Resumo

Avaliar como a produção acadêmica que sugere o uso de IA e Deep Learning para apoiar o gerenciamento projetos sustentáveis considera a qualidade dos dados como fator de impacto nos resultados do treinamento em IA

Com a introdução do uso de IA e Deep Learning no suporte a atividade das organizações, a qualidade dos dados utilizados no treinamento dos algoritmos adquire relevância fundamental sendo necessário compreender se os proponentes desse uso tem levado esse aspecto em consideração

Estudo bibliométrico utilizando Itens de Relatório Preferidos para Revisões Sistemáticas e Meta-Análises-Prisma para identificar quais os aspectos entre cinco categorias de problemas de qualidade dos dados citados na literatura sobre IA e Deep Learning, vem sendo considerados nas propostas de seu uso

A qualidade dos dados nos seus aspectos de precisão e acurácia já está presente em todos os artigos. Novos problemas decorrentes do funcionamento e treinamento da IA ainda não são considerados, o que pode impactar negativamente esse uso e seus resultados

Propomos a necessidade de que as discussões sobre qualidade e representatividade de dados em curso na comunidade acadêmica responsável pelo desenvolvimento dos algoritmos de IA e Deep Learning sejam acompanhadas pelos responsáveis pela decisão de sua adoção na gestão de projetos sustentáveis

Ao aprofundar a análise da qualidade e representatividade dos dados utilizados no treinamento de IA incorporando dimensões da sustentabilidade socioambiental torna-se possível alcançar resultados superiores em todas as suas dimensões e não apenas no aspecto econômico da sustentabilidade

Evaluate how the academic production that suggests the use of AI and Deep Learning to support sustainable project management considers data quality as an impact factor on the results of AI training

With the use of AI to support the activity of organizations, the quality of the data used in the training of algorithms acquires fundamental relevance, being necessary to understand if the proponents of this use have taken this aspect into account

Bibliometric study using Preferred Reporting Items for Systematic Reviews and Meta-Analyses-Prisma to identify which aspects among five categories of data quality problems cited in the literature on AI and Deep Learning have been considered in proposals for its use

Data quality in its aspects of precision and accuracy is already present in all articles. New problems arising from the operation and training of AI are not yet considered, which may negatively impact this use and its results

We propose the need for ongoing discussions on data quality in the academic community responsible for the development of AI algorithms to be accompanied by those responsible for the decision of their adoption in the management of sustainable projects

By deepening the analysis of the quality and representativeness of the data used in AI training, incorporating dimensions of socio-environmental sustainability, it becomes possible to achieve superior results in all its dimensions and not just in the economic aspect of sustainability