[pt] O estudo de séries temporais desempenha um papel fundamental no processo de tomada de decisão, dando origem a inúmeras metodologias ao longo do tempo. Dentro desse contexto, os modelos score-driven surgem como uma abordagem flexível e interpretável. No entanto, devido ao número significativo de parâmetros envolvidos, o processo de estimação desses modelos tende a ser complexo. Para lidar com essa complexidade, este estudo tem como objetivo avaliar como a adoção de técnicas modernas de otimização impacta o desempenho final do modelo. Além de simplificar o processo de estimação de parâmetros, essa mudança de paradigma permite a integração de novas técnicas, como a otimização robusta, na formulação do modelo, potencialmente aprimorando seu desempenho. O pacote SDUC.jl, que facilita o ajuste e a previsão de modelos impulsionados por escores com base em componentes não observáveis usando técnicas modernas de otimização, representa uma das principais contribuições deste estudo. Ao utilizar séries temporais conhecidas para ilustrar sua funcionalidade e dados mensais de carga elétrica do sistema brasileiro, o estudo foi capaz de demonstrar a flexibilidade do pacote e seu desempenho robusto, mesmo durante períodos de mudança de regime nos dados, graças à aplicação de técnicas de robustez. / [en] The study of time series plays a pivotal role in the decision-making process, giving rise to numerous methodologies over time. Within this context, score-driven models emerge as a flexible and interpretable approach. However, due to the significant number of parameters involved, the estimation process for these models tends to be complex. To address this complexity, this study aims to evaluate how the adoption of modern optimization techniques impacts the final performance of the model. Beyond simplifying the parameter estimation process, this shift in paradigm allows for the integration of new techniques, such as robust optimization, into the model formulation, thereby potentially enhancing its performance. The SDUC.jl package, which facilitates the adjustment and prediction of score-driven models based on unobservable components using modern optimization techniques, represents one of the main contributions of this study. By utilizing well-known time series to illustrate its functionality and monthly electrical load data from the Brazilian system, the study was able to demonstrate the flexibility of the package and its robust performance, even during periods of regime change in the data, thanks to the application of robustness techniques.