Aprendizado de máquina (machine learning): o que é

O que é aprendizado de máquina e de onde vem a ideia?

Em uma frase: no aprendizado de máquina, o sistema aprende com exemplos em vez de receber cada regra pronta.

Na programação tradicional, uma pessoa escreve um algoritmo que transforma dados de entrada (inputs) em dados de saída (outputs). No aprendizado de máquina, a lógica muda. A partir de um conjunto de dados, o algoritmo de aprendizado gera um modelo. Esse modelo também é um algoritmo e consegue lidar com dados para os quais não foi especificamente programado. Ou seja, ele "generaliza" o que viu no treinamento (tese, USP).

Por isso se diz que o aprendizado de máquina é orientado por dados. O algoritmo descobre padrões no conjunto de dados (o dataset) e usa esses padrões para fazer previsões ou tomar decisões (tese, USP).

Uma das técnicas mais conhecidas da área são as redes neurais. A ideia é antiga. Ela remonta a 1943, quando Warren McCulloch e Walter Pitts escreveram sobre "neurônios artificiais" no artigo "A Logical Calculus of The Ideas Immanent in Nervous Activity". Em 1956, uma conferência organizada por professores do Dartmouth College já indicava as redes neurais como uma das áreas de estudo. Durante décadas, a técnica perdeu importância, porque exigia muitos dados e muita capacidade de processamento (tese, USP).

Quais são os tipos de aprendizado de máquina, com exemplos do dia a dia?

De forma didática, o aprendizado de máquina se divide em três tipos (tese, UnB).

1. Supervisionado. O modelo recebe exemplos com a resposta certa, os chamados rótulos, e aprende a prever essa resposta para dados novos. Exemplos: - um filtro de spam treinado com mensagens já marcadas como "spam" ou "não spam"; - um aplicativo bancário que estima a chance de fraude a partir de transações já marcadas como legítimas ou fraudulentas; - um serviço de mapas que prevê o tempo de chegada com base em trajetos anteriores.

O ponto forte é que dá para medir o acerto, comparando a previsão com a resposta conhecida. O ponto fraco é que bons rótulos podem ser caros, demorados ou subjetivos. Se os rótulos tiverem erros ou vieses, o modelo pode repeti-los.

2. Não supervisionado. O algoritmo recebe dados sem rótulos e procura estruturas por conta própria. A norma ABNT NBR ISO/IEC 22898:2023 o define como "aprendizado de máquina que faz uso de dados não rotulados durante o treinamento" (tese, USP). A tarefa mais comum é o agrupamento, ou clustering: separar dados parecidos em grupos. Exemplos: - um serviço de música que agrupa pessoas com hábitos de escuta semelhantes; - uma loja virtual que descobre produtos comprados juntos; - um aplicativo de fotos que organiza imagens por semelhança visual.

3. Por reforço. Um agente interage com um ambiente. Ele observa uma situação, escolhe uma ação e recebe uma recompensa ou uma penalidade. Depois ajusta sua estratégia, chamada de política. O objetivo é somar a maior recompensa possível ao longo do tempo. O agente não precisa conhecer de antemão as regras exatas do ambiente (Particle Data Group, revisão de 2026). Exemplos: - um robô aspirador que aprende movimentos que cobrem melhor a área e evitam batidas; - um robô que aprende a trajetória mais curta entre dois pontos, porque é penalizado nos trechos que alongam o percurso; - um agente de jogo que aprende estratégias pelo resultado das partidas.

🚀 Para quem já é mais avançado. Os modelos atuais costumam combinar os três tipos. O pré-treinamento usa grandes volumes de dados sem rótulos explícitos. O ajuste supervisionado ensina formatos e tarefas com exemplos de entrada e saída. A otimização por preferências ou por reforço orienta as respostas com avaliações humanas ou recompensas. A documentação do Microsoft Foundry, atualizada em 11 de novembro de 2026, descreve fluxos que juntam treinamento supervisionado, aprendizado por preferência, destilação e aprendizado por reforço na mesma infraestrutura (verificado em nov/2026).

Quais são as confusões mais comuns sobre aprendizado de máquina?

"Aprender" não é pensar. O termo descreve um processo estatístico: ajustar um modelo a partir de dados. Um sistema que aprende as regras de um jogo de tabuleiro sofisticado não fica apto, por isso, a sugerir diagnósticos médicos. São problemas específicos e distintos (tese, UnB).

O resultado não é 100% preciso. No software tradicional, a mesma entrada documentada leva sempre ao resultado esperado. Em sistemas de IA, a saída vem dentro de limites de probabilidade. Por isso, prevenir e reduzir riscos faz parte do desenvolvimento responsável (tese, Mackenzie). Confira o que importa antes de usar uma resposta.

Os dados mudam o resultado. Um modelo aprende com o que recebe. Se os dados forem pouco diversos ou enviesados, o modelo pode reproduzir esses vieses. A tese da USP cita o caso de uma ferramenta de recrutamento da Amazon que desenvolveu viés contra mulheres por falta de diversidade nos dados (tese, USP).

"Não supervisionado" não quer dizer "sem pessoas". Não há resposta certa em cada exemplo. Por isso, avaliar os grupos ou padrões encontrados costuma exigir métricas indiretas ou validação humana.

Os tipos nem sempre têm fronteiras nítidas. Existe o aprendizado semissupervisionado, que usa poucos exemplos rotulados e muitos sem rótulo (tese, USP). Existe também o aprendizado por transferência, que reaproveita o que foi aprendido em um problema para resolver outro. Um exemplo é usar o reconhecimento de números de casas para reconhecer números escritos à mão (tese, USP).