Guia · Inteligência artificial

Como uma IA aprende com dados?

No aprendizado supervisionado, exemplos orientam o ajuste de um modelo, e dados separados ajudam a avaliar novas previsões. Um exemplo numérico mostra treino, uso e limites sem atribuir pensamento humano à máquina.

Treinar e avaliar separadamente

1. Treinar com exemplos
2. Modelo ajustado
3. Avaliar novos casos

Defina uma tarefa antes de treinar

Nem toda IA aprende da mesma forma. Aqui, o recorte é o aprendizado supervisionado: exemplos incluem entradas e respostas conhecidas. O objetivo é ajustar um modelo para prever uma resposta em casos novos.

Imagine uma situação fictícia de produção de peças iguais. Queremos estimar o tempo total, em minutos, a partir da quantidade. Para simplificar, consideramos uma condição de trabalho constante e uma relação em linha reta.

1. Separar dados e escolher um modelo

Os dados inventados para treinamento são:

Escolhemos um modelo linear: tempo estimado = a × quantidade + b. As letras a e b são parâmetros ajustáveis. Não foram definidas como “conhecimento” humano; são números que determinam a saída da fórmula.

O modelo já impõe uma hipótese: uma linha reta pode representar a relação. Essa escolha pode ser inadequada em uma situação real, como produção que muda de ritmo.

2. Ajustar os parâmetros

Um procedimento de mínimos quadrados procura parâmetros que reduzam a soma dos erros ao quadrado nos dados de treino. Nesse exemplo, a = 3 e b = 2 reproduzem exatamente os três tempos: 5, 8 e 11.

Isso é o treinamento do modelo escolhido. Outros modelos usam outros parâmetros e procedimentos. Não há uma regra de que toda IA encontre uma fórmula simples ou obtenha erro zero.

3. Avaliar com um caso separado

Reserve um exemplo que não entrou no ajuste: quatro peças levaram 15 minutos. A fórmula prevê 3 × 4 + 2 = 14 minutos. O erro absoluto nesse caso é de um minuto.

O resultado mostra algo que os dados de treino não revelavam: ajustar perfeitamente três exemplos não garante acertar o próximo. Um único caso de avaliação também é insuficiente para demonstrar desempenho geral.

Se usarmos repetidamente esse caso para escolher e ajustar o modelo, ele deixa de ser uma avaliação final independente. Em trabalhos maiores, dados de validação ajudam a escolher alternativas, enquanto dados de teste ficam reservados para a avaliação final.

4. Usar o modelo ajustado

Com cinco peças, a fórmula produz 17 minutos. Essa é uma previsão, não uma medição nem uma promessa. Aplicar os parâmetros já ajustados é a etapa de inferência; ela não exige treinar novamente a cada consulta.

Prever quantidades muito diferentes das observadas também exige cuidado: a relação pode mudar. Acrescentar exemplos, conferir condições e comparar modelos pode ser necessário antes de usar uma previsão para decidir.

O que pode dar errado

Dados de avaliação não devem influenciar o treinamento por caminhos indiretos, como preparar medidas usando informação do conjunto de teste. Isso é chamado de vazamento de dados e pode produzir uma avaliação otimista.

Outra dificuldade é a representatividade: exemplos de uma única condição não descrevem automaticamente outros ambientes. Uma relação observada também não prova causa. O cálculo pode estar correto e o uso da previsão ainda ser inadequado.

Próxima leitura

Leia como a inteligência artificial chegou até aqui para situar o aprendizado com dados entre outras abordagens e momentos da pesquisa.