APRENDER. PRATICAR. EVOLUIR.Conceito e mecanismo
Começa pelo problema: prever a duração de um batch é regressão; atribuir uma categoria a um ticket é classificação; descobrir grupos sem categorias previamente atribuídas é clustering. Na aprendizagem supervisionada, os exemplos incluem resultados conhecidos. A aprendizagem não supervisionada procura estrutura sem esses rótulos; reinforcement learning aprende através de recompensas associadas a ações. Treinar ajusta o modelo com dados; inferência aplica o modelo a novos pedidos. IA é o âmbito mais amplo, ML aprende padrões e deep learning utiliza redes neuronais com várias camadas. Um modelo fundacional pode apoiar várias tarefas, mas não elimina a necessidade de dados adequados e avaliação. Regras determinísticas continuam úteis quando os critérios são exatos e estáveis. Define primeiro uma referência simples com a qual comparar o benefício da IA.
Aplicação guiada
Num exercício de operações, apenas 20 de 1000 tickets exigem escalada urgente. Um classificador que nunca sinaliza urgência acerta 980 vezes, mas falha todos os casos importantes. Accuracy isolada esconde esta falha. Precision relaciona alertas corretos com todos os alertas emitidos; recall relaciona casos urgentes encontrados com todos os urgentes reais. Escolhe o compromisso considerando falsos positivos, casos perdidos e capacidade humana. Separa dados de treino e avaliação e evita usar informação que só aparece após o resultado. Depois da implementação, acompanha mudanças nos dados e desempenho. Um relatório noturno tolera inferência em batch; uma decisão durante atendimento exige latência adequada. SageMaker AI apoia o ciclo de ML; Bedrock disponibiliza capacidades para aplicações com modelos fundacionais. A escolha depende da tarefa e do controlo necessário, não do nome mais recente.
980 acertos em 1000 tickets podem coexistir com zero urgências detetadas.
Armadilhas comuns
Accuracy sem classes; dados posteriores ao resultado; modelo complexo sem referência simples; treino confundido com inferência.
Tópicos relacionados: IA generativa, contexto e agentes · Modelos fundacionais: RAG, prompts e avaliação · IA responsável e explicabilidade
Liga a tarefa, os dados e as métricas ao impacto operacional dos erros.
Referência: AIF-C01 domain1: Fundamentals of AI and ML · AIF-C01