Resumo: Ações de fiscalização conduzidas pela Anatel e pela Receita Federal têm retirado do mercado brasileiro um grande volume de TV Boxes sem homologação, equipamentos tradicionalmente destinados à destruição, gerando custos logísticos e resíduos eletrônicos. Como alternativa, a Receita Federal tem destinado parte desses dispositivos a instituições de ensino para projetos de reaproveitamento. Neste contexto, este trabalho investiga a viabilidade do uso de TV Boxes reaproveitadas, do modelo Youit TX2, como nós de um cluster distribuído para balanceamento de carga TCP tolerante a falhas. O sistema utiliza o subsistema IPVS (IP Virtual Server) do Linux em modo Direct Routing e emprega o algoritmo Bully para eleição dinâmica de líder, permitindo a substituição automática do nó coordenador em caso de falha. Um cluster composto por três TV Boxes foi implementado para avaliar a tolerância a falhas da solução. Adicionalmente, clientes e workers virtuais foram utilizados em testes de saturação para caracterizar o limite de desempenho do balanceador sob cargas elevadas. Os experimentos demonstraram recuperação em menos de 200 ms para falhas fail-stop e em poucos segundos para falhas fail-silent, sendo o tempo de recuperação determinado principalmente pelo intervalo de heartbeat configurado. Nos testes de saturação, o sistema atingiu vazão de aproximadamente 40 mil requisições por segundo, limitado pelo hardware do nó coordenador, enquanto o desempenho escalou de forma aproximadamente linear com o aumento do número de workers para a carga de trabalho avaliada. Os resultados demonstram que TV Boxes reaproveitadas constituem uma alternativa viável para a implementação de balanceadores de carga distribuídos tolerantes a falhas, oferecendo baixo custo, resiliência e potencial para reduzir o descarte de equipamentos eletrônicos no contexto da economia circular.

Resumo: Este trabalho apresenta um estudo comparativo entre modelos clássicos de aprendizado de máquina (Árvore de Decisão, Support Vector Machine (SVM) e Multilayer Perceptron (MLP)) e o Modelo de Linguagem de Grande Porte LLaMA 3, aplicados à classificação automática de teses e dissertações acadêmicas por área do ensino de ciências da natureza (Física, Química, Biologia e Ciências Gerais). Os modelos clássicos foram treinados sobre representações TF-IDF, enquanto o LLaMA 3 foi avaliado nos regimes zero-shot e few-shot. Os modelos clássicos alcançaram precisão e F1-Score em torno de 86–87%, com dificuldade sistemática na distinção entre Biologia e Ciências Gerais. No regime zero-shot, a LLM obteve a acurácia máxima de 78,8%, inferior à dos modelos supervisionados. No regime few-shot, com apenas um exemplo por classe no prompt, a LLM atingiu acurácia de 94%, superando todos os modelos clássicos. Os resultados indicam que LLM em regime few-shot constituem uma alternativa viável e de alto desempenho para a classificação textual em português, mesmo em ambientes com recursos computacionais limitados.