#06 — Quando a vida faz curva: por que uma IA não pode prever tudo em linha reta

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

Às oito da manhã, Clara olhou para a fila de sua cafeteria e pensou: “São só mais quatro pessoas. Daqui a pouco a gente atende.” Dez minutos depois, a fila chegava à porta. A máquina de café continuava a mesma, a equipe também. O que mudara era o ritmo: novos pedidos chegavam antes que os anteriores terminassem.

Clara usava uma previsão simples para organizar o atendimento. Pelos registros, cada cliente a mais parecia acrescentar um pouco de espera. Na manhã tranquila, a conta funcionava. No horário de pico, falhava feio. O problema não era necessariamente falta de dados. Era a suposição de que a espera cresceria sempre no mesmo ritmo.

A história é fictícia, mas a ideia aparece em muitos lugares: o efeito de uma mudança depende de onde começamos. Mais uma pessoa numa sala vazia é diferente de mais uma pessoa numa sala lotada.

O que significa “linha reta” numa previsão?

Imagine um desenho com o número de pedidos na horizontal e o tempo de espera na vertical. Um modelo simples pode representar a relação com uma reta: a cada pedido adicional, a previsão aumenta aproximadamente a mesma quantidade de minutos. Essa simplicidade pode ser útil quando descreve bem a faixa em que o negócio costuma operar.

Mas a cafeteria tem um limite de atendimento. Enquanto a equipe consegue terminar os pedidos quase no ritmo em que chegam, a fila anda. Quando as chegadas passam a se acumular, a espera pode aumentar mais depressa. A relação no desenho começa a fazer uma curva.

Isso é uma relação não linear. Não é um defeito dos dados nem um sinal de que a IA “pensa” de modo especial. Significa apenas que um passo a mais numa variável pode ter efeitos diferentes em partes diferentes do caminho.

Nem toda curva precisa de um modelo complicado

Clara poderia começar desenhando os registros: quantos pedidos chegaram em cada período e quanto tempo os clientes esperaram. Antes de escolher uma técnica, ela precisa conferir se os dados medem a mesma coisa e se dias com equipe reduzida ou máquina quebrada estão misturados com dias normais. Uma curva aparente pode esconder diferenças de contexto.

Se o padrão continuar, há várias maneiras de representá-lo. Uma delas permite que a linha se curve, usando termos adicionais no modelo; é a regressão polinomial. Outra divide o caminho em faixas e ajusta o comportamento em partes. Há também métodos que unem trechos de curvas de forma suave, chamados splines.

A aula 8 do curso de Machine Learning de Paulo Orenstein, no IMPA, apresenta essas famílias de métodos, além de regressão local e modelos aditivos. A ideia para quem usa a ferramenta é mais simples que os nomes: podemos deixar a previsão acompanhar curvas, mas precisamos conferir se elas aparecem em dados novos.

Uma curva muito caprichada também pode enganar

Suponha que, numa terça-feira, um grupo grande entrou junto e fez pedidos difíceis. Um modelo muito flexível pode tentar desenhar uma pequena ondulação só para explicar aquele episódio. Se for um caso raro, a ondulação talvez não ajude a prever outra terça. É o mesmo cuidado com o sobreajuste que vimos no artigo anterior.

Por isso, Clara compara alternativas em períodos reservados para validação. Uma reta pode ser suficiente. Uma curva moderada pode melhorar a previsão. Uma curva cheia de voltas pode apenas decorar os registros. O teste final, separado das escolhas, ajuda a medir como a opção escolhida funciona em exemplos que ela ainda não usou para ajustá-la.

Há outro limite importante: fora da faixa observada, a curva pode se comportar de maneira absurda. Se a cafeteria nunca recebeu mais de certo volume de pedidos numa manhã, extrapolar muito além disso exige cautela. A aula do IMPA destaca, por exemplo, que polinômios podem ter comportamento ruim nas extremidades.

Uma boa pergunta muda a decisão

Clara não quer apenas prever minutos. Ela precisa decidir quando chamar apoio para o balcão. Se o tempo de espera dispara perto de determinado volume de pedidos, uma média para o dia inteiro esconde justamente o momento em que agir faria diferença. A previsão pode ajudar a estabelecer um alerta antes que a fila trave.

Isso não significa automatizar toda escala de trabalho. Chuva, feriado, pessoas disponíveis, tamanho dos pedidos e outras condições podem mudar a situação. Uma previsão útil mostra suas condições e seus limites; a equipe pode corrigir o rumo ao observar o movimento real.

Três perguntas para reconhecer uma curva

1. O mesmo aumento produz sempre o mesmo efeito? Compare o que ocorre em dias tranquilos e perto do limite de atendimento.
2. A curva se repete em novos exemplos? Um desenho bonito nos dados antigos não basta.
3. Estamos prevendo dentro da faixa conhecida? Muito além dela, a confiança deve diminuir.

Na próxima manhã, Clara não olha apenas quantas pessoas há na fila. Ela olha a velocidade com que os pedidos chegam e saem. Quatro clientes podem ser pouca coisa às dez horas e o começo de uma longa espera às oito. Às vezes, entender a curva é o que permite agir antes da fila chegar à porta.

Para aprofundar: curso Machine Learning de Paulo Orenstein (IMPA, 2026), especialmente a aula 8 sobre relações além da linearidade. Clara e a cafeteria são exemplos didáticos criados para este artigo.

Na série: ← #05 — Mais informações deixam uma IA mais inteligente?

Você chegou ao fim desta sequência. Revisitar os seis artigos em ordem.