Machine Learning e IA Generativa Aplicadas à Classificação de Manifestações de Ouvidoria

A classificação de manifestações de ouvidoria é essencial para triagem e encaminhamento de demandas, mas sua execução manual tende a ser lenta, onerosa e sujeita a inconsistências. Embora modelos clássicos de Machine Learning (ML) sejam amplamente utilizados nessa tarefa, o avanço dos Large Language Models (LLMs) ampliou o interesse por abordagens baseadas em prompting, ainda com poucas comparações sob protocolos rigorosos e com avaliação de robustez operacional. Este trabalho compara modelos de ML e LLMs em cenários real, sintético e híbrido. O pipeline incluiu otimização de hiperparâmetros com Grid Search, Optuna e Computação Evolutiva, além da avaliação final em holdout compartilhado. Os resultados mostraram superioridade de ML nos três cenários. Também foram observadas falhas de parse e colapsos de predição em LLMs, indicando que a comparação deve considerar desempenho preditivo e robustez operacional.