de acesso e permitir gerenciar grupos de suporte
(FERNANDES e SCHEUR e MOREIRA, 2010).
Possui também o objetivo de manter os usuários informados de todo histórico
das informações realizadas para resolução do problema/incidente (SPIRANDELLI
NETTO, 2007).
Todos os incidentes reportados para o SD devem ser registrados, o analista
de SD resolve o incidente e finaliza o chamado. Todo incidente detectado, é
documentando em uma base de conhecimento.
A função da base de conhecimento é auxiliar quando o analista se deparar
com um incidente que já tenha ocorrido anteriormente e o mesmo tenha sido
documentado, desta forma ele irá economizar tempo e automaticamente alcançará a
satisfação do cliente.

24
2.2.2 Importância do Service Desk
Segundo BON (2005), estrategicamente, o SD é a função mais importante da
organização. Para muitos, o SD é a sua única janela para o nível de serviço e
profissionalismo pela organização como um todo ou pelo departamento. Os
benefícios operacionais e de negócio advindos da adoção de um SD são: melhoria
do serviço, percepção e satisfação do cliente, acesso melhorado através de um
ponto único de contato, comunicação, e informação, melhor qualidade e rotatividade
de requisições de clientes, comunicação melhorada e trabalho em grupo facilitado,
foco mais desenvolvido e abordagem proativa na prestação de serviços, redução de
impactos negativos para o negócio, controle e infraestrutura mais bem gerenciados,
utilização melhorada de recursos de TI e aumento da produtividade de pessoal,
Informações gerenciais mais coerentes e significativas para apoio à decisão.
2.3 Inteligência Artificial
Segundo Kasabov (1996) a IA compreende métodos, ferramentas e sistemas
para resolver problemas que normalmente exigem a inteligência de seres humanos.
Para Rich e Knight (1991) IA é o estudo de como fazer os computadores fazer
coisas em que, no momento, as pessoas são melhores.
Para Russell e Norvig (1995) os principais objetivos da IA são desenvolver
métodos e sistemas para resolver problemas, geralmente resolvido pela atividade
intelectual dos seres humanos, por exemplo, o reconhecimento da imagem língua,
processamento da fala, planejamento e previsão, sistemas de informação,
reforçando assim de computador, e para desenvolver modelos que simulam os
organismos vivos e o cérebro humano, em especial, melhorando assim a nossa
compreensão de como o cérebro humano funciona.

25
2.3.1 História da Inteligência Artificial
A Inteligência Artificial (IA) nasceu oficialmente em 1956, durante uma
conferência de verão em Dartmouth College, nos Estados Unidos. Jonh McCarthy,
Marvin Minsky, Nathaniel Rochester e Claude Shannon reuniram-se com a intenção
de realizar um estudo sobre o tópico “Inteligência Artificial”, usando pela primeira vez
este termo que a partir de então ficou conhecida.
O primeiro trabalho que foi reconhecido como sendo de IA foi o de Warren
McCulloch e Walter Pittsem 1943. Neste propuseram um modelo de neurônios
artificiais. Desde esta época as diferentes correntes de pensamento em IA têm
estudado formas de estabelecer comportamentos “inteligentes” nas máquinas,
simulando a capacidade de raciocínio humano quer seja na resolução de problemas,
nas generalizações ou no aprendizado a partir de experiências passadas.
A Inteligência Artificial estuda a aplicação da tecnologia que se encontra
disponível hoje, de modo a permitir aos computadores realizarem tarefas que no
momento as pessoas efetuam com melhor desempenho. Possibilitando ao
computador ter um comportamento inteligente na realização de suas tarefas (RICH,
1985).
Segundo RUSSELL, e NORVIG (1995) entre as áreas de aplicação da IA, temos
Sistemas Especialistas, Game playing, e prova de teoremas, processamento de
linguagem natural, reconhecimento de imagem, Robótica e muitos outros. O tema da
IA foi enriquecida com uma disciplina ampla de conhecimentos de Filosofia,
Psicologia, Ciências Cognitivas, Computador Ciência, Matemática e Engenharia.

26
2.3.2 Principais técnicas da Inteligência Artificial
Segue abaixo uma breve descrição das principais abordagens/ paradigmas do
estudo de IA (GOLDSCHMID, 2010).
IA simbólica: Inteligência pode ser alcançada através da manipulação de
símbolos de alto-nível (hipótese dos sistemas de símbolos físicos) Palavras
representam conceitos, relações, etc., associadas a significados unitários e distintos.
IA conexionista: Inspiração em modelos do neurônio biológico. Unidades de
processamento simples (neurônios e sinapses). Aprendizado por exemplos é um
conceito-chave pode ser do tipo supervisionado ou não supervisionado. Aplicações:
reconhecimento e classificação.
IA evolucionista Inspiração na teoria da evolução das espécies. Têm em
Algoritmos genéticos seus principais representantes
Representação do problema: Parte-se de uma população de
indivíduos/cromossomos Cada indivíduo representa uma possível solução para o
problema genes = partes significativas de uma solução. Os mais aptos transmitem
seu material genético para a próxima geração. Aplicação: otimização.
IA estatístico-probabilística. Aplicação de conceitos da probabilidade e
estatística para lidar com informação incerta seu principal representante são as
Redes bayesianas:
2.3.3 Redes Neurais Artificiais
As Redes Neurais Artificiais (RNAs) são uma classe especial de sistemas
modelados seguindo analogia com o funcionamento do cérebro humano, sendo
formadas por neurônios artificiais conectados de maneira similar aos neurônios do
cérebro humano (GOEBEL E GRUENWALD, 1999).

27
Uma de suas principais vantagens é sua variedade de aplicação, mas em
compensação, os seus dados de entrada são difíceis de serem formados e os
modelos produzidos são difíceis de entender (HARRISON, 1998). Esta técnica é
mais apropriada às tarefas de classificação, estimativa e segmentação.
Os principais modelos de RNAs são: Modelos de Hopfield, Bam e ART,
Modelo RBF, Modelos Recorrentes (Perceptron) e Modelo de Kohonen (SOM).
2.3.3.1 Mapas Auto Organizáveis de Kohonen
O Mapa Auto Organizável proposto por Kohonen (1982) é uma rede
engenhosa construída em torno de uma grade uni ou bi dimensional de neurônios
para capturar as características importantes contidas em um espaço de entrada
(dados) de interesse. O Algoritmo SOM é inspirado na neurobiologia, incorporado
todos os mecanismos que são básicos para à auto-organização: Competição,
cooperação e auto amplificação (HAYKIN, 2001).
A rede SOM é uma das diversas arquiteturas de redes neurais artificiais que
possibilita em um mapa bidimensional a formação e visualização simples dos
clusters (grupos) e da correlação dos dados, preservando a posição relativa desses
clusters no hiperespaço original, ou seja, é utilizada para a tarefa de clusterização.
Um Mapa Auto Organizável (Self-Organizing Maps ou rede SOM) é uma
arquitetura de rede neural artificial com aprendizado não supervisionado baseada
em um mapa de neurônios cujos pesos são adaptados para verificar padrões
semelhantes em relação a um conjunto de treinamento (KOHONEN, 2001). Sua
principal característica é o mapeamento ordenado dos padrões de entrada de
elevada dimensão em reticulados de neurônios de saída com dimensão menor,
comumente duas, o que facilita a visualização dos dados.

28
2.3.3.1.1 A arquitetura dos Mapas Auto Organizáveis de Kohonen
A rede SOM é uma arquitetura de rede neural artificial, estruturada em duas
camadas, entrada e saída. Os neurônios da camada de saída são comumente
dispostos em um mapa de duas dimensões, com dada relação de vizinhança
(Kohonen (1982) A Figura 1 ilustra essa arquitetura, com d atributos na camada de
entrada e um conjunto de unidades u (neurônios) arranjados na forma de um mapa
em 2D na camada de saída. Cada u é caracterizado por sua posição x e y no mapa,
que é representado por ux e uy, respectivamente, resultando em um vetor 2D igual a
u = [uxuy].
Figura 1 - Ilustração de uma rede SOM (2D). fonte Kohonen (1982)
2.3.3.1.2 Algoritmo de aprendizado dos Mapas Auto Organizáveis de Kohonen
O algoritmo de treinamento da rede SOM é também chamado de competitivo.
Em cada passo do processo (iteração ou época), uma amostra x é randomicamente
escolhida do conjunto de treinamento.

29
À distância, geralmente euclidiana, entre x e todos os vetores protótipos m é
calculada. A unidade com menor distância, chamada de best-matching unit (BMU), é
o u com protótipo m mais próximo de x, conforme a equação 1.
||x - mbmu|| = arg min || x-mu||
A seguir, os vetores protótipos são atualizados. O BMU e sua vizinhança
topológica são movidos para próximos de x, como se fosse um “arrasto”. A regra
para a atualização dos vetores protótipos da unidade u é dada pela equação 2
(SASSI, 2009).
mi(t+1) = mi(t) + α (t) hbi(t) [x - mu(t)] (2)Fonte: SASSI, 2009
Em que t é o número de iterações, α (t) é a taxa de aprendizado e hbi (t) é o
kernel da vizinhança centrado no neurônio vencedor. O kernel pode ser gaussiano,
como na equação 3.
ℎ 𝑏𝑖 𝑡 = 𝑒
||𝑟 𝑏−𝑟 𝑖||2
2 𝜎 (𝑡) (3) Fonte: SASSI, 2009
Em que rb e ri são as posições do neurônio vencedor b e do neurônio i no mapa
da rede SOM, e σ(t) é o raio da vizinhança. Conforme a distância entre b e i
aumenta e t também aumenta, hbi → 0. A taxa de aprendizado α(t) e o raio da
vizinhança σ(t) diminuem monotomicamente com o tempo.
Devido às características da rede SOM de capacidade de quantização vetorial e
de projeção vetorial, ele também pode ser utilizado na análise dos dados (KASKI;
KOHONEN, 1996; CURRY et al., 2003).

30
2.3.4 Viscovery Somine
Viscovery Somine (Somine) combina rede SOM e métodos estatísticos
clássicos em um sistema para mineração de dados exploratória e modelagem
preditiva. A tecnologia de rede SOM é usada para representar e visualizar
distribuições de dados que podem conter milhares de variáveis (por exemplo, em
aplicações de mineração de texto) e milhões de conjuntos de dados, fornecendo
uma abordagem intuitiva e visual única aos dados que facilita a compreensão e
comunicação de modelos analíticos.
Todas as tarefas, inclusive a importação de dados, pré-processamento e
tratamento de outliers, e definição de segmentos e medidas, são guiadas por fluxos
de trabalho.
De fácil uso para exploração de dados, identificação de dependências, análise
de cluster visual, segmentação e classificação, bem como funções estatísticas, como
a estatística descritiva, perfis de grupo, análise de correlação e histogramas gráficos
de dispersão. Interface visual permite acesso direto ao contexto para os registros de
dados originais subjacentes os mapas e as suas estatísticas completas em qualquer
ponto do fluxo de trabalho, fazem a análise exploratória de dados de um cluster,
mineração e classificação, tem as capacidades adicionais de prover interfaces de
banco de dados e os recursos para automatizar a criação e aplicação do modelo e
integrar modelos em ambientes em tempo real.
2.3.5 Sistemas Especialistas
Segundo Kasabov (1996) os Sistemas Especialistas (SE) são sistemas baseados
em conhecimento que contêm conhecimento especializado. Um SE é um programa
que pode fornecer conhecimentos para resolver problemas em uma área de
aplicação definidos na mesma forma que os peritos fariam.

31
SEs são programas de computador que procuram atingir soluções de
determinados problemas do mesmo modo que se supõe que os especialistas
humanos resolvam se estiverem sob as mesmas condições. Apesar das limitações
das máquinas, é possível, atualmente, a construção de Sistemas Especialistas com
alto grau de desempenho, dependendo da complexidade de sua estrutura e do grau
de abrangência desejado (LIA1997).
Segundo WEISS (1988) um SE é aquele que lida com problemas complexos
do mundo real que necessitam da análise e interpretação de um especialista
humano e soluciona estes problemas através do uso de um modelo computacional
do raciocínio de um especialista humano de forma a chegar às mesmas conclusões
que este especialista chegaria caso se defrontasse com um problema semelhante.
2.3.5.1 Histórico e aplicação
A solução de um problema proposta por um SE é voltada para uma
determinada área de conhecimento e é fornecida por pessoas que são
especializadas nesta área. Esse conhecimento adquirido permite-lhe emitir decisões,
justificadas e apoiadas, por uma base de informações, agindo como se fosse um
especialista humano de determinada área de conhecimento.
Entre os SEs os primeiros programas foram o DENDRAL 1965 (Feigenbaum
e Buchanan, 1993), que determinaram a estrutura molecular a partir de dados
espectrômetro de massa; R1 (McDermott, 1980) usada para configurar sistemas de
computador, e MYCIN (Shortliffe, 1976) para o diagnóstico médico.
Desde meados dos anos de 1960 tem havido muitos SEs criados para
campos que vão desde as operações dos ônibus espaciais até através de
monitoramento de paciente da unidade de cuidados intensivos do hospital e
sistemas para a tomada de decisão financeira (Siler, William 2005).
SILER (2005) afirma que os SEs têm sido utilizados com sucesso em quase
todos os campos da atividade humana, incluindo engenharia, ciência,
medicina, agricultura, indústria, educação e formação, negócios, finanças e design.

32
2.3.6 O Expert Sinta
O SE foi modelada com o auxilio do software Expert Sinta (ExSinta) que é
uma Shell que utiliza técnicas de IA para geração automática de SE baseado em
linguagem DELPHI, o ExSinta utiliza um modelo de representação do conhecimento
baseado em regras de produção e probabilidade e tem como objetivo a simplificação
da implementação de SE pela utilização de uma máquina de inferência
compartilhada e construção automática de telas e menus. Foi desenvolvido pelos
Laboratórios de Pesquisa em Ciência da Computação, Departamento de
Computação – Universidade Federal do Ceará – Laboratório de Inteligência Artificial
(LIA) e é de distribuição e uso livre.
Uma Shell tem como principal função simplificar ao máximo o trabalho de
implementação de um SE.
Shells são ferramentas que foram criadas de forma a que diversos sistemas
possam compartilhar uma máquina de inferência e outras características comuns,
permitindo ao criador do sistema preocupar-se apenas com a representação do
conhecimento do especialista, deixando a tarefa de interpretação do conhecimento
representado e a execução do mesmo em uma máquina, além de permitir
depurações e explicações de como o computador chegou àquela(s) conclusão (ões).
Estes interpretadores resultantes são chamados de Shells, que servem de
base para muitos dos Sistemas Especialistas que estão sendo desenvolvidos. O
nome Shell vem do fato de tornar transparentes as dificuldades inerentes à
implementação de uma aplicação em Inteligência Artificial: escolha da representação
de conhecimento, do método de busca, ferramentas para encontrar erros, etc
(SAVARIS, 2002).
Os sistemas especialistas que utilizam o ExSinta possuem a seguinte
arquitetura:
a) base de conhecimentos representa a informação (fatos e regras) que um
especialista utiliza;

33
b) editor de bases é o meio pelo qual a Shell permite a implementação das
bases desejadas;
c) máquina de inferência o motor de inferência é o responsável pela ação
repetitiva de buscar, analisar e gerar novos conhecimentos;
d) banco de dados global são as evidências apontadas pelo usuário do
Sistema Especialista durante uma consulta.
O objetivo do ExSinta é simplificar ao máximo as etapas de criação de um SE
completo. Para tanto, já oferece uma máquina de inferência básica, fundamentada
no encadeamento para trás (backward chaining) ([LIA1999]).
O ExSinta utiliza regras de produção para modelar o conhecimento humano,
ideal para problemas no qual uma determinada solução deve ser atingida a partir de
um conjunto de seleções.
As regras são baseadas em condições IF-THEN-ELSE (SE – OU – ENTÃO).
Desenvolvem-se as regras baseado nas variáveis e nos objetivos do problema ao
qual se propõem como resolução.
Segundo Durkin (1994) o desenvolvimento do nosso SE deve seguir as seguintes
fases:
 Fase de Análise de Requisitos: durante esta fase são realizados estudos para
determinar a viabilidade da execução do projeto em questão.
 Fase de Aquisição de Conhecimento: o objetivo desta fase é o de adquirir,
organizar e estudar o conhecimento sobre o problema, que será usado durante o
processo de desenvolvimento da aplicação.
 Fase de Projeto: Nesta fase implementa-se o sistema para validação das regras
identificadas na fase anterior.
 Fase de Teste e Validação: A fase de testes deve ocorrer em paralelo à fase de
projeto, tendo em vista manter-se sintonia com os requisitos estabelecidos na
primeira fase. Esta é uma atividade que demanda grande precisão e controle,
tendo em vista que é a fase de testes que garante a utilidade ou não do sistema
em “ambiente de produção”.

34
 Fase de documentação: esta fase concentra-se na importância de produzir-se
um documento contendo a compilação de toda a informação de projeto, tendo
em vista facilitar o entendimento do mesmo na fase seguinte que é a fase de
manutenção do sistema.
 Fase de implantação: após a aprovação das fases de teste e documentação o
sistema será implantado no ambiente de produção para o uso.
 Fase de manutenção: após a liberação do sistema para uso, periodicamente
serão necessários ajustes e/ou alterações em função de interferências externas e
novas descobertas de conhecimento.
Este processo de desenvolvimento conduz a um ciclo, aonde a cada nova
passagem conduz a mais um nível de profundidade no sentido de refinar o
conhecimento já adquirido e armazenar este conhecimento numa base de
conhecimento.
Os benefícios da Base de Conhecimento são:
1) Retenção do Conhecimento: Quando um técnico sair do
departamento, parte do seu conhecimento ficará retido junto aos documentos
relatados.
2) Ausências com baixo impacto: Analistas com menos experiência, poderão
prestar atendimento ao cliente, ou seja, caso haja necessidade de algum técnico se
ausentar outros poderá substituí-lo.
3) Padronização: Com a base de conhecimento os analistas
conseguiram fazer um atendimento e a resolução de incidentes de forma padrão.
4) Minimiza problemas de comunicação: Os analistas poderão consultar a
base de conhecimento para tirar dúvidas dos usuários, com essa consulta os
analistas conseguiram se expressar da melhor forma possível. (COHEN, 2007).

35
2.3.7 Resumo do Capitulo
Neste capitulo o objetivo foi abordar a revisão bibliográfica para a elaboração
deste projeto de pesquisa e consistiu na busca de fontes que permitiram elucidar
conceitos básicos sobre Sistemas de informação na área hospitalar, Service Desk
(SD), Inteligência Artificial (IA), Redes Neurais Artificiais (RNA), Self Organizing
Maps (SOM) e Sistemas Especialistas (SE), Assim como os aplicativos utilizados
neste trabalho.

36
3 MATERIAIS E MÉTODOS
Neste capitulo aborda-se os materiais e métodos utilizados para realização dos
experimentos
3.1 Metodologia da Pesquisa
A metodologia de pesquisa adotada neste trabalho foi definida como bibliográfica
e experimental.
A pesquisa bibliográfica é elaborada a partir de material já publicado, constituído
principalmente de livros, artigos de periódicos e atualmente com material
disponibilizado na Internet (GIL, 2002).
A realização da pesquisa bibliográfica foi embasada em consultas a fontes
bibliográficas e de referencial teórico: artigos, livros, teses, dissertações, websites
com conteúdos sobre Tecnologia da Informação (TI) e Sistemas de informação (SI)
na área hospitalar, Service Desk (SD), Inteligência Artificial (IA), Redes Neurais
Artificiais (RNA), Self Organizing Maps (SOM) e Sistemas Especialistas (SE).
Assim como os aplicativos utilizados neste trabalho; Viscovery Somine (Somine)
e Expert Sinta (ExSinta).Foram consultadas as seguintes bases de dados: Scielo,
IEEExplore, SCOPUS e de congressos da área da Computação como, por exemplo,
o Congresso Internacional de Gestão da Tecnologia e Sistemas de Informação
(CONTECSI) e a Conferência Ibérica de Sistemas e Tecnologias de Informação
(CISTI).
Para Gil (2002), a pesquisa experimental determina um objeto de estudo,
selecionam-se as variáveis que seriam capazes de influenciá-lo, definem-se as
formas de controle e de observação dos efeitos que a variável produz no objeto.

37
3.2 FERRAMENTAS UTILIZADAS E PLATAFORMAS DE ENSAIO
Os seguintes equipamentos foram utilizados na montagem da bancada de
teste:
Notebook Samsung RV415-CD2 com processador AMD Dual Core E-300,
Chipset AMD A50M FCH, 2GB de memória RAM DDR3, HD de 320 GB S-ATA 5400
RPM, conexão Rede rj45 10/100 e wireless, monitor LED 14 pol, leitor de cartões de
memória integrado (SD, SDHC, MMC e SDXC,), gravador de DVD, três Portas USB
(2.0), Placa de vídeo Integrada, com tecnologia AMD Radeon™ Graphics 8.27.2.
A Base de dados utilizada no pré-processamento foi à base de dados Histórica
do SD no Hospital Publico uma base extensa e extremamente heterogênea, ou seja,
nos mais variados formatos e sem a mínima padronização(planilhas Excel, base de
dados Access, documentos de texto Word e SQL).
O pré-processamento dos dados foi feito com o uso de planilhas Office
EXCEL da empresa Microsoft.
Toda a base de dados foi exportada, e pré-processada em uma única planilha
Excel resultando uma estrutura contendo 11.413 linhas e 22 colunas. Conforme se
pode ver nas tabelas 1, 2 e 3(Apêndice A) sendo na verdade parte da mesma tabela
aqui dividida em três partes apenas para facilitar a visualização, contendo uma
pequena amostra dos dados.
As quais foram avaliadas pelos especialistas e eliminadas os elementos
redundantes, inconsistentes e que não continham informações relevantes e úteis ao
processo de aquisição de conhecimento. Restaram então 10.024 linhas e 4 colunas.
Conforme se pode ver na tabela 4(Apêndice A) contendo uma pequena amostra dos
dados.
A rede SOM foi Implementada utilizando o Software Somine, que é um
aplicativo para mineração de dados exploratória, análise de cluster visual, perfil
estatístico, segmentação e classificação baseada em mapas auto-organizáveis
(SOM) e estatísticas clássicas, da empresa Viscovery.

38
A planilha gerada pelo Excel foi submetida ao Somine para normalização,
redução de dados, processamento, criação do Data Mart, criação da rede SOM
aquisição de dados e visualização.
O Data Mart foi implementado no aplicativo Somine durante o processo de
aquisição e normalização de dados e teve como objetivo e função principal
armazenar todos os dados e conhecimento adquirido durante o primeiro experimento
para posterior uso e novas consultas.
O SE foi modelado com o auxilio do ExSinta que é uma Shell usada para
geração automática de SEs baseada em linguagem DELPHI desenvolvida pelo LIA
de distribuição e uso livre.
Todos os softwares citados acima foram testados em um notebook rodando o
Windows 7 professional sp1, e implementados em ambiente cliente servidor
Windows server 2008 e clientes Windows Xp sp3
3.3 Parâmetro dos experimentos
3.3.1 Parâmetros do Data Mart.
Para a criação da Data Mart que foi a primeira fase do processo da criação da
Rede SOM a partir da interface do Somine foi feito a importação dos dados da
planilha Excel.
O Data Mart foi criado a partir do seguinte arquivo: 24 11 2002 a 19 01 2010 OS
Exportadas 6ª limpeza amostra b.xls
Foram importado 10.047 registros na tabela (tabela 1) abaixo. Vê-se os atributos
que foram incluídos no Data Mart:

39
No. Attribute Type Key Formula Description Original Name
1 Descr_Equipa Text (20)
2 MotivoSolic Text (103)
3 Diagnóstico Text (178)
4 Serv_exec Text (248)
Tabela 1 - atributos do Data Mart criado pelo aplicativo Somine.
3.3.2 Parâmetros da rede SOM
No processo de criação do mapa de Kohonen: foi definidos os seguintes
Parâmetros:
Um mapa com 1000 nós e relação automática tamanho (31:31) foi treinado. A
programação de treinamento utilizada foi normal com tensão 0,5 e Compensação
correlação foi ativado.
3.3.3 Parâmetros de Sistema Especialista
A base de conhecimento do Sistema Especialista foi implementada em forma
de regras, num total de 18(APENDICE D). Essas regras de produção foram
produzidas no estilo SE... Então, com a possibilidade de inclusão de conectivos
lógicos, relacionando os atributos no escopo da base. Como padrão, O ExSinta
grava as bases de conhecimento geradas em arquivos *.BCM
3.4 Metodologia Experimental
No presente trabalho, a tarefa de aquisição de dados foi feita com a utilização da
técnica de rede Som principalmente pelo desconhecimento do numero de clusters, e

40
regras de associações que poderiam ser geradas, Os algoritmos que foram
utilizados nesta implementação são aqueles que visam implementar tarefas de
classificação e segmentação, resultando, com isto, na construção de modelos que
proporcionaram o agrupamento dos dados da base em classes, além da
segmentação em vários subgrupos ou clusters mais homogêneos.
Primeiramente os dados foram selecionados pré-processados com o uso do
aplicativo Excel em seguida os dados forma exportados com auxílio do aplicativo
Somine onde foram normalizados, transformados e exportados para um Data Mart
com o a extensão .dms. Os dados do Data Mart foram submetidos então à rede
SOM que gerou um mapa com três grandes cluster com fronteiras bem definida.
Cada um destes clusters foi então reprocessado em separado gerando ótimos
resultados. O segundo experimento foi todo o processo de implementação do SE a
partir dos dados extraídos com a rede SOM. Os dados foram então interpretados e
utilizado na construção do SE e padronização do atendimento ao usuário
A metodologia experimental foi dividida em duas partes: aquisição de
conhecimento e Implementação do SE.
3.4.1 -Primeira parte: Aquisição de Conhecimento
No presente trabalho após uma analise previa do material uma base extensa e
extremamente heterogênea disponível (planilhas Excel, base de dados Access,
documentos de texto Word e SQL) decidiu-se por uma abordagem utilizando o
método semiautomático para a normalização da base com aplicação de uma RNA
do tipo SOM para a automatização na extração das variáveis, padrões e aquisição
de conhecimento, a tarefa de aquisição de dados foi feita com a utilização da técnica
de rede Som principalmente pelo desconhecimento do numero de clusters, e regras
de associações que poderiam ser geradas, Os algoritmos que foram utilizados nesta
implementação são aqueles que visam implementar tarefas de classificação e
segmentação, resultando, com isto, na construção de modelos que proporcionaram

41
o agrupamento dos dados da base em classes, além da segmentação em vários
subgrupos ou clusters mais homogêneos e seguiu as seguintes etapas:
1) Pré-processamento em Excel
Toda a base de dados foi exportada, e pré-processada em uma única planilha
Excel resultando uma estrutura contendo 11413 linhas e 22 colunas. Conforme se
pode ver nas tabelas 1, 2 e 3(APÊNDICE A) sendo na verdade parte da mesma
tabela aqui dividida em três partes apenas para facilitar a visualização, contendo
uma pequena amostra dos dados. As quais foram avaliadas pelos especialistas e
eliminadas os elementos redundantes, inconsistentes e que não continham
informações relevantes e uteis ao processo de aquisição de conhecimento.
Restaram então 10024 linhas e 4 colunas. Conforme se pode ver na tabela
4(APÊNDICE A) contendo uma pequena amostra dos dados.
2) Importação, normalização, processamento dos dados, criação do Data Mart
Para a criação da Data Mart a partir da interface do Somine foi feito a
importação da planilha, definido as colunas com os tipos de atributos (type of
atributes), e rotulo(atribute names) de cada coluna a ser exportada para o Data
Mart. Em seguida selecionou-se o key attribut (atributo chave) ou atributo de decisão
para o processo de classificação no caso o escolhido foi “equipamento tipo”
Uma vez importado os dados pelo Viscovery o próximo passo foi à definição
dos valores nominais (nominal Values) e os Alias, ou seja, uma padronização e
maior generalização na escrita da base de dados até porque ao longo de 10 anos e
vindo de uma base tão heterogênea escrita por muitas pessoas e sem um padrão
definido se usa muitas palavras para se descrever a mesma coisa então precisamos
tratar a base, por exemplo ” pc, Pc, PC, computador, Computador, COMPUTADOR,
cpu , Cpu, CPU, maquina Maquina, MAQUINA, gabinete, Gabinete, GABINETE ,
“estão se referindo a mesma coisa é ai onde entra o uso de Alias(apelido) coloca-se
todos estes valores dentro de um único nominal Values como por exemplo; CPU
diminuindo assim o ruído(sujeira) e aumentando a consistência dos dados.

42
Sendo que esta foi uma fase muito importante e extremamente demorada e
levou por volta de 50% do tempo do projeto como um todo Finalizado este processo
toda a base foi normalizada e pronta os dados exportados para o Data Mart com a
extensão dms.
3) Criação do Mapa de Kohonen utilizando o Somine
Para a criação do modelo a ser trabalhado primeiro foi escolhido o espaço
amostral no nosso caso 100% da base, definido a priorização dos atributos no caso
especifico peso 1 para todos os atributos.
Finalmente para a definição dos parâmetros do mapa de Kohonen foram
definidos os seguintes Parâmetros: Formato automático do mapa (Automatic map
format), Tamanho do mapa (Map Size): numero de nós 1000 (Number of nodes),
relação75(RATIO), treinamento normal (training Schedule), tensão 0.5 (tension).
A rede SOM gerou um mapa com três clusters bem definidos A1
Computador, A2 Impressora e A3 Rede e periféricos.
Com os dados gerados foi feito todo um novo processo de clusterização da
seguinte forma: Os clusters gerados “A1 Computador”, “A2 Impressora“ e “A3 Rede
e periféricos”. Foram reprocessados.
Para o processamento de cada um destes agrupamentos desta vez foi
escolhido definido as colunas com os tipos de atributos (type of atributes), e rotulo
(atribute names) de cada coluna a ser exportada foram os seguintes: “solução
encontrada”, “Solicitação” e “Diagnostico”. Em seguida selecionou-se o key attribut
(atributo chave) ou atributo de decisão para o processo de classificação no caso o
escolhido foi “solução encontrada”.
Os agrupamentos foram processados um de cada vez e os resultados foram
bastante próximos dos esperados e confirmados em testes práticos e a partir da
expertise do técnico especialista.

43
3.4.2 Segundo experimento: Implementação do Sistema Especialista
O segundo experimento foi todo o processo de implementação do SE a partir
dos dados extraídos com a rede SOM.
Os dados foram interpretados e utilizado na construção do SE e padronização
do atendimento ao usuário, e seguiu as seguintes fases:
Conceituação: nesta fase foi definido como a informação extraída a partir da
rede SOM será usada e como poderá ser representada na base de conhecimento;
Formalização: nesta fase foi transferido o conhecimento adquirido para
representação na base de conhecimento, a modelagem da aquisição do
conhecimento, em um sistema com base de regras para tal foi utilizado a Shell
ExSinta , o conhecimento foi organizado em forma de regras. Neste momento o
hardware e o software a ser utilizados também foram testados.
Testes: nesta fase foram feito os testes no sistema através da simulação de
situações reais do dia a dia do SD. Os resultados foram avaliados e validados pelos
especialistas e todos os componentes revisados.
Implementação: neste estagio foi feito a Implantação do SE em ambiente de
produção propriamente dito, ou seja, em uso dentro do SD.
3.4.2.1 Implementando O Sistema Especialista
O Sistema Especialista no SD de um Hospital Publico para auxiliar o técnico
especialista e o analista de SD na padronização da resolução de problemas foi
gerado com o uso do Shell ExSinta, que utiliza regras de produção para modelar o
conhecimento humano.
A base de conhecimento foi gerada a partir da base de dados do Hospital
Publico. A partir dos dados gerados pela rede Som pode-se notar a correlação entre
os atributos. Além de gerar um mapa SOM de frequência por tipo de atendimento e

44
também a partir do range de frequência foi possível levantar medidas estatísticas
que determinou o quanto cada tipo de variável se repetiu no sistema e seu grau de
importância na hora de determinar os goals para as definições de regras do SE.
O aplicativo gerou ainda um relatório detalhado com todas as variáveis
necessárias para alimentar o SE. Após processo de aquisição e extração de dados
pelo aplicativo Somine utilizando rede SOM. e a expertise do especialista.
O primeiro passo para a criação do SE foi à inserção das variáveis adquiridas
com a rede SOM para a base de conhecimento do ExSinta este processo teve que
ser totalmente manual, Uma vez que todas as variáveis utilizadas e todos os seus
respectivos valores, faram criados podermos passar para a próxima etapa que é
criar regras
O objetivo de uma consulta a um SE é encontrar a resposta para um
determinado problema (goal), os “problemas” são representados por variáveis. e é
necessário definir quais são as variáveis (chamadas variáveis objetivo)que irão
controlar o modo como à máquina de inferência se comporta.(SAVARIS,2002).
O Expert SINTA utiliza regras de produção para modelar o conhecimento
humano, o que o torna ideal para problemas de seleção, no qual uma determinada
solução deve ser atingida a partir de um conjunto de seleções. (SAVARIS 2002).
A base de conhecimento foi implementada em forma de regras, num total de
18 (APÊNDICE D). Essas regras de produção foram produzidas no estilo SE...
Então, com a possibilidade de inclusão de conectivos lógicos, relacionando os
atributos no escopo da base. Como padrão, O ExSinta grava as bases de
conhecimento geradas em arquivos *.BCM

45
3.5 Resumo do Capitulo
Neste capitulo foi abordado: A metodologia aplicada, a revisão bibliográfica dos
temas relacionados, O passo a passo da metodologia experimental, hardware,
softwares, técnicas e experimentos realizados.
Também foram abordados a sequencia e descrição dos experimentos, os
processos da aquisição de dados e conhecimento. Desde a escolha das bases de
dados utilizadas para a extração, pré-processamentos, exportação e normalização
de dados para uma base de dados estruturada e solida até o processo de aquisição
da informação a partir dos dados tratados utilizando técnicas de IA especificamente
RNA do tipo SOM para a visualização e transformação destas informações em
conhecimentos utilizando-se a técnica de IA Sistemas Especialistas na criação da
ferramenta e da base de conhecimento moldada com o auxilio da Shell ExSinta.

46
4 APRESENTAÇÃO DOS RESULTADOS E DISCUSSÃO
Neste capitulo aborda-se os resultados alcançados a partir dos experimentos
com a rede SOM e com o SE e ainda uma analise comparativa entre os resultados
alcançados e os resultados esperados. Esta analise é feita tomando como base a
padronização no atendimento do SERVICE DESK no hospital publico.
4.1 Resultados do primeiro experimento (Aquisição de Conhecimento)
O aplicativo Somine normalizou os dados, toda a base normalizada e
estruturada foi exportada para o Data Mart com a extensão .dms .
A rede SOM gerou o mapa ilustrado na figura 2, que mostra os clusters do
atributo (tipo de equipamento) gerados pela SOM: A1 Computador, A2 Impressora e
A3 Rede e periférico
Figura 2 - Clusters rotulados gerados pela rede SOM (Atributo tipo de equipamento).

47
Na figura 3 é possível avaliar a frequência de cada tipo de chamado a partir
desta visualização dos dados contidos na base de dados e na expertise dos
Especialistas do SD.
Houve a necessidade de um novo processo de clusterização para extração de
dados. Os clusters gerados “A1 Computador”, “A2 Impressora“ e “A3 Rede e
periféricos” foram reprocessados.
Figura 3 - Taxa de frequência gerada pela rede SOM.
Na figura 4 pode-se ver o novo mapa gerado pela rede som para redes e
periféricos.

48
Figura 4 - Clusters rotulados gerados pela rede SOM (Atributo tipo de equipamento - redes e
periféricos).
A partir dos dados gerados pela rede Som pode-se notar a correlação entre
os atributos, sendo que quanto mais próximo de 1 por exemplo 0,999 mais eficiente
o resultado e quanto menor este coeficiente menor a chance de este ser o resultado
aplicável por exemplo 0,335, conforme a figura 5.
B3
B1
B2

49
Figura 5 - Correlação entre os atributos.
Além de gerar um mapa SOM de frequência por tipo de atendimento sendo
estes dados de extrema importância na construção do SE (figura 6).
Figura 6 - Frequência por tipo de atendimento.

50
A partir do range de frequência foi possível levantar medidas estatísticas que
determinaram o quanto cada tipo de variável se repetiram no sistema e seu grau de
importância na hora de determinar os goals para as definições de regras do SE
(figuras 7, 8 e 9).
Figura 7 - Tabela de frequência atributo solução.
Figura 8 - Tabela de frequência atributo solicitação.

51
Figura 9 - Tabela de frequência atributo “Diagnóstico”.
A rede SOM também gerou automaticamente um mapa SOM para os
atributos encontrados; “solução encontrada”, “Solicitação” e “Diagnostico” com 19
clusters agrupando cada procedimento semelhante em um cluster especifico(figura
10) e após analise gerou um relatório escrito, conforme a figura 11.
Figura 10 - Mapa da rede SOM clusterizado por atributos.

52
Figura 11 - Amostra de atributos gerados.
O aplicativo gerou ainda um relatório detalhado com todas as variáveis,
nominals values, alias e processos utilizados durante todo o processo documentado
de forma ágil toda a pesquisa em formato HTML (apresentada de modo resumido no
APÊNDICE C).
4.2 Resultados do segundo experimento Implementação do Sistema
Especialista.
Neste tópico apresenta-se a interface do Sistema Especialista desenvolvido,
seus módulos e o seu funcionamento.
Ao iniciar o SE é apresentada uma tela inicial de boas vindas com o nome do
SE, a que se destina e nome dos Autores (figura 12).
Figura 12 - Tela de boas vindas do SE.

53
A escolha do nome “EXPER SOM SEAPA” deu-se devido à origem e uso do SE
Exper devido a Shell utilizada ExSinta, SOM que foi a técnica de RNA utilizada na
extração de informações e SEAPA que é a acrônimo do domínio de conhecimento
do SE Sistema Especialista de Apoio e Padronização de Atendimento
Para a execução do Sistema Especialista, o técnico especialista ou analista
deve escolher qual o tipo de solicitação (consulta) que ele deseja realizar ao SE, é
possível consultar uma ou mais solicitações simultaneamente, conforme pode ser
observado nas figuras 13 e 14.
Figura 13 - SD apoio de rede.

54
Figura 14 - SD Computadores e Serviços de TI.
Em seguida, após a escolha do tipo de solicitações, respondem-se as
perguntas existentes até que as premissas do SE tenha sido alcançadas então o
sistema expõe a resposta à solicitação (Figura 15).
Figura 15 - Consulta realizada no SE referente à consulta falha de rede.
Pode-se também observar como o sistema exibe o resultado para uma
consulta realizada na base de conhecimento.
A figura 16 mostra todas as regras do sistema especialista. Essa guia, ”O
Sistema”, é de grande importância, pois assim analista e o especialista podem

55
analisar como o sistema chegou ao diagnóstico apresentado, observando quais
regras foram satisfeitas e quais foram rejeitadas.
Figura 16 - Sistema de uma consulta realizada no SE.
4.3 Discussão dos resultados
O SE foi testado no SD alcançando êxito e foi validado pelos especialistas e
analistas. Foi implementado e encontra-se já em ambiente de produção, ou seja,
sendo utilizado na padronização no atendimento do SD no Hospital Publico.
A partir dos estudos e levantamentos feitos, em cima da base de dados já
normalizada utilizando rede SOM além de se criar um Sistema especialista de Apoio

56
ao técnico e ao analista do SD conseguiu-se levantar e determinar os seguintes
pontos do setor do SD:
-montar um plano estratégico que envolveu desde a renovação de parte do
parque de máquinas (microcomputadores, monitores, switches gerenciáveis,
impressoras locais por impressora de grande porte), sendo que no caso das
impressoras todas as impressoras locais foram substituídas por impressoras de
rede.
-padronizar o atendimento ao usuário do SD do hospital publico na região
periférica da Cidade de São Paulo, de modo a apoiar, padronizar e otimizar toda a
infraestrutura de serviço e atendimento.
-SD do tipo Solver (solucionador) que recebe, registra, classifica e priorizar os
chamados, tenta a solução imediata para encerrar o incidente.
- retenção do Conhecimento: parte do conhecimento dos analistas e
especialistas fica retido na base de conhecimento do SE.
-ausências com baixo impacto: Analistas com menos experiência, poderão
prestar atendimento ao cliente, ou seja, caso haja necessidade de algum analista se
ausentar poderá ser prontamente substituído com o mínimo de impacto ao SD e a
Instituição hospitalar.
-minimização dos problemas de comunicação: Os analistas podem agora
consultar a base de conhecimento do SE para tirar dúvidas dos usuários.
4.4 Resumo do Capitulo
Neste capitulo foi abordado: O resultado alcançado com os experimentos
aplicados na aquisição de conhecimento e implementação do SE em ambiente de
produção. Também se apresentou a interface do SE e batizou-se o mesmo com o
nome em caráter não definitivo de “Exper SOM SEAPA”. As discussões a respeito
dos resultados alcançados com os experimentos aplicados; foram discutidas e
avaliadas.

57
5 CONCLUSÃO
Neste trabalho foi possível estudar vários conceitos de TI, SD, IA com
enfoque no uso de técnicas de Rede SOM e Sistemas especialistas no Service Desk
de um hospital publico na região periférica da Cidade de São Paulo, de modo a
apoiar e otimizar toda a infraestrutura de serviço e atendimento.
O Service Desk é fundamental, pois centraliza as informações e suporte e o
Sistema Especialista desenvolvido em ExSinta tem se mostrado uma excelente
ferramenta de apoio, na aquisição, padronização e na utilização do conhecimento
adquirido.
Este trabalho permitiu também um melhor entendimento de uma importante
área na computação que é a Inteligência Artificial, mais especificamente RNAs, SOM
e Sistemas Especialistas, englobando seus conceitos e suas aplicabilidades. Além
de um estudo mais específico nas formas de aquisição e representação de
conhecimento, sobretudo Mapas de Kohonen e regras de produção.
Observou-se também que a ferramenta Expert SINTA Shell utilizada para
elaboração das regras se apresentou como sendo de enorme importância, pois
facilitou o desenvolvimento do SE, reduzindo assim tempo de implementação do
mesmo.
As regras de produção apresentaram-se como sendo de fácil de manipulação
e entendimento, pois seu objetivo de fazer deduções com base em regras
previamente armazenadas tornou a construção do sistema especialista mais
simples.
A diminuição de incidentes foi grande. Assim como foi possível melhorar
padronizar e reduzir o tempo no atendimento após a implantação do SE.
Houve grande ganho nos seguintes itens: maior qualidade do serviço,
otimização do tempo da equipe de suporte, melhor comunicação entre os analistas e
os usuários, maior produtividade da prestação de serviços;

58
O uso do SE no apoio ao atendimento alcançou o objetivo ao padronizar o
cadastro de casos, a forma de atendimento e o tempo de resolução de problemas
foram reduzidos. O uso do SE aumentou a eficácia do analista e do especialista na
tomada de decisão.
A continuidade do uso do SE dentro do hospital público se dá nas equipes de
analistas do 1º e 2º Nível que já estão em sintonia com os procedimentos, e a nova
forma de atendimento e rotina do setor.
A continuidade da pesquisa se dará no uso da técnica denominada Raciocínio
Baseado em casos para que o processo de aquisição e utilização de dados e
transformação deste em conhecimento torne-se ainda mais automatizada,
independente do especialista, e com regras mais flexíveis e adaptáveis a novos
problemas.

59
REFERÊNCIAS BIBLIOGRÁFICAS
ABBAS, K. Gestão de custos em organizações hospitalares. Dissertação de Mestrado em
Engenharia de Produção. Universidade Federal de Santa Catarina, Florianópolis, 2001.
ALBERTIN, A. L; MOURA, R. M. de. Tecnologia de informação. São Paulo, Atlas, 2004.
BON, J. V. Foundations of IT Service Management, based on ITIL. Lunteren - Holanda: Van
Haren Publishing, 2005.
Carneiro, L. R.; Tecnologia da Informação e a Medicina, 2009. Disponível em
<http://timedicina.blogspot.com.br/2009/06/tecnologia-da-informacao-e-medicina.html> acessado em
28 10 2011 as 17:44hs
DELL’AGNOLO, J; e ORNELAS, F. C. Analise e Modelagem de Um sistema de Service.
Brasil, Agathos, 2008.
DIAS, R. M; Inteligência Artificial: Sistemas Especialistas no gerenciamento da Informação.
Disponível em <http://dx.doi.org/10.1590/S0100-19651997000100006Ci.> Inf. vol. 26 no.
1 Brasília Jan./Apr. 1997.
DURKIN, J. Expert systems: design and development. EUA, Prentice Hall, 1994.
FARIAS, E. B. P; MORAES, P. M; MIRANDA, M. D; SASSI, R. J. Implementação de um
Sistema Especialista no Service Desk de um Hospital Publico. Simpósio Internacional de Iniciação
Científica da USP 20º SICUSP 2012.
FARIAS, E. B. P; MORAES, P, M; SASSI, R. J. Uso de uma Rede SOM na extração de
dados para implantação de um Sistema Especialista, 14º Simpósio de Iniciação Científica e
Tecnológica, Boletim Técnico - Resumos do 14° Simpósio de Iniciação Científica e Tecnológica pg.
147, ISSN 1518-9082 FATEC-SP 2012.
FEIGENBAUM, E. A; BARR, A. The Handbook of Intelligence, Vol. I. EUA, 1981.
FERNANDES, A. M. da R. Inteligência Artificial - Noções Gerais. Brasil, VISUAL BOOKS,
2003.
FERNANDES A. M. da R; SCHEURL; MOREIRA D. S. Aplicação de Raciocínio Baseado em
Casos em Service Desk, artigo VII SEGeT ,Simpósio de Excelência em Gestão e Tecnologia . Santa
Catarina, Brasil, UNIVALI, 2010.
FERREIRA R, P; SASSI, R. J; COSTA, F. M; FERREIRA, A; SOUZA, A. S. Aplicando o
algoritmo de otimização por Colônia de formigas e os Mapas Auto-Organizáveis de Kohonen na
Roteirização e programação de veículos. Uninove, São Paulo Brasil 2012.

60
GIL, A. C. Como Elaborar Projetos de Pesquisa. Atlas, Brasil 1987.
GOLDSCHMIDT, R. R. Uma Introdução à Inteligência Computacional: fundamentos,
ferramentas e aplicações. Rio de Janeiro Brasil : IST-Rio, 2010.
HARETON R, A. Protótipo de Sistema Especialista Para Service Desk utilizando conceitos de
ITIL. São Paulo, Brasil, UNIVERSIDADE SAGRADO CORAÇÃO, 2011.
HAYKIN, S. Neural Networks: A Comprehensive Foundation. New York: Willey & Sons, 1994.
Johanston H. Sistemas de Informação Hospitalar: presente e futuro. 1993. Revista
Informédica 1993;1(2):5-9. Disponível em: <http://www.informaticamedica.org.br/informed/halley.htm.>
Acesso em: 22 abr 2010.
KAUFMANN, M. Data Mining Practical Machine Learning Tools and Techniques 2ded.
Elsevier, São Francisco, USA, 2005.
KASABOV, N, K. Foundations of neural networks, fuzzy systems, and knowledge engineering
A Bradford Book. London, England The MIT Press, 1996.
KOHONEN, T. Self-Organizing Maps. New York. Springer. 3ª Edition, ISBN: 3-540-67921-9,
2001.
KONAR, A. Artificial intelligence and soft computing: behavioral and cognitive modeling of the
human brain. Florida, EUA, CRC Press, 1999.
KRISHNAMOORTHY C, S; S. RAJEEV. Artificial Intelligence and Expert Systems for
Engineers. EUA, CRC Press LLC,1996.
LAROSE, T. D; Discovering Knowledge Dataminig: An Introduction to Data Mining. Wiley
Interscience. New Jersey, USA 2005.
LAUDON, K. C.; LAUDON, J. P. Sistemas de Informação. 4. ed. Rio de Janeiro: Livros
Técnicos e Científicos, 1999.
LAUDON, K. C.; LAUDON, J. P. Sistemas de informação gerenciais. 7. ed. São Paulo:
Pearson, 2007.
LIA. ExSinta versão 1.1 Uma ferramenta visual para criação de Sistemas Especialistas
manual do usuário. Laboratório de Inteligência Artificial. Disponível em< http://www.lia.ufc.br>
consultado em 03 04 2012 12:30hs.
LUGER, F. G; STUBBLEFIELD, A. W. Artificial Intelligence/ Structures and Strategies for
ComplexProblemSolving, 3ª Edition, EUA 1997.
MADAN M; Gupta; Liang, J; Homma, N. Static and Dynamic Neural Networks From
Fundamentals to Advanced Theory. IEE Press Wiley Interscience. New Jersey, USA, 2003.

61
MENGRHOEL, O, J. knowledge validation principles and practice 0885/9000/93/0600-0062
S3.00 0 IEEE 1993 IEEE EXPERT.
PARTRIDGE, D.; ARTIFICIAL INTELLIGENCE and SOFTWARE ENGINEERING
Understanding the Promise of the Future. New York, Intellect Ltda, 1998
REZENDE, D. A. Sistemas de informações organizacionais. 2. Ed. São Paulo, Atlas, 2007.
REZENDE, D. A; ABREU, A.F. de. Tecnologia da informação aplicada a sistemas de
informações empresariais. 3. ed. rev. São Paulo, Atlas, 2003.
RICH, Elaine e KNIGHT, Kevin. Inteligência Artificial. 2.ªedição. Editora Makron Books, 1994.
RUSSEL, S; NORVIG, P. Artificial Intelligence: A Modern Approach. EUA, Prentice-Hall,
1995.
SASSI, R. J. Uma Arquitetura Híbrida para Descoberta de Conhecimento em Bases de
Dados: Teoria dos Rough Sets e Redes Neurais Artificiais Mapas Auto-Organizáveis. 2006. Tese
(Doutorado) - Escola Politécnica da Universidade de São Paulo, Departamento de Engenharia
Elétrica, São Paulo. 169 p. São Paulo, 2006.
SASSI, R. J. Teoria dos rough sets com mapas auto-organizáveis de Kohonen na descoberta
de conhecimento em bases de dados. Revista Eletrônica Produção & Engenharia, v. 2, n. 2, p. 208-
209, Jul./Dez. 2009.
Savaris, S. V. Ap. M. SISTEMA ESPECIALISTA PARA PRIMEIROS SOCORROS PARA
CÃES. Dissertação de Mestrado em Ciência da Computação Universidade Federal de Santa Catarina
Florianópolis, Julho de 2002
Sigulem D. Introdução à Informática em Saúde.(Tese de Livre-Docência): Um Novo
Paradigma de Aprendizado na Prática Médica da UNIFESP/EPM. São Paulo Brasil 1997. Disponível
em: <http://www.virtual.epm.br/material/tis/curr-med/infosaude/index.htm.> Acesso em: 22 abr 2010.
SILVA, E, L, da; MENEZES E, M. Metodologia da pesquisa e elaboração de dissertação,3.
ed. rev. atual. Florianópolis, Brasil, Laboratório de Ensino a Distância da UFSC, 2001.
SILER, W; BUCKLEY, J. J. Fuzzy expert systems and fuzzy reasoning. EUA, JOHN WILEY &
SONS, INC. 2005.
Simon-Haykin.; Neural Networks-A Comprehensive Foundation- Pearson Education, Delhi .
India. 2005
SOUZA, P. C.; BERNDT, MEDEIROS, A.; de SOUZA L.S R.S.; TEIXEIRA, D. Sistema de
Informação aplicado à gestão hospitalar: um panorama situacional da região médio-norte mato-
grossense. RAS _ Vol. 14, No 54 – Jan-Mar, 2012
SPIRANDELLI N, A. Service Desk e a metodologia ITIL: Um estudo de caso. Trabalho de
Final de curso; Sistemas de Informação, UNIMINAS, 2007.

62
VESANTO, J.; ALHONIEMI, E. Clustering of the Self-Organizing Map. IEEE Transaction son
Neural Networks, vol. 11, nº 2, p. 586-600, 2000.
VICENTIN J, M. Protótipo de um Sistema Especialista Para Elaboração de roteiros turísticos
personalizados. Santa Catarina, Brasil UNIVERSIDADE REGIONAL DE BLUMENAU, JULHO/2000.
Viscovery Somine. Versão 5.0.1disponivel em <http://www.somine.info/> (visitado em 10-05-
2012).
WEISS, S, M.; KUKIKOWSKI, C, A. Guia pratico para projetar sistemas especialistas. Rio de
Janeiro, Brasil,LTC – Livros Técnicos e Científicos S.A. , 1988.
WILLIAM J. R, Jr. The International Dictionary of Artificial Intelligence. New York, EUA,
Glenlake Publishing Company, 1999.
XEXÉO G. MODELAGEM DE SISTEMAS DE INFORMAÇÃO: Da Análise de Requisitos ao
Modelo de Interface - Copyright © 2006 Geraldo Xexéo. Este documento está licenciado sob a
Creative Commons Atribuição-Uso Não-Comercial-Não a obras derivadas 2.0 Brasil.

64
FOLHA DE APROVAÇÃO DO TCC
ARTIFICIAL
Trabalho de Conclusão de Curso, apresentado a Universidade Nove de Julho como
requisito parcial para obtenção do grau de Bacharel Sistemas de Informação, sob a
orientação do Prof. Dr. Renato José Sassi.
Data: ____/____/____ ____________________________________________
Assinatura do professor orientador
OBSERVAÇÕES: _____________________________________________________
___________________________________________________________________
___________________________________________________________________
___________________________________________________________________
___________________________________________________________________

65
Setor
Origem
DATA
_OS
Troca
_
insum
o
Motivo
Solic
Retirou
No
Local
Diagnóstico
TIC-HGSM 26/03/2004 FALSO PRESENÇA VÍRUS. FALSO FALSO VÍRUS INVASOR NO EXPLORER E.XE
TIC-HGSM 08/04/2004 FALSO Atualização de SO Windows 2000 VERDADEIRO FALSO
TIC-HGSM 22/06/2004 FALSO Não segura energia,desligando equipamentos conectados a ele. FALSO FALSO Bateria gasta
TIC-HGSM 29/06/2004 FALSO DESCONECTAR MÁQUINA DA REDE,IP BLOQUEADO PELO INTRAGOV. FALSO FALSO VÁRIOS SITES DE COMPRAS,E MÚLTIPLOS ACESSOS PASSIVEIS DE GERAR TRÁFEGO EM
TIC-HGSM 27/07/2004 FALSO MICRO DESLIGADO COM MENSAGEM FALSO FALSO PROVÁVELPRESENÇA DO SASSER,COM 15ATUALIZAÇÕES A FAZER.
TIC-HGSM 27/07/2004 FALSO MUDANCA DE HD PARA SERVIDOR INTRAGOV. FALSO FALSO TROCA DA HD ORIGINALP/ UMA DE 80GB P/ SERVIDOR INTRAGOV.A SEIDA SES CONFIGUR
TIC-HGSM 10/08/2004 FALSO IMPRESSORA FALSO FALSO CABO SOLTO NA CPU
TIC-HGSM 13/08/2004 FALSO INSTALAÇÃO DE PONTO REDE LÓGICA.INSTALAÇÃO DE NO BREAK. FALSO FALSO
TIC-HGSM 23/08/2004 FALSO REGULARIZAÇÃO AO SERVIDOR SERV +AJUSTE FALSO FALSO SASSER VIRUS,APLICATIVOS GERANDO ERRO DE LOG,SERVIDOR SERV.
TIC-HGSM 26/08/2004 FALSO COMPUTADOR NÃO LIGA FALSO VERDADEIRO FONTE QUEIMADA
TIC-HGSM 04/10/2004 FALSO IMPRESSORA FALSO FALSO ATOLAMENTO PAPEL.
TIC-HGSM 18/02/2005 FALSO INSTALAR COMPUTADOR DOADO P/HEMOCENTRO VERDADEIRO FALSO IDENTIFICAR O COMPUTADOR,INICIAR IP,INCLUIR USUÁRIO,INSTALAR
TIC-HGSM 17/07/2005 FALSO INSTALAÇÃO DE COMP.NOVO E RETIRADA DO EXISTENTE DO SETOR FALSO FALSO INSTALAR COMP.NOVO
TIC-HGSM 19/08/2005 FALSO INSTALAÇÃO DE COMP.NOVO E RETIRADA DO EXISTENTE DO SETOR. VERDADEIRO FALSO INSTALAR COMP.NOVO
TIC-HGSM 05/09/2005 FALSO INSTALAR DATASHOW ÀS 10:00H PREGÃO NO ANFITEATRO VERDADEIRO FALSO
TIC-HGSM 05/12/2005 FALSO TROCA DE MONITOR DE VÍDEO FALSO FALSO
TIC-HGSM 05/12/2005 FALSO ALOCAÇÃO DE MONITOR DE VÍDEO FALSO FALSO troca de monitorde vídeo
TIC-HGSM 05/12/2005 FALSO ALOCAÇÃO DE MONITOR DE VÍDEO FALSO FALSO TROCA DE MONITOR DE VÍDEO
TIC-HGSM 16/05/2009 FALSO Impressora não funciona. VERDADEIRO FALSO aconteceuum erro de impressão vindo do computadorlabor1.
APENDICES
APÊNDICE A–TABELAS GERADAS PELO EXCEL.
Tabela 1 (Amostra da planilha gerada) primeira parte
Tabela 2(Amostra da planilha gerada) segunda parte
Setor
Origem
DATA
_OS
Troca
_
insum
o
Motivo
Solic
Retirou
No
Local
Diagnóstico
TIC-HGSM 26/03/2004 FALSO PRESENÇA VÍRUS. FALSO FALSO VÍRUS INVASOR NOEXPLORER E.XE
TIC-HGSM 08/04/2004 FALSO Atualização de SOWindows 2000 VERDADEIRO FALSO
TIC-HGSM 22/06/2004 FALSO Não segura energia,desligando equipamentos conectados a ele. FALSO FALSO Bateria gasta
TIC-HGSM 29/06/2004 FALSO DESCONECTAR MÁQUINA DA REDE,IP BLOQUEADOPELOINTRAGOV. FALSO FALSO VÁRIOS SITES DE COMPRAS,E MÚLTIPLOS ACESSOS PASSIVEIS DE GERAR TRÁFEGOEM R
TIC-HGSM 27/07/2004 FALSO MICRODESLIGADOCOM MENSAGEM FALSO FALSO PROVÁVELPRESENÇA DOSASSER,COM 15ATUALIZAÇÕES A FAZER.
TIC-HGSM 27/07/2004 FALSO MUDANCA DE HD PARA SERVIDOR INTRAGOV. FALSO FALSO TROCA DA HD ORIGINALP/ UMA DE 80GB P/ SERVIDOR INTRAGOV.A SEIDA SES CONFIGUR
TIC-HGSM 10/08/2004 FALSO IMPRESSORA FALSO FALSO CABOSOLTONA CPU
TIC-HGSM 13/08/2004 FALSO INSTALAÇÃODE PONTOREDE LÓGICA.INSTALAÇÃODE NOBREAK. FALSO FALSO
TIC-HGSM 23/08/2004 FALSO REGULARIZAÇÃOAOSERVIDOR SERV +AJUSTE FALSO FALSO SASSER VIRUS,APLICATIVOS GERANDOERRODE LOG,SERVIDOR SERV.
TIC-HGSM 26/08/2004 FALSO COMPUTADOR NÃOLIGA FALSO VERDADEIRO FONTE QUEIMADA
TIC-HGSM 04/10/2004 FALSO IMPRESSORA FALSO FALSO ATOLAMENTOPAPEL.
TIC-HGSM 18/02/2005 FALSO INSTALAR COMPUTADOR DOADOP/HEMOCENTRO VERDADEIRO FALSO IDENTIFICAR OCOMPUTADOR,INICIAR IP,INCLUIR USUÁRIO,INSTALAR
TIC-HGSM 17/07/2005 FALSO INSTALAÇÃODE COMP.NOVOE RETIRADA DOEXISTENTE DOSETOR FALSO FALSO INSTALAR COMP.NOVO
TIC-HGSM 19/08/2005 FALSO INSTALAÇÃODE COMP.NOVOE RETIRADA DOEXISTENTE DOSETOR. VERDADEIRO FALSO INSTALAR COMP.NOVO
TIC-HGSM 05/09/2005 FALSO INSTALAR DATASHOW ÀS 10:00H PREGÃONOANFITEATRO VERDADEIRO FALSO
TIC-HGSM 05/12/2005 FALSO TROCA DE MONITOR DE VÍDEO FALSO FALSO
TIC-HGSM 05/12/2005 FALSO ALOCAÇÃODE MONITOR DE VÍDEO FALSO FALSO troca de monitorde vídeo
TIC-HGSM 05/12/2005 FALSO ALOCAÇÃODE MONITOR DE VÍDEO FALSO FALSO TROCA DE MONITOR DE VÍDEO
TIC-HGSM 16/05/2009 FALSO Impressora não funciona. VERDADEIRO FALSO aconteceuum erro de impressão vindo do computadorlabor1.

66
Serv_
exec
Troca
Peça
Checkout Técnico
Data
Entrega
cont
Valor
serviço
BACKUP DE DOUMENTOE ARQUIVOPARA FORMATAÇÃODA CPU.INSTALAÇÃODOSISTEMA OPERACIONAL.WIN 2000.INSTALAÇÃODONORTON ANTÍ-VÍRUS+ATUALIZAÇÃOUP DATEATUAFALSO Em funcionamento Total JOÃO 26/03/2004 1 0
ATUALIZAÇÃOWINDOWS 2000 FALSO Em funcionamento Total JOÃO 08/04/2004 1 0
FALSO 22/06/2004 1 0
DESCONNECTADOOCABODE REDE.LOGON P/ ADMINISTRADOR SEM SENHA.ORIENTADOP/ NÃOULTILIZAR INTERNET DISCADA,RETIRADA TEMPORÁRIAMENTE DA CONFIGURAÇÃODEFALSO Em funcionamento Total CRISTINA 29/06/2004 1 0
ATUALIZADO. FALSO Em funcionamento Total CARLOS 27/07/2004 1 0
TROCA DE HD DE 40POR 1HD DE 80GB.SEM SISTEMA OPERCIONAL.ACRESCIMODE 1PLACA DE REDE.PCI.VERDADEIRO 27/07/2004 1 0
ENCAIXADONOLUGAR VERDADEIRO Em funcionamento Total João 10/08/2004 1 0
INSTALAÇÃODE PONTODE REDE LÓGICA/CONFIGURAÇÃODE IPINSTALAÇÃODE PANDA ANTÍVIRUS/ATUALIZAÇÃOS OINSTALAÇÃODE NOBREAK.FALSO Em funcionamento Total DENIS,CARLOS 13/08/2004 1 0
INSTALAÇÃO+ATUALIZAÇÃOS O+INST APLICATIVOSATUZALIÇÃOSERVIDOR SERV,INTERNET INTRAGOV.FALSO Em funcionamento Total CARLOS 23/08/2004 1 0
TROCA DE FONTE.VIRADOPARA SERV,INSTALADOPANDA ANTIVÍRUS VERDADEIRO Em funcionamento Total DENIS 26/08/2004 1 0
DEIXADOSAIDA PAPELBANDEJA INFERIOR. FALSO Em funcionamento Total JOÃO 04/10/2004 1 0
ID:BCOSANGUE,CRIADOIP:192.16.1.34,INCLUSOUSUÁRIO.INSTALADOPANDA AV,OFFICE 2000,AD-WARE,WIN ZIP,INSTALAOIMPRESSORA LEXMARKOPTRA 310COMOLOCAL.COMPUTADFALSO Em funcionamento Total CRISTINA/CARLOS 18/02/2005 1 0
IINSTALADOCOMP.NOVOCOM TECLADOE MOUSE. VERDADEIRO Em funcionamento Total DENIS 17/07/2005 1 0
INSTALADOCOMP.NOVO+HD 60GB BACKUP/512MEMÓRIA FALSO Em funcionamento Total 19/08/2005 1 0
INSTALADO FALSO Em funcionamento Total CARLOS 05/09/2005 1 0
TROCADOMONITOR TECHMEDIA POR MONITOR MARCA LG. VERDADEIRO Em funcionamento Total DENIS 05/12/2005 1 0
SUBSTITUIÇÃODOMONITOR DE VÍDEOEXISTENTE FALSO Em funcionamento Total fernando 05/12/2005 1 0
SUBSTITUIÇÃODOMONITOR DE VÍDEOEXISTENTE FALSO Em funcionamento Total fernando 05/12/2005 1 0
cancelamento da impressão com erro. FALSO 1-Em Funcionamento flávio 16/05/2009 1 0
Descr_Equipa MotivoSolic Diagnóstico Serv_exec
NOBREAK
Nãoseguraenergia,desligandoequipamentos
conectadosaele. Bateriagasta suBSTITUIÇÃODeequipamento
COMPUTADORPENTIUM41.8GHZ MICRODESLIGADOCOMMENSAGEM
PROVÁVELPRESENÇADOSASSER,
COM15ATUALIZAÇÕESAFAZER. ATUALIZADO.
COMPUTADORPENTIUM41.7GHZ MUDANCADEHDPARASERVIDORINTRAGOV.
TROCADAHDORIGINALP/UMADE80GB
P/SERVIDORINTRAGOV.ASEIDASESCONFIGURAP/
LINUXEINTERNETC/FIRCWAL.
TROCADEHDDE40POR1HDDE80GB.SEMSISTEMAOPERCIONAL
.ACRESCIMODE1PLACADEREDE.PCI.
COMPUTADORPENTIUM41.8GHZ REGULARIZAÇÃOAOSERVIDORSERV+AJUSTE
SASSERVIRUS,
APLICATIVOSGERANDOERRODELOG,
SERVIDORSERV.
INSTALAÇÃO+ATUALIZAÇÃOSO+INSTAPLICATIVOS
ATUZALIÇÃOSERVIDORSERV,
INTERNETINTRAGOV.
IMPRESSORALASERJET IMPRESSORA ATOLAMENTOPAPEL. DEIXADOSAIDAPAPELBANDEJAINFERIOR.
COMPUTADORPENTIUM42.2GHZ
INSTALAÇÃODECOMP.NOVO
ERETIRADADOEXISTENTEDOSETOR INSTALARCOMP.NOVO IINSTALADOCOMP.NOVOCOMTECLADOEMOUSE.
MONITORDEVÍDEOTELAPLANA17' ALOCAÇÃODEMONITORDEVÍDEO TROCADEMONITORDEVÍDEO SUBSTITUIÇÃODOMONITORDEVÍDEOEXISTENTE
IMPRESSORAlaserjetmonocromatica Impressoranãofunciona.
aconteceuumerrodeimpressão
vindodocomputadorlabor1. cancelamentodaimpressãocomerro.
Tabela 3(Amostra da planilha gerada) terceira parte:
Tabela 4 (Amostra da planilha) gerada após pré-processamento

67
C1:B1 C2:B2 C3:B3
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
solicitação:Redelogicapontosemsinalsolicitação:Nãocarregaenemmantemcargasolicitação:Sinalsonoroeluzespiscandosolicitação:Instalaçãodeequipamentoderedeswitchsolicitação:AlocaçãodeNoBreaksolicitação:'Nãoliga solicitação:Pluguedatomadadocaboderedeestaquebradosolicitação:REDELOGICANovopontode
solicitação:Catracaparoudefuncionarsolicitação:AlocaçãoLeitordecodigodeBarrassolicitação:CurtocircuitonoNoBreakDiagnostico:caborompido Diagnostico:NãoestacarregandoDiagnostico:NecessárioPontoderedeDiagnostico:Nãoliga Diagnostico:Perdadeconexãocomared
Diagnostico:NecessarioparapoteçãodedadoseequipamentosDiagnostico:EquipamentoqueimadoDiagnostico:NecessidadefuncionalDiagnostico:InterruptorcomproblemasDiagnostico:quedadedisjuntorDiagnostico:Equipamentoqueimado(hubde8portas)Diagnostico:CaboderededesconectadoDiagnostico:CABODESCONECTADO
Diagnostico:NãorecebeforçadaredeeletricaDiagnostico:QuandovoltaaforçacontinuausandoabateriaSolução:3º nivelmanutençãoexternaSolução:InstaladopontoderedeSolução:Alocado equipamentoSolução:comunicadomanutençãoSolução:SubstituiçãodeequipamentoSWITCHSolução:AlocaçãodeequipamentoSWIT
Solução:Trocadointerruptor Solução:TrocadeambosRJ Solução:Trocadofusivalde3ASolução:verificareconectarcabosdealimentação
APÊNDICE B–DADOS GERADOS PELO SOMINE: durante criação e
processamento do Data Mart e da Rede SOM.
Gráfico gerado pelo aplicativo Somine

68
Amostra de dados extraídos e estatísticas.

Padronização no atendimento do SD de hospital público com IA

Padronização no atendimento do SD de hospital público com IA

Recomendados

Recomendados

Mais conteúdo relacionado

Destaque

Destaque (9)

Semelhante a Padronização no atendimento do SD de hospital público com IA

Semelhante a Padronização no atendimento do SD de hospital público com IA (20)

Mais de Edquel B. Prado Farias

Mais de Edquel B. Prado Farias (16)

Último

Último (20)

Padronização no atendimento do SD de hospital público com IA