MODELOS DE INTELIGÊNCIA ARTIFICIAL PREDITIVA EM SEGURANÇA DA INFORMAÇÃO: síntese conceitual, desafios e tendências futuras (2020–2025)

Andrew Tsuyoshi Izaki; Jefferson Jeanmonod de Azevedo Santana

doi:10.31510/infa.v22i2.2300

Autores

Andrew Tsuyoshi Izaki Fatec Taquaritinga https://orcid.org/0009-0003-5904-7946
Me. Jefferson J. A. Santana Fatec Taquaritinga , Instituto Matonense Municipal de Ensino Superior , Centro Paula Souza , Etec Sylvio de Mattos Carvalho https://orcid.org/0000-0002-2581-9632

DOI:

https://doi.org/10.31510/infa.v22i2.2300

Palavras-chave:

Inteligência Artificial Preditiva, Segurança da Informação, Cibersegurança, Machine Learning, Detecção de Ameaças

Resumo

A crescente complexidade e sofisticação dos ataques cibernéticos evidencia a necessidade de abordagens proativas e preditivas na segurança da informação. Este artigo propõe uma síntese conceitual sobre a aplicação de modelos de Inteligência Artificial (IA) preditiva no período de 2020 a 2025, enfocando categorias de uso, desafios enfrentados e tendências emergentes. A análise se fundamenta em revisão narrativa da literatura especializada, considerando contribuições relevantes de bases como IEEE Xplore, ACM Digital Library, Springer e ScienceDirect. Os modelos preditivos em cibersegurança podem ser categorizados em cinco grupos principais: modelos supervisionados, redes neurais profundas, modelos federados, híbridos e especializados. Entre os desafios críticos, destacam-se privacidade e explicabilidade dos modelos, integração com sistemas legados e limitações de dados. As tendências emergentes apontam para modelos leves para edge computing, sistemas multiagentes autônomos e a implementação de IA explicável, visando maior confiabilidade e transparência na tomada de decisão. O framework proposto oferece uma organização conceitual, conectando tecnologias emergentes a estratégias de proteção, contribuindo para o avanço do conhecimento em cibersegurança preditiva. A abordagem ressalta a relevância de práticas aplicáveis em ambientes corporativos, oferecendo base sólida para futuras investigações acadêmicas e aplicações práticas no campo da segurança da informação.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

Andrew Tsuyoshi Izaki, Fatec Taquaritinga

Graduando em Análise e Desenvolvimento de Sistemas pela Faculdade de Tecnologia de Taquaritinga (Fatec), é Técnico em Desenvolvimento de Sistemas pela Escola Técnica Estadual (Etec) de Taquaritinga, concomitantemente ao ensino médio integrado em alimentos (ETIM) na mesma instituição.
Me. Jefferson J. A. Santana, Fatec Taquaritinga, Instituto Matonense Municipal de Ensino Superior, Centro Paula Souza, Etec Sylvio de Mattos Carvalho

Mestre em Comunicação e Inovação (USCS, 2016), Especialista em Neuroaprendizagem e Performance Cognitiva (Unifil, 2024), MBA em Gestão da Aprendizagem (Uniamérica Descomplica, 2025), Tecnólogo em Produção Publicitária (2011), Licenciado pelo Centro Paula Souza e Técnico em Comunicação Visual (2000). Atua como Coordenador de Social Media e Design, diretamente ligado ao gabinete da Vice-Superintendência do Centro Paula Souza, onde desenvolve estratégias de comunicação digital e identidade institucional para Eventos. Possui mais de 20 anos de experiência em design, comunicação, marketing e inovação, com atuação em projetos nas áreas de educação, varejo, saúde, economia circular, política, produção cultural e tecnologia. Docente no Centro Paula Souza, lecionando no Ensino Médio, Técnico e Superior, e professor gestor nos cursos de Jogos Digitais, Marketing, Sistemas para Internet e Análise e Desenvolvimento de Sistemas na Faculdade Descomplica e IMMES. Fundador da X4CI e da EducaHUB, empresas voltadas ao desenvolvimento de tecnologias educacionais, consultoria e inovação no ensino-aprendizagem. Pesquisa metodologias ativas, design thinking, gamificação, futurologia e tecnologias exponenciais aplicadas à educação e comunicação.

Referências

AKINYEMI, Adeyemi Mobolaji; SIMS, Sherry. AI-enhanced predictive analytics for identifying and mitigating critical cybersecurity vulnerabilities. World Journal of Advanced Research and Reviews, v. 26, n. 2, p. 1585-1606, 2025.

CYBERSECURITY VENTURES. Cybercrime damages will cost the world $10.5 trillion annually by 2025. Cybersecurity Ventures Report, 2023.

DANDAMUDI, Sai Ratna Prasad; SAJJA, Jaideep; KHANNA, Amit. Advancing cybersecurity and data networking through machine learning-driven prediction models. International Journal of Innovative Research in Computer Science and Technology, v. 13, n. 1, p. 26-33, 2025.

DUARY, Shomili et al. Cybersecurity threats detection in intelligent networks using predictive analytics approaches. In: INTERNATIONAL CONFERENCE ON INNOVATIVE PRACTICES IN TECHNOLOGY AND MANAGEMENT (ICIPTM), 4., 2024. Proceedings [...]. IEEE, 2024. p. 1-5.

DYBÅ, Tore; DINGSØYR, Torgeir. Empirical studies of agile software development: a systematic review. Information and Software Technology, v. 50, n. 9-10, p. 833-859, 2008.

GHILLANI, Diptiban. Deep learning and artificial intelligence framework to improve the cyber security. Preprints, 2022. Preprint.

KITCHENHAM, Barbara; CHARTERS, Stuart. Guidelines for performing systematic literature reviews in software engineering. Technical Report EBSE-2007-01. Keele University; University of Durham, 2007.

RAHMAN, Khalilor; DALIM, Hossain Mohammad; HOSSAIN, Sazzad. AI-powered solutions for enhancing national cybersecurity: predictive analytics and threat mitigation. [S. l.: s. n.], v. 14, n. 1, 2023.

SAMTANI, Sagar; KANTARCIOGLU, Murat; CHEN, Hsinchun. Trailblazing the artificial intelligence for cybersecurity discipline: a multi-disciplinary research roadmap. ACM Transactions on Management Information Systems, v. 11, n. 4, p. 17:1-17:19, 2020.

SARKER, Iqbal H. Machine learning for intelligent data analysis and automation in cybersecurity: current and future prospects. Annals of Data Science, v. 10, n. 6, p. 1473-1498, 2023.

SARKER, Iqbal H. et al. Cybersecurity data science: an overview from machine learning perspective. Journal of Big Data, v. 7, n. 1, p. 41, 2020.

STRIELKOWSKI, Wadim et al. Prospects and challenges of the machine learning and data-driven methods. [S. l.: s. n.], 2025.

TAO, Tao; AKHTAR, Muhammad Shoaib; ZHANG, Jiayuan. The future of Artificial Intelligence in Cybersecurity: A Comprehensive Survey. EAI Endorsed Transactions on Creative Technologies, v. 8, n. 28, artigo e3, 07 jul. 2021.