Seufitelli, Danilo BoechatLima, Guilherme de Assis2026-08-242026-06-19https://repositorio.cefetmg.br//handle/123456789/2917Este trabalho avalia métodos preditivos para detectar falhas em softwares, aplicando conceitos de observabilidade e aprendizado de máquina. A proposta parte da necessidade de se antecipar falhas em sistemas complexos, onde o volume e a diversidade de métricas dificultam a identificação manual. O estudo adota uma abordagem experimental em duas etapas: a primeira cria um ambiente de simulação, utilizando softwares open source para auxiliar na geração de dados de treino e teste. Na segunda, são avaliados diferentes modelos de aprendizado de máquina para predição, como LightGBM, CatBoost, XGBoost e LSTM. Por fim, são avaliados os resultados e a viabilidade do uso dos modelos gerados. Os resultados demonstram a viabilidade técnica da utilização de métricas de observabilidade para a detecção preditiva de falhas, com modelos capazes de identificar padrões associados à degradação e indisponibilidade dos sistemas. Além disso, este projeto fornece uma arquitetura reprodutível e de baixo custo, aplicável em ambientes de pesquisa e desenvolvimento, reforçando o papel da observabilidade como componente essencial na confiabilidade de sistemas modernos.ptTrabalho de Conclusão de Curso da Graduação2026-08-24