APRENDER. PRATICAR. EVOLUIR.Conceito e mecanismo
A tarefa depende do alvo. Regressão prevê um valor numérico, como duração de um batch. Classificação atribui uma categoria aprendida com exemplos rotulados, como rede ou aplicação. Clustering explora semelhanças sem essas classes prévias. As features são entradas; o label é o alvo conhecido nos exemplos supervisionados. Deep learning usa redes neuronais com várias camadas para aprender representações. Transformers usam atenção para relacionar elementos do contexto; não são uma garantia de verdade. Azure Machine Learning fornece recursos de dados, compute, experiências, gestão de modelos e deployment. Automated ML pode comparar configurações, mas a equipa continua a definir problema e aceitação.
Aplicação guiada
Num exercício fictício, prevê às 09:00 o risco de atraso do fecho. Só usa entradas disponíveis nessa hora. Um campo calculado depois do fecho introduz target leakage, mesmo que o teste pareça excelente. Separa aprendizagem e avaliação para medir comportamento em dados não usados no ajuste. Uma grande diferença entre resultados de treino e validação merece investigação de overfitting e representatividade. Com incidentes raros, accuracy global pode premiar um modelo que nunca os identifica. Examina a matriz de confusão, recall da classe crítica e custo dos falsos positivos. Conserva versões dos dados e do modelo para comparar releases e reproduzir a decisão de aceitação.
980 tickets normais e 20 críticos: prever normal para todos dá 98% de accuracy e 0% de recall dos críticos.
Armadilhas comuns
Informação futura como feature; treino como teste; accuracy como medida suficiente; AutoML como aprovação automática.
Tópicos relacionados: Workloads e responsabilidade na operação · Visão e documentos com validação · Linguagem, fala e significado operacional
Avalia o alvo e os erros que importam no momento real da decisão.
Referência: Automated machine learning · AI-900 historical skills measured 2025-05-02; exam retired 2026-06-30