[pt] O estudo da tomada de decisões tem ganhado cada vez mais importância, desde as concepções clássicas do homem econômico até os mais recentes conceitos da racionalidade limitada e dos vieses cognitivos. Ao longo do tempo, a crescente complexidade das decisões impulsionou o desenvolvimento de tecnologias como os Sistemas de Apoio à Decisão e Modelos Preditivos, destacando-se mais recentemente a incorporação de técnicas do campo da Inteligência Artificial, e mais precisamente de Aprendizado de Máquina, para melhorar a precisão e a eficiência das tomadas de decisão. Entretanto, por maior que tenham sido os benefícios proporcionados pelos avanços no apoio computacional, as decisões são, em última análise, tomadas por humanos. E, sendo uma tarefa essencialmente humana, a influência dos vieses cognitivos em tomadas de decisão são um desafio relevante e pouco explorado. Esses vieses podem ser decorrentes de diversos fatores, incluindo preferências individuais, influências externas e derivações cognitivas inconscientes. Apesar dos esforços da área da Economia Comportamental em identificar e modelar esses vieses, seu impacto em contextos de decisões monetárias ainda é limitado. Portanto, este trabalho propõe uma arquitetura baseada em fundamentos ontológicos para identificar e analisar o impacto de vieses cognitivos em cenários de alto risco de perdas monetárias. Através da aplicação de técnicas de Ciência de Dados e Aprendizado de Máquina, o objetivo é propor uma metodologia implementada em um artefato computacional, capaz de automaticamente identificar padrões de vieses cognitivos a partir de um histórico de registros de decisões, gerando conhecimento sobre as preferências de risco dos tomadores de decisão e seus ganhos e perdas diante das suas escolhas. O viés específico explorado neste estudo é a Busca de Risco no domínio de perdas, conforme definido no Padrão Quádruplo do Kahneman. A avaliação da eficácia dessa proposta será realizada por meio de um estudo de caso utilizando um benchmark disponível na literatura, fornecendo insights sobre a aplicabilidade e os benefícios práticos da arquitetura proposta. / [en] The study of decision-making has gained more and more importance, from the classical conceptions of the economic man to the more recent concepts of bounded rationality and cognitive biases. Over time, the increasing complexity of decisions has driven the development of technologies such as Decision Support Systems and Predictive Models, highlighting more recently the incorporation of techniques from the field of Artificial Intelligence, and more precisely Machine Learning, to improve the accuracy and efficiency of decision-making. However, as great as the benefits provided by advances in computer support have been, humans are ultimately the ones to make decisions. And, being an essentially human task, the influence of cognitive biases on decision-making is a relevant and underexplored challenge. These biases can be due to various factors, including individual preferences, external influences, and unconscious cognitive derivations. Despite the efforts of the field of Behavioral Economics to identify and model these biases, their impact in contexts of monetary decisions is still limited. Therefore, this work proposes an architecture based on ontological foundations to identify and analyze cognitive biases in scenarios of high risk of monetary losses. Through the application of Data Science and Machine Learning techniques, we propose a methodology - implemented in a computational artifact - capable of automatically identifying patterns of cognitive biases from a history of decision records, generating knowledge about the risk preferences of decision makers and their gains and losses caused by their choices. The specific bias explored in this study is Risk Seeking in the loss domain, as defined in the Kahneman Quadruple Pattern. The evaluation of the effectiveness of this proposal will be carried out through a case study using a benchmark available in the literature, providing insights into the applicability and practical benefits of the proposed architecture.