Os processos monitorados em quase todas as áreas produzem séries temporais. Dado o aumento no volume de dados gerados e na largura de banda observado nas últimas décadas, a maioria dessas séries temporais evolui em um cenário online, em tempo real ou de streaming. No entanto, a maioria dos métodos do estado-da-arte disponíveis, baseados em aprendizado de máquina, não estão adaptados à natureza dinâmica dessas séries temporais. Muitas vezes, é possível observar uma mudança significativa no comportamento dos dados em um determinado ponto ou intervalo de tempo que caracteriza a ocorrência de um evento de ponto de mudança. Nesse caso, a análise de séries temporais deve incluir a identificação e detecção de tais eventos. A detecção de pontos de mudança está relacionada a outras áreas proeminentes de monitoramento, como detecção de mudanças de conceito e rupturas estruturais em séries temporais, sendo crucial para aplicações práticas que afetam o dia a dia, como o monitoramento de condições médicas, detecção de mudanças climáticas e análise de atividades humanas. Como resultado, tem sido objeto de intensa pesquisa, especialmente nas áreas de estatística, econometria e mineração de dados. Algoritmos de detecção de pontos de mudança online ou em tempo real são executados em conjunto com o processo de monitoramento, processando cada ponto de dados à medida que se torna disponível. A detecção de pontos de mudança online é um problema fundamentalmente diferente e desafiador que aumenta a demanda por técnicas avançadas de aprendizado de máquina para mudanças de conceito em séries temporais com grandes fluxos de dados. Geralmente, as soluções baseadas em regressão exigem a comparação de modelos paramétricos fixos e observações suficientes nos dados de entrada. Em contraste, as soluções baseadas em desvios da previsão de séries temporais podem ser afetadas por propriedades não-estacionárias e conceitos que mudam gradualmente, o que pode aumentar os atrasos na detecção. Esta pesquisa aborda os desafios apresentados pelas abordagens baseadas em previsão, explorando a hipótese de que a detecção de pontos de mudança online sobre a previsão defasada da componente inercial de uma série temporal contribui para menores atrasos na detecção e robustez à não-estacionariedade em comparação com abordagens atuais. Para confirmar isso, esta pesquisa propõe o Herald, um novo método de detecção de pontos de mudança online baseado na previsão defasada da inércia intrínseca de uma série temporal. Os resultados experimentais indicam que o Herald pode detectar pontos de mudança com menores atrasos na detecção e maior sensibilidade do que os métodos de referência para detecção de pontos de mudança. Os efeitos são especialmente relevantes em séries temporais não-estacionárias com alta volatilidade.