Aviação Civil / Logística / Transporte Aéreo
Empresas aéreas, aeroportos e passageiros que dependem da pontualidade dos voos.
Necessidade do cliente (explicação não técnica)
Todos que viajam de avião — e especialmente as companhias aéreas e aeroportos — sofrem com atrasos.
Esses atrasos causam insatisfação nos passageiros, custos extras para as empresas e problemas de logística (como conexões perdidas e remanejamentos de voos).
O cliente quer prever, com base em dados do voo (origem, destino, horário, companhia aérea, etc.), qual é a probabilidade de o voo atrasar para se preparar com antecedência:
Passageiros podem receber alertas antes de sair de casa.
Companhias aéreas podem ajustar a operação e minimizar o impacto.
Aeroportos podem planejar melhor o uso da infraestrutura.
Validação de mercado
Prever atrasos é uma aplicação real e valiosa de ciência de dados em transporte.
Companhias aéreas e startups do setor usam modelos preditivos semelhantes para:
melhorar a pontualidade e o planejamento de frota;
reduzir custos operacionais e reclamações;
aumentar a satisfação do cliente com informações mais transparentes.
Mesmo um modelo simples pode ser útil, pois ajuda a identificar horários ou aeroportos com maior risco de atraso — um diferencial para o setor aéreo.
Expectativa para este hackathon
Público: alunos iniciantes em tecnologia, sem experiência profissional na área, que já estudaram Back-end (Java, Spring, APIs REST, persistência) e Data Science (Python, Pandas, scikit-learn, modelagem supervisionada).
Objetivo: criar um MVP (produto mínimo viável) que recebe informações de um voo e retorna se ele provavelmente será Pontual ou Atrasado.
Escopo sugerido: classificação binária (0 = Pontual, 1 = Atrasado) usando um dataset simples e limpo.
Entregáveis desejados
Notebook (Jupyter/Colab) do time de Data Science, contendo:
Exploração e limpeza de dados (EDA);
Criação de variáveis relevantes (ex.: hora do voo, dia da semana, aeroporto de origem/destino, companhia aérea);
Treinamento de um modelo preditivo (ex.: Logistic Regression, Random Forest);
Avaliação do desempenho (Acurácia, Precisão, Recall, F1-score);
Exportação do modelo serializado (joblib/pickle).
Aplicação Back-End (API REST) desenvolvida em Java (Spring Boot), contendo:
Endpoint /predict que recebe informações de um voo e retorna a previsão;
Integração com o modelo de DS (direta ou via microserviço separado);
Tratamento de erros e respostas padronizadas em JSON.
Documentação mínima (README)
Como executar o projeto;
Dependências e versões das ferramentas;
Exemplos de requisição e resposta;
Dataset utilizado (com link ou descrição).
Demonstração funcional
Mostrar a API em ação (via Postman, cURL ou uma interface simples).
Explicar brevemente o processo (dados → modelo → previsão).
Funcionalidades exigidas (MVP)
O serviço deve expor um endpoint que retorna o status do voo a qual o texto pertence e a probabilidade associada a esse status:
{
"companhia": "AZ",
"origem": "GIG",
"destino": "GRU",
"datapartida": "2025-11-10T14:30:00",
{
"previsao": "Atrasado",
}
Carregamento do modelo preditivo: o back-end deve conseguir usar o modelo (carregado localmente ou via microserviço DS).
Validação de entrada: garantir que todos os campos necessários estejam presentes e corretos.
Resposta clara: previsão + probabilidade em formato decimal (0 a 1).
Exemplos de uso: Postman/cURL com 3 exemplos reais (um pontual, um atrasado, um com erro).
README funcional: com passos simples para rodar localmente.
Funcionalidades opcionais
Endpoint GET /stats: retorna estatísticas agregadas (ex.: % de voos atrasados no dia).
Persistência: salvar histórico de previsões e requisições em um banco (H2/PostgreSQL).
Dashboard visual (Streamlit/HTML): mostra, em tempo real, a taxa de atrasos prevista.
Integração com API externa de clima: adicionar condições meteorológicas como feature do modelo.
Batch prediction: aceitar um arquivo CSV com vários voos e devolver as previsões em lote.
Explicabilidade: retornar as variáveis mais importantes na decisão (ex.: “Horário da tarde e aeroporto GIG aumentam o risco”).
Containerização: rodar o sistema completo com Docker/Docker Compose.
Testes automatizados: unitários e de integração simples.
Orientações técnicas para alunos
Recomenda-se deixar o modelo leve e o escopo controlado, para não ultrapassar os limites de always free do OCI.
Time de Data Science
Monte ou escolha um dataset próprio com informações de voos (ex.: companhia aérea, origem, destino, horário, distância);
Utilize Python, Pandas e scikit-learn para análise e modelagem;
Criar features a partir dos dados (ex.: hora, dia da semana, tipo de companhia aérea);
Escolher modelo de classificação simples (LogisticRegression ou RandomForestClassifier);
Validar o modelo com dados separados (treino/teste);
Salvar o modelo (joblib.dump) e garantir que ele possa ser carregado externamente.
Time de Back-End
Construir uma API REST (em Java com Spring Boot).
Implementar um endpoint (ex: /predict ) que recebe o JSON de um voo e retorna a previsão.
Integrar o modelo de Data Science:
via microserviço Python (FastAPI/Flask), ou
carregando o modelo exportado (ONNX, para times Java avançados).
Validar entradas e retornar respostas JSON consistentes.
Contrato de integração (definido entre DS e BE)
Recomendamos definir o contrato de integração logo no início do hackathon. Segue um exemplo:
{
"companhia": "AZ",
"origem": "GIG",
"destino": "GRU",
"datapartida": "2025-11-10T14:30:00",
{
"previsao": "Pontual",
CassianoData Scientist