#01 — Como uma IA aprende com exemplos?

Série IA sem mistério · #01 de 06. Veja a ordem completa de leitura.

Uma professora recebe uma pilha de mensagens dos alunos. Algumas perguntam sobre o prazo de uma atividade. Outras pedem ajuda com o conteúdo. Ela separa as mensagens em dois grupos para responder melhor a cada um.

Agora imagine que chegam mil mensagens por semana. Em vez de escrever uma regra para cada jeito possível de perguntar, ela reúne mensagens antigas, já classificadas, e usa esses exemplos para treinar um sistema. É uma forma simples de entender o aprendizado de máquina: encontrar padrões em casos conhecidos para fazer previsões sobre casos novos.

Mas o que significa “aprender” aqui? A máquina não estuda como uma pessoa nem compreende a experiência de um aluno. Ela ajusta um modelo para relacionar informações disponíveis a uma resposta desejada. A diferença parece pequena; na prática, evita muita confusão sobre o que a IA realmente faz.

Primeiro, precisamos dizer qual é a pergunta

Antes de escolher um algoritmo, a professora define a tarefa: identificar se cada mensagem é sobre prazo ou conteúdo. Para isso, prepara exemplos em que já sabe a resposta. A mensagem “Posso entregar amanhã?” recebe a marca “prazo”. “Não entendi a segunda questão” recebe “conteúdo”.

O texto da mensagem é a informação de entrada. A marca atribuída a ela é a resposta que queremos prever. Esse tipo de treinamento, com respostas conhecidas nos exemplos, é chamado de aprendizado supervisionado. “Supervisionado” não quer dizer que alguém observa a máquina a cada segundo; quer dizer que os exemplos de treino trazem uma resposta de referência.

Se a pergunta fosse “quantos dias este aluno provavelmente levará para concluir a atividade?”, a resposta seria um número. Ao separar mensagens entre tipos, a resposta é uma categoria. Essas duas tarefas exigem formas diferentes de avaliar os erros.

O que o modelo faz com os exemplos?

O modelo tenta encontrar relações úteis entre as entradas e as respostas. Palavras como “entregar” e “data” podem aparecer com frequência nas mensagens sobre prazo. “Explicar” e “exercício” talvez apareçam mais nas dúvidas sobre conteúdo. Durante o treinamento, o sistema ajusta seus parâmetros para reduzir os erros nos exemplos apresentados.

Isso não equivale a uma lista infalível de palavras. Uma mensagem pode dizer “o exercício vence hoje?” e misturar os dois assuntos. Outra pode perguntar “até quando tenho tempo?” sem usar a palavra “prazo”. Um bom modelo precisa lidar com variações, e a professora precisa decidir o que fazer com mensagens ambíguas. Talvez a resposta adequada seja enviá-las para uma pessoa.

Há também um detalhe decisivo: os exemplos ensinam o que está neles. Se as mensagens antigas foram marcadas de maneira inconsistente, o sistema pode repetir essa confusão. Se todas vieram de um único tipo de turma, pode funcionar pior com alunos que escrevem de outro modo.

Acertar o treino não prova que aprendeu o suficiente

Imagine um aluno que decorou as respostas da lista de exercícios, mas trava quando a prova muda as perguntas. Um modelo pode fazer algo parecido: ajustar-se muito bem aos exemplos conhecidos e falhar diante de novas mensagens. É o chamado sobreajuste, ou overfitting.

Por isso, parte das mensagens deve ficar de fora do treinamento e ser usada depois para testar o sistema. O teste faz uma pergunta mais honesta: “Como ele se sai com casos que ainda não viu?” As aulas de Machine Learning de Paulo Orenstein, no IMPA, tratam a avaliação com dados separados do treino como um ponto central.

Mesmo assim, um bom resultado no teste não encerra o trabalho. Os dados futuros podem mudar. Alunos podem passar a enviar áudios transcritos, surgir novas atividades ou aparecer perguntas que não cabem em nenhuma das duas categorias. O sistema deve ser acompanhado e revisto quando o contexto mudar.

Uma decisão útil exige mais do que uma previsão

Suponha que o modelo classifique 90 de 100 mensagens corretamente. Isso parece bom, mas a porcentagem sozinha esconde perguntas importantes: quais foram as dez mensagens erradas? Alguma dúvida urgente foi tratada como comum? Quantas mensagens o sistema marcou como “prazo” quando falavam de outra coisa?

O uso responsável começa por definir o que acontece depois da previsão. Mensagens claras podem ser encaminhadas automaticamente. As incertas podem ir para revisão. E o aluno precisa continuar tendo um caminho para explicar que sua dúvida foi entendida de forma errada.

É nesse ponto que a IA deixa de ser uma demonstração e vira parte de um serviço. O modelo oferece uma previsão; pessoas desenham as regras, verificam os resultados e assumem a responsabilidade pela decisão.

Então, como uma IA aprende?

Ela recebe exemplos, ajusta um modelo para reduzir erros e é testada com casos novos. Se continuar funcionando quando o contexto muda, pode ajudar em uma tarefa real. Se não funcionar, é preciso melhorar os dados, rever a pergunta ou escolher outra solução.

A pergunta mais útil para começar não é “qual IA devo instalar?”. É: “Que decisão quero apoiar, que exemplos tenho e como vou perceber quando o sistema errar?” Com essas três respostas, a conversa sobre IA fica bem mais concreta.

Para aprofundar: aulas do curso Machine Learning de Paulo Orenstein (IMPA, 2026), especialmente as aulas introdutórias e a revisão da semana 1. O exemplo das mensagens e a explicação deste artigo são originais.

Próximo artigo: #02 — Por que uma IA acerta nos testes e erra na vida real? →

Voltar ao índice da série