Inteligência artificial e aprendizado de máquina

1. Comece pela pergunta certa: regra, aprendizagem ou geração?

Um sistema recebe uma entrada e produz uma saída. Isso, sozinho, não prova que exista inteligência artificial.

Compare três situações hipotéticas:

1. uma regra fixa encaminha todo registro marcado como “financeiro” para uma fila predeterminada;
2. um modelo foi treinado com exemplos anteriores e estima a categoria mais provável de um novo registro;
3. um modelo recebe uma instrução e produz um resumo textual.

No primeiro caso, há automação determinística: a regra já foi escrita. No segundo, há ML, isto é, aprendizado de máquina: o modelo ajustou padrões a partir de dados. No terceiro, há uma aplicação de IA generativa: o sistema produz conteúdo novo a partir dos padrões aprendidos.

A distinção que mais resolve questões é:

regra explícita → automação determinística
dados + treinamento → modelo de aprendizado de máquina
modelo generativo + entrada → conteúdo novo

Algoritmo é uma sequência de instruções para executar uma tarefa. Portanto, algoritmo não é sinônimo de IA. Um algoritmo pode simplesmente ordenar números, buscar um valor ou aplicar uma regra fixa.

IA é um campo mais amplo. ML é uma das abordagens usadas dentro desse campo.

2. O que um modelo aprende

No aprendizado de máquina, não se programa uma regra específica para cada situação futura. Define-se uma tarefa e fornece-se um conjunto de dados para que um procedimento de treinamento ajuste um modelo.

Um modelo é uma representação computacional que transforma entradas em saídas. Durante o treinamento, seus parâmetros — valores internos ajustáveis — são alterados para reduzir o erro segundo um objetivo.

Para acompanhar esse processo, diferencie:

Exemplo hipotético: para prever uma categoria de documento, as palavras, metadados ou outras representações podem funcionar como atributos; a categoria correta dos exemplos de treinamento funciona como rótulo.

A qualidade do resultado depende não só do algoritmo, mas também do problema formulado, dos dados, dos rótulos, da forma de avaliação e das condições de uso.

3. Três formas básicas de aprendizado

3.1 Aprendizado supervisionado

No aprendizado supervisionado, os exemplos de treinamento trazem entradas e respostas esperadas. O modelo aprende a relacionar os atributos aos rótulos ou valores-alvo.

Duas tarefas aparecem com frequência:

• classificação: prevê uma categoria, como “classe A” ou “classe B”;
• regressão: prevê um valor numérico, como uma quantidade ou medida.

A pergunta prática é:

saída categórica → classificação
saída numérica contínua → regressão

Um classificador pode produzir probabilidades ou pontuações antes de convertê-las em uma classe. A presença de probabilidade não transforma a tarefa em regressão: o que importa é o objetivo final da previsão.

3.2 Aprendizado não supervisionado

No aprendizado não supervisionado, não há rótulo correto fornecido para cada exemplo. O modelo procura estrutura nos próprios dados.

O exemplo clássico é o agrupamento, ou clustering: itens semelhantes são reunidos segundo um critério de proximidade ou estrutura.

Agrupar não equivale a descobrir automaticamente uma verdade jurídica, causal ou semântica. O algoritmo encontra padrões segundo os dados e o método usados; a interpretação dos grupos é uma etapa distinta.

3.3 Aprendizado por reforço

No aprendizado por reforço, um agente interage com um ambiente, escolhe ações e recebe sinais de recompensa ou penalização. O objetivo é aprender uma política de ação que maximize a recompensa acumulada.

O contraste principal é:

Aprendizado por reforço não significa simplesmente “corrigir o modelo uma vez”. Ele envolve uma sequência de interações entre agente e ambiente.

4. Treinar não é testar: generalização

O objetivo de um modelo não é decorar os exemplos já vistos. Ele deve funcionar adequadamente em dados novos. Essa capacidade é a generalização.

Por isso, é comum separar os dados em conjuntos com papéis distintos:

A proporção exata entre esses conjuntos não é uma regra universal. O ponto conceitual é manter dados independentes para avaliar o modelo.

Sobreajuste e subajuste

Sobreajuste — overfitting — ocorre quando o modelo vai muito bem no treinamento, mas generaliza mal.

Subajuste — underfitting — ocorre quando o modelo não captura suficientemente a relação relevante, apresentando desempenho fraco já no treinamento e também fora dele.

Um modelo mais complexo não é automaticamente melhor. A meta é desempenho adequado em dados novos.

Vazamento de dados

Vazamento de dados ocorre quando o processo dá ao modelo informação que ele não deveria possuir no momento real da previsão.

Exemplo hipotético: usar, no treinamento, um campo criado depois do resultado que se deseja prever. O modelo pode aparentar excelente desempenho sem ter aprendido uma relação utilizável na prática.

5. Como avaliar um classificador

Considere uma tarefa binária em que existe uma classe definida como “positiva”. Cada previsão cai em uma das quatro combinações:

A partir dessas contagens surgem métricas diferentes.

Acurácia

A acurácia mede a proporção total de previsões corretas:

[ \text{acurácia}=\frac{VP+VN}{VP+VN+FP+FN} ]

Ela pode enganar quando as classes são muito desbalanceadas. Se apenas uma pequena parcela dos casos for positiva, prever sempre a classe majoritária pode gerar acurácia alta e ainda assim ser inútil para detectar positivos.

Precisão e sensibilidade

A precisão responde:

Entre os casos que o modelo marcou como positivos, quantos eram realmente positivos?

[ \text{precisão}=\frac{VP}{VP+FP} ]

A sensibilidade, também chamada de recall, responde:

Entre os casos realmente positivos, quantos o modelo encontrou?

[ \text{recall}=\frac{VP}{VP+FN} ]

O F1 combina precisão e sensibilidade em uma única medida. Nenhuma dessas métricas é “a melhor” em qualquer situação: a escolha depende do custo de falsos positivos e falsos negativos.

Uma prova pode explorar exatamente essa troca. Se perder um positivo for o erro mais grave, a sensibilidade tende a ganhar importância; se um falso alarme for muito caro, a precisão ou a taxa de falso positivo pode ser mais relevante.

6. Redes neurais, aprendizado profundo e IA generativa

Uma rede neural artificial é um modelo composto por unidades conectadas organizadas em camadas. O aprendizado profundo usa redes neurais com múltiplas camadas e capacidade de aprender representações complexas.

A relação conceitual é:

Inteligência artificial
└── aprendizado de máquina
    └── aprendizado profundo

Nem todo aprendizado de máquina usa redes neurais, e nem toda IA é generativa.

IA generativa é voltada à criação de conteúdo novo, como texto, imagem, áudio, vídeo ou código. Um LLM é um modelo de linguagem de grande escala que aprende relações estatísticas em grandes coleções de texto e produz sequências durante a inferência.

Treinamento, token e inferência

Um LLM processa unidades chamadas tokens, que podem corresponder a palavras, partes de palavras, sinais ou outros fragmentos. Durante o treinamento, parâmetros são ajustados; durante a inferência, o modelo já treinado recebe uma entrada e gera uma saída.

A entrada de uma conversa não se torna automaticamente “novo treinamento” dos parâmetros. Retenção e eventual reúso dos dados dependem do sistema, da configuração e das regras do ambiente utilizado.

7. Prompt, alucinação, ajuste fino e RAG

Prompt é a instrução e o contexto fornecidos ao modelo. Um prompt mais claro pode reduzir ambiguidades, mas não transforma o modelo em fonte oficial nem garante verdade.

Alucinação é uma saída plausível, porém falsa, sem suporte ou incompatível com a fonte. Fluência não prova correção.

Há ainda três mecanismos que não devem ser confundidos:

RAG não é sinônimo de ajuste fino e não garante que a fonte recuperada esteja correta ou atualizada.

8. Dados, vieses e mudança do ambiente

Um modelo aprende relações presentes nos dados. Se o conjunto de treinamento omite grupos relevantes, contém rótulos ruins ou reflete distorções do processo observado, o modelo pode reproduzir ou ampliar esses problemas.

Viés aqui não significa apenas intenção discriminatória. Pode surgir da coleta, amostragem, rotulagem, escolha de atributos, objetivo do modelo ou forma de implantação.

Também existe deriva: os dados ou o ambiente mudam com o tempo e o desempenho observado na implantação se distancia do desempenho anterior. Por isso, avaliação não termina no momento do treinamento.

Dois lembretes resolvem muitas pegadinhas:

• correlação aprendida pelo modelo não prova, por si só, relação causal;
• acurácia média alta não prova que o desempenho seja adequado para todos os grupos ou classes.

Questões de proteção de dados, segurança da informação e cadeia de custódia possuem unidades próprias no edital. Aqui, o ponto é apenas reconhecer que qualidade e governança dos dados fazem parte do funcionamento de um modelo.

9. Método de prova

Ao encontrar uma situação de IA ou ML, pergunte nesta ordem:

1. há regra fixa ou aprendizagem a partir de dados?
2. há rótulos? Se sim, pense em aprendizado supervisionado; se não, pode haver aprendizado não supervisionado.
3. qual é a saída? Categoria sugere classificação; valor numérico sugere regressão; grupos sem rótulos sugerem agrupamento.
4. o enunciado fala de treinamento ou inferência?
5. o desempenho foi medido em dados novos? Treino excelente não garante generalização.
6. qual erro importa? Falso positivo e falso negativo têm custos diferentes.
7. é geração de conteúdo? Não confunda IA generativa com todo o campo de IA.
8. o contexto veio de busca ou de treinamento? RAG recupera contexto; ajuste fino altera parâmetros.

Contrastes de alto rendimento

• algoritmo ≠ IA;
• automação ≠ ML;
• classificação ≠ regressão;
• agrupamento ≠ classificação supervisionada;
• treinamento ≠ inferência;
• validação ≠ teste final;
• bom desempenho no treino ≠ generalização;
• acurácia alta ≠ desempenho adequado em classe rara;
• IA generativa ≠ todo aprendizado de máquina;
• RAG ≠ ajuste fino.