Titulo Estágio
Desenvolvimento de um Sistema Inteligente para Otimização do Agendamento de Aulas de Grupo em Ginásios
Local do Estágio
Instituto Pedro Nunes, Coimbra (Laboratório de Informática e Sistemas)
Enquadramento
O Instituto Pedro Nunes (IPN) participa no projeto Koachy, uma plataforma inovadora que visa revolucionar a gestão de ginásios e o acompanhamento de atletas através da Inteligência Artificial (IA). Uma das necessidades identificadas no setor do fitness é a otimização do agendamento de aulas de grupo, de forma a maximizar a satisfação dos atletas, a taxa de retenção e a eficiência na utilização dos recursos do ginásio.
A literatura sugere que a previsão de presença e a otimização de horários podem trazer benefícios significativos para a gestão de serviços (1)(2). As soluções atuais de gestão de ginásios carecem frequentemente de funcionalidades avançadas de IA para esta otimização, focando-se mais em aspetos de CRM (Customer Relationship Management) do que na otimização inteligente de recursos.
Este estágio focar-se-á no desenvolvimento de um sistema inteligente para a otimização do agendamento de aulas de grupo. O objetivo é criar um sistema que, recorrendo a técnicas de IA, analise dados como a afluência histórica às aulas, fatores externos (e.g., época do ano, meteorologia, festividades), interesses dos atletas, e a disponibilidade de instalações e recursos humanos, para propor um horário semanal otimizado.
Dentre o conjunto de dados reais disponíveis para serem utilizados no âmbito dessa proposta, o projeto dispõe, mas não se limita à:
- Histórico de aulas em grupo com seus respetivos participantes (cerca de 6000 aulas)
- Avaliações físicas realizadas desde 2020 em mais de 5000 atletas
- Conjunto de planos de treino de mais de 1000 atletas distintos
- Histórico de acessos de atletas nos ginásios desde 2020
___
(1)Awad, J. (2022). Event attendance prediction and recommendation system: a comparative study of machine learning algorithms.
(2)Jeremy, Nguyen., Adam, Karg., Abbas, Valadkhani., Heath, McDonald. (2021). Predicting individual event attendance with machine learning: a ‘step-forward’ approach. Applied Economics, doi: 10.1080/00036846.2021.2003747
Objetivo
O objetivo principal deste estágio é investigar, desenhar, implementar e validar um sistema de otimização do agendamento de aulas de grupo para a plataforma Koachy. As metas específicas incluem:
• Desenvolver modelos de previsão de afluência para diferentes tipos de aulas, utilizando técnicas de Machine Learning (ML) como árvores de decisão, K-Nearest Neighbors (KNN), XGBoost, Support Vector Machines (SVM) ou Redes Neuronais.
• Explorar e implementar algoritmos de clustering para identificar perfis de atletas e as suas preferências de aulas.
• Criar um módulo de sugestão de planeamento que, com base na previsão de afluência e nos perfis dos atletas, recomende otimizações ao mapa de aulas. Estas sugestões podem incluir a fusão de aulas com baixa adesão, o cancelamento de aulas com previsão consistente de baixa participação, a sugestão de horários alternativos para aulas específicas, ou a realocação de aulas para salas mais adequadas.
• Investigar a aplicação de sistemas baseados em regras e/ou técnicas de otimização multiobjectivo para gerar as sugestões de planeamento.
• Integrar o sistema desenvolvido como um módulo da plataforma Koachy, garantindo a sua eficiência e escalabilidade.
Plano de Trabalhos - Semestre 1
Durante o 1º semestre, o projeto será composto pelas seguintes fases de desenvolvimento:
• F1 – Análise do estado da arte (25%): Revisão da literatura científica sobre sistemas de otimização de horários e timetabling (Burke & Petrovic, 2002), técnicas de previsão de procura em serviços, com foco em ginásios (Awad, 2022), e aplicações de IA na gestão de recursos. Estudo aprofundado dos algoritmos de ML (e.g., árvores de decisão, KNN, XGBoost (Chen & Guestrin, 2016), SVM, MLP) e de otimização relevantes para o problema.
• F2 – Levantamento e especificação de requisitos (25%): Definição detalhada dos requisitos funcionais e não funcionais do sistema de otimização de agendamento. Identificação das fontes de dados pertinentes (e.g., histórico de marcações, dados dos atletas, características das aulas e salas) e dos critérios de avaliação da eficácia do sistema.
• F3 – Protótipos iniciais (20%): Desenho da arquitetura do sistema de otimização de agendamento, detalhando os seus componentes (módulo de previsão de afluência, módulo de sugestão de planeamento) e as suas interações. Desenvolvimento de protótipos iniciais para os modelos de previsão e para o motor de sugestões, utilizando um subconjunto de dados.
• F4 – Escrita do relatório intermédio (30%): Documentação do trabalho realizado para o relatório intermédio de estágio, resultados obtidos e planeamento para o semestre seguinte.
Plano de Trabalhos - Semestre 2
Durante o 2º semestre, o projeto será composto pelas seguintes fases de desenvolvimento:
• F5 – Implementação e Desenvolvimento (60%): Desenvolvimento completo dos modelos de previsão de afluência, utilizando as técnicas de ML selecionadas. Implementação integral do sistema de sugestão de planeamento, incorporando as lógicas de otimização definidas. Desenvolvimento das interfaces necessárias para a integração com a plataforma Koachy.
• F6 – Testes e Validação (25%): Realização de testes unitários, de integração e de sistema para assegurar a robustez e correção do módulo de otimização de agendamento. Validação da eficácia do sistema utilizando dados históricos de ginásios, comparando os horários gerados com os KPIs do projeto (e.g., potencial aumento da taxa de ocupação, satisfação dos atletas).
• F7 – Integração final, documentação e relatório (15%): Integração final do módulo de otimização de agendamento na plataforma Koachy. Elaboração da documentação técnica do sistema desenvolvido e redação do relatório final do estágio.
Condições
Este trabalho será integrado num projeto de investigação cofinanciado, sendo que o aluno poderá candidatar-se a uma bolsa de investigação para licenciado no âmbito deste projeto, nos termos da legislação aplicável e regulamentos do IPN. O valor da bolsa é de 1040,98€, em linha com a tabela de bolsas de investigação da FCT.
Observações
Áreas de especialidade:
• Inteligência Artificial / Machine Learning (ML)
• Otimização de Sistemas
• Engenharia de Software
• Análise de Dados
Orientador
Carlos Aparecido Serrato Júnior
cjunior@ipn.pt 📩