O crescente volume de dados em Big Data (BD) e as limitações computacionais para o treino de modelos de Machine Learning (ML) tornam fundamental o desenvolvimento de técnicas que otimizem o equilíbrio entre o esforço computacional e o desempenho preditivo. Esta dissertação investiga como a seleção inteligente de dados pode reduzir o custo computacional do treino sem comprometer o desempenho preditivo dos modelos de ML. Foram comparados sete métodos de seleção de dados, aplicados a cinco conjuntos de dados heterogéneos com taxas de amostragem de 1%, 5%, 10% e 20%. A abordagem Baseline, que utiliza o conjunto completo de dados, foi contrastada com técnicas de subsampling (Random, Diversity Subsampling (DS) e Coreset Sampling) e quatro variações de Importance Sampling (IS) (Importance Sampling Basic (ISB), Importance Sampling Random (ISR), Importance Sampling Hybrid (ISH) e Importance Sampling Stratified (ISS)), utilizando uma rede neuronal como modelo de ML. O desempenho preditivo foi avaliado por métricas como Area Under the Curve (AUC), precisão e recall, enquanto o esforço computacional foi medido pelo tempo total de treino e pelo tempo médio por época, com trade-offs analisados via gráficos de Pareto. Os resultados mostram que o Coreset Sampling alcança AUC próxima da Baseline com reduções significativas no tempo de treino por época (68% menos que a Baseline), sendo ideal para conjuntos de dados de dimensionalidade pequena e balanceados. O ISS destaca-se em conjuntos de dados desbalanceados, enquanto o Random é eficiente em conjuntos de dados de grande dimensionalidade. Este trabalho contribui com uma análise detalhada do impacto da amostragem no desempenho de modelos de ML, oferecendo orientações práticas para cenários com restrições computacionais e uma base teórica para futuras investigações sobre escalabilidade e generalização. As técnicas de redução de dados demonstram-se viáveis, promovendo soluções mais eficientes e sustentáveis para aplicações de ML.

Industry 4.0 has driven a transformation in industrial environments through the adoption of technologies such as Artificial Intelligence (AI), the Internet of Things (IoT), and real-time Big Data analytics. In this context, efficient decision-making becomes essential to address process complexity and operational variability. This work proposes the development of an AI-based system to support informed and adaptive decision-making in industrial processes. By identifying efficiency indicators and applying advanced analytical techniques, the proposed system monitors industrial production processes and continuously adapts to real operating conditions. Adopting the Adaptive Business Intelligence (ABI) paradigm, this work integrates forecasting methods with energy efficiency metrics, pursuing a more effective and dynamic approach to operational management. This project aims to contribute to the advancement of decision support solutions in the Industry 4.0 landscape, promoting a more intelligent and responsive integration of analytical systems into industrial operations.