A DRI da Madeira criou uma triagem BERT + Random Forest para 12.843 pedidos de assistência (2022-2024): 83% de precisão, -27% em reclamações repetidas, +32% de eficiência, segundo estudo revisto por pares financiado pelo PRR.
83%
Precisão de classificação (Jan 2022-Dec 2024)
0.80
F1-score
-27%
Variação das categorias de reclamações repetidas (6 meses após implementação)
+32%
Aumento da eficiência de classificação (6 meses após implementação)
0.21 seconds
Tempo de processamento por pedido
0.47
Índice de silhueta de agrupamento
Detalhes
Maturidade
Consolidada
Promotor
Direção Regional de Informática (DRI), Governo Regional da Madeira — with ISTAR-IUL and VIPA (Funchal)
Período
2022-2025
Região (NUTS)
PT30
Palavras-chave
public administration, IT service management, NLP, complaint triage
Contexto
Os serviços públicos regionais de Portugal enfrentam um volume e complexidade crescentes de pedidos de suporte informático (localmente designados PATs) submetidos através dos sistemas PatOnline e PATS utilizados pelo governo da Região Autónoma da Madeira, com linguagem ambígua, terminologia inconsistente e reporte fragmentado entre departamentos, tornando pouco fiável a triagem convencional baseada em palavras-chave. A Direção Regional de Informática (DRI), em colaboração com investigadores do ISTAR-IUL (Instituto Universitário de Lisboa) e do laboratório VIPA no Funchal, construiu um pipeline de IA que combina embeddings de frases BERT multilingues, agrupamento K-Means em quatro categorias de reclamações, um classificador Random Forest para categorização automática, e Isolation Forest para deteção de anomalias, com valores SHAP para interpretabilidade. O projeto foi financiado ao abrigo do Plano de Recuperação e Resiliência (PRR) de Portugal.
Resultados
Avaliado em 12 843 registos de reclamações/pedidos extraídos de 7615 registos de interação com utilizadores entre janeiro de 2022 e dezembro de 2024, o sistema atingiu 83% de precisão de classificação (F1-score de 0,80) e processou cada pedido em 0,21 segundos de ponta a ponta. Nos seis meses após a implementação, as categorias de reclamações repetidas caíram 27% e a eficiência de classificação aumentou 32% (índice de silhueta de agrupamento de 0,47). Os resultados provêm de uma única agência regional e de um contexto específico de bilhetes de suporte; os autores referem que aplicar a abordagem noutros contextos exigiria provavelmente afinação específica do domínio ou reaprendizagem adaptativa, e ainda não foi publicada nenhuma replicação independente fora da Madeira.
Implementação
Custo indicativo
Baixo (< 50 mil €) — No budget figure is published; classified as low cost given the narrow single-department scope delivered through an academic research partnership under PRR co-funding.
Tempo até resultados
Médio (1–3 anos) — Data and evaluation span January 2022 to December 2024 (about three years), including six months of post-deployment measurement.
Equipa e competências
Direcao Regional de Informatica (DRI), Governo Regional da Madeira, ISTAR-IUL (Instituto Universitario de Lisboa) researchers, VIPA laboratory, Funchal
Condições de sucesso
Combining multiple ML techniques (BERT embeddings, K-Means clustering, Random Forest, Isolation Forest) with SHAP interpretability
Sustained government-university partnership
PRR funding to support the initial build
Modos de falha comuns
Authors note the model was evaluated in a single agency/context and would likely need domain-specific fine-tuning or retraining to transfer elsewhere
No independent replication outside Madeira has yet been published