Capítulo 1 de 6
Percorra os conceitos em uma trilha visual. Depois, use o laboratório e abra o conteúdo completo para aprofundar.
Você está aqui: conceitos essenciais → exemplo → interação → leitura detalhada
Trilha interativa
Avance pelos conceitos em pequenas etapas. Cada etapa traz uma ideia, um exemplo e uma pergunta para você testar.
ML só faz sentido quando existe uma mudança institucional clara para produzir.
Exemplo: organizar petições por tipo pode reduzir triagem. A pergunta vem antes de escolher o modelo.
Se uma regra simples resolve o caso, ainda é necessário usar ML?
São conceitos relacionados, mas não sinônimos: regras podem automatizar sem aprender com dados.
Exemplo: uma regra que encaminha documentos por código é automação. Um modelo que aprende padrões de documentos é ML.
Qual parte depende de exemplos para ajustar parâmetros?
Um sistema aprende em relação a uma tarefa, uma experiência e uma forma de medir desempenho.
Exemplo: classificar documentos, usar exemplos históricos e medir acertos por tipo de documento.
O que será considerado um bom resultado e para quem?
Todo conjunto de dados nasce de escolhas, processos e lacunas institucionais.
Exemplo: um rótulo de documento registra uma decisão anterior, não uma verdade natural sobre o documento.
Quem criou o registro, com qual finalidade e o que ficou de fora?
Treinamento ajusta parâmetros; inferência aplica o modelo a uma nova entrada.
Exemplo: depois de aprender com documentos rotulados, o modelo sugere um rótulo para um documento novo.
Qual etapa deve ser avaliada antes de colocar uma saída em um fluxo real?
Usa exemplos acompanhados de rótulos para aprender uma relação entre entrada e saída.
Exemplo: petições sintéticas já classificadas ensinam uma sugestão de classe documental.
O rótulo representa o objetivo certo ou apenas uma decisão histórica?
Agrupamento procura semelhanças; reforço ajusta ações por consequências definidas.
Exemplo: agrupar documentos parecidos não cria, sozinho, uma categoria jurídica válida.
Quem definiu a recompensa, o limite ou o sentido do agrupamento?
Uma previsão útil não prova causa e nem transforma toda tarefa em problema de ML.
Exemplo: uma variável pode acompanhar um resultado sem causar o resultado.
Uma regra transparente, uma melhoria de processo ou uma decisão humana seria melhor?
Como usar: percorra a trilha, observe o exemplo e use o laboratório abaixo para testar o conceito com dados sintéticos.
Próxima etapa
As simulações ficam em páginas próprias para você se concentrar em uma atividade por vez.
Seu progresso fica somente neste dispositivo.
Imagine uma unidade judiciária que recebe milhares de documentos por mês. Parte do trabalho consiste em identificar o tipo de cada peça, conferir se determinados elementos estão presentes e encaminhar o documento para a fila adequada. Diante do volume, surge uma proposta: usar inteligência artificial para acelerar a triagem.
A proposta parece promissora, mas ainda está incompleta. Qual é exatamente o problema? A dificuldade está na leitura do texto, na ausência de um campo cadastral, na integração entre sistemas ou na organização do fluxo? Uma regra objetiva resolveria? Há exemplos revisados que permitiriam treinar um modelo? Que tipo de erro produziria atraso ou afetaria direitos? Quem analisaria a saída antes de qualquer efeito institucional?
Essas perguntas mostram uma ideia que acompanhará todo o e-book: um projeto de aprendizado de máquina não começa pela escolha de um algoritmo. Ele começa pela compreensão da necessidade, das pessoas envolvidas, dos dados, do resultado esperado e das consequências do erro.
Neste capítulo, construiremos o vocabulário que servirá de base para os demais. Vamos distinguir automação, inteligência artificial, aprendizado de máquina e inteligência artificial generativa. Em seguida, acompanharemos o caminho que liga problema, tarefa, dados, treinamento, modelo, inferência e ação. Também diferenciaremos aprendizado supervisionado, não supervisionado e por reforço, sempre relacionando os conceitos a situações do Poder Judiciário.
Não será necessário programar nem utilizar matemática avançada. O objetivo é compreender o funcionamento geral em profundidade suficiente para formular boas perguntas, reconhecer possibilidades reais e identificar simplificações perigosas.
Ao final deste capítulo, você deverá ser capaz de:
💬 Pra começo de conversa!
Uma equipe apresenta três propostas para organizar documentos recebidos por uma unidade. A primeira aplica condições escritas diretamente no sistema. A segunda aprende com peças que já foram classificadas por pessoas. A terceira envia o texto a um modelo generativo e solicita uma descrição em linguagem natural.
As três propostas realizam a mesma tarefa? De que informação cada uma depende? Que erro pode ocorrer? A saída será apenas uma sugestão ou produzirá algum efeito no fluxo? Antes de continuar, registre sua hipótese para cada proposta nas colunas: entrada, mecanismo, saída, erro relevante e revisão necessária. Retomaremos o caso ao final do capítulo.
Quando alguém diz “precisamos usar IA”, apresenta uma tecnologia, não um problema. Para avaliar a ideia, precisamos traduzir o desejo tecnológico em uma necessidade institucional observável.
Compare duas formulações:
Queremos usar inteligência artificial generativa na triagem.
Servidores gastam tempo identificando cinco tipos documentais que chegam sem classificação confiável. Desejamos reduzir o tempo de triagem sem aumentar encaminhamentos incorretos e mantendo confirmação humana antes da alteração da fila.
A segunda formulação informa quem realiza o trabalho, qual dificuldade existe, o que se pretende melhorar e qual limite deve ser preservado. Ela permite investigar alternativas. Talvez a solução seja tornar um campo obrigatório, corrigir a integração entre sistemas ou simplificar o formulário. Talvez uma regra seja suficiente. Talvez exista variabilidade textual que justifique avaliar um modelo. A análise permanece aberta.
Convém separar três níveis:
| Nível | Pergunta principal | Exemplo |
|---|---|---|
| Problema institucional | Que dificuldade precisa ser enfrentada? | Retrabalho na identificação do tipo documental |
| Tarefa informacional | Que transformação de informação ajudaria? | Sugerir uma categoria a partir do conteúdo da peça |
| Solução | Como pessoas, processo e tecnologia executarão a tarefa? | Formulário revisado, regra ou classificador com confirmação humana |
“Classificar documentos” é uma tarefa. “Reduzir retrabalho sem comprometer o encaminhamento” é um resultado institucional. Mesmo que um modelo classifique bem em um teste, o resultado somente aparecerá se a ferramenta for integrada ao fluxo, se a interface for compreensível e se a correção humana for possível.
📝 Tome nota!
O desempenho do modelo e o sucesso do projeto são relacionados, mas não são equivalentes. O sucesso também depende de processo, pessoas, segurança, acessibilidade, manutenção e efeitos sobre direitos.
Os termos automação, inteligência artificial e aprendizado de máquina aparecem juntos com frequência. Ainda assim, não significam a mesma coisa.
Uma automação por regras executa condições definidas previamente. Sua estrutura geral pode ser representada assim:
entrada + regras programadas → saída
Considere um cadastro com campos estruturados. Se determinada prioridade estiver formalmente registrada e todos os requisitos objetivos estiverem presentes, o sistema pode encaminhar o item para uma fila específica. A condição foi escrita por pessoas e pode ser testada diretamente.
Essa abordagem costuma oferecer rastreabilidade, custo menor e atualização localizada. Entretanto, uma regra também pode estar errada, desatualizada ou incompleta. Quando as exceções se multiplicam, sua manutenção se torna difícil. Portanto, “ser uma regra” não garante correção; significa apenas que o comportamento foi especificado de modo explícito.
Inteligência artificial é um campo amplo que estuda formas de realizar computacionalmente tarefas associadas a percepção, busca, raciocínio, planejamento, linguagem, tomada de decisão e aprendizagem. O campo inclui métodos que aprendem com dados e métodos que não aprendem. Sistemas de busca, planejamento ou representação de conhecimento podem ser estudados como IA sem utilizar aprendizado de máquina (RUSSELL; NORVIG, 2022).
Por isso, não devemos usar “IA” como sinônimo de qualquer automação sofisticada nem como sinônimo exclusivo de modelos generativos.
Aprendizado de máquina - machine learning, ou ML - reúne métodos que ajustam um modelo a partir de dados ou experiência para melhorar seu desempenho em uma tarefa definida. Em vez de escrever todas as condições de classificação, uma equipe pode apresentar exemplos com respostas de referência e ajustar um modelo que produza sugestões para casos novos.
exemplos + respostas de referência → treinamento → modelo
nova entrada + modelo → previsão
O modelo não descobre uma regra jurídica universal. Ele ajusta parâmetros para reduzir um erro definido durante o treinamento. O resultado depende dos exemplos, da representação, do objetivo e das limitações do método.
📚 Saiba mais!
Para conhecer um marco histórico do campo, consulte o estudo de Arthur Samuel sobre um programa de damas que melhorava com experiência (SAMUEL, 1959). Durante a leitura, observe a diferença entre programar o mecanismo de aprendizagem e enumerar previamente todas as boas jogadas.
Aprendizado profundo, ou deep learning, é uma parte do aprendizado de máquina baseada em redes neurais com múltiplas camadas de representação. Essas redes têm papel relevante em imagem, áudio e linguagem (LECUN; BENGIO; HINTON, 2015). Estudaremos seu funcionamento no Capítulo 3.
IA generativa designa sistemas capazes de produzir ou modificar texto, imagem, áudio, vídeo ou código. Muitos sistemas generativos contemporâneos usam redes profundas. Isso não significa, contudo, que todo aprendizado de máquina seja generativo ou que toda rede neural gere conteúdo.
Um modelo de linguagem pode redigir uma síntese fluente e, ao mesmo tempo, alterar um valor, omitir uma negação ou atribuir uma alegação à pessoa errada. Fluência é uma característica da forma da resposta; fidelidade e validade precisam ser verificadas separadamente. Esse tema será aprofundado no Capítulo 4.
| Abordagem | Como o comportamento é obtido | Exemplo de saída | Pergunta crítica |
|---|---|---|---|
| Regra explícita | condições programadas | encaminhamento quando requisitos objetivos são satisfeitos | As condições representam corretamente a regra vigente? |
| Aprendizado de máquina | parâmetros ajustados com dados | categoria ou valor estimado | Os dados e a avaliação representam o uso pretendido? |
| IA generativa | geração conforme padrões aprendidos e contexto fornecido | resumo ou texto novo | Cada afirmação está apoiada e preserva o sentido da fonte? |
⚠ Atenção!
Nem toda automação é IA; nem toda IA aprende; nem todo aprendizado de máquina usa rede neural; nem toda rede neural é generativa. Distinguir essas categorias evita expectativas inadequadas e ajuda a escolher uma solução proporcional ao problema.
Descrição acessível: Diagrama em níveis no qual aprendizado de máquina aparece dentro do campo de inteligência artificial e aprendizado profundo aparece dentro de aprendizado de máquina. Visão computacional e modelos de linguagem são apresentados como aplicações possíveis. A representação é didática e não absoluta.
Uma forma clássica de descrever aprendizado de máquina relaciona três elementos: tarefa, experiência e medida de desempenho. A tarefa indica o que o sistema deve fazer; a experiência corresponde à informação utilizada para melhorar; a medida de desempenho informa como avaliar essa melhoria.
Considere um exemplo de triagem:
A formulação já revela escolhas humanas. Quem definiu os cinco tipos? O manual estava atualizado? Casos ambíguos foram registrados? Que erro é mais grave: deixar de localizar uma classe rara ou encaminhar muitos documentos para revisão desnecessária? Uma medida não surge naturalmente dos dados; ela representa o que a equipe decidiu observar.
Além da medida técnica, o projeto pode avaliar tempo, retrabalho, acessibilidade, segurança, possibilidade de correção, distribuição de erros e impacto sobre pessoas. Um modelo pode melhorar uma métrica e piorar o fluxo.
💡 Para refletir!
Em uma tarefa do seu contexto profissional, que resultado seria facilmente medido, mas não representaria sozinho o sucesso? Que dimensão importante ficaria de fora?
Dados resultam de práticas, formulários, sistemas, prioridades e decisões. Um campo vazio pode ter vários significados; um rótulo histórico pode refletir entendimento superado; um documento pode carregar o formato de uma unidade, e não apenas seu conteúdo jurídico.
Essa distinção é essencial porque o modelo encontra regularidades na representação fornecida. Se determinado tipo de peça sempre utilizou um cabeçalho específico no conjunto de treinamento, o modelo pode usar o cabeçalho como atalho. Ele parecerá competente enquanto o formato permanecer igual, mas falhará quando o template mudar.
No Capítulo 2, estudaremos proveniência, qualidade, separação de dados, vazamento e métricas. Por enquanto, guarde o princípio: uma base grande não é automaticamente adequada, legítima ou representativa.
Para compreender um sistema de aprendizado de máquina, precisamos acompanhar o ciclo completo, e não apenas o modelo.
necessidade institucional
↓
tarefa, finalidade e limites de uso
↓
dados, proveniência e condições de utilização
↓
preparação e separação dos dados
↓
treinamento, validação e teste
↓
modelo aprovado para um uso delimitado
↓
inferência em uma entrada nova
↓
interface, revisão humana e ação
↓
monitoramento, correção e descontinuidade
Alguns termos desse fluxo serão recorrentes:
| Termo | Significado operacional |
|---|---|
| Exemplo ou instância | unidade observada, como uma peça, página ou processo |
| Atributo | informação apresentada como entrada |
| Rótulo | resposta de referência em uma tarefa supervisionada |
| Parâmetro | valor interno ajustado durante o treinamento |
| Hiperparâmetro | configuração escolhida para orientar o treinamento |
| Modelo | estrutura ajustada que transforma entradas em saídas |
| Treinamento | processo de ajuste dos parâmetros com dados |
| Inferência | aplicação do modelo treinado a uma entrada nova |
Durante o treinamento, o método ajusta os parâmetros do modelo. Durante a inferência, o modelo já ajustado recebe uma nova entrada e produz uma saída. A distinção ajuda a evitar um equívoco comum: anexar um documento a uma solicitação não significa necessariamente retreinar o modelo. O documento pode apenas servir como contexto temporário para aquela execução.
Suponha que o modelo atribua 0,78 a uma categoria. Ainda restam perguntas: esse valor está bem calibrado? Qual limiar foi definido? A ferramenta pode se abster? O usuário verá a fonte? A sugestão muda a fila automaticamente? Quem pode corrigi-la? A correção alimentará algum monitoramento?
O efeito institucional surge da combinação entre modelo, interface, regras de uso e comportamento humano. Uma sugestão que aparece discretamente pode ser analisada com cuidado; a mesma sugestão, destacada como resposta “certa” e aceita por padrão, pode gerar viés de automação.
Chamamos esse conjunto de sistema sociotécnico: tecnologia, dados, pessoas, normas, processos, infraestrutura e consequências funcionando de forma interdependente. O modelo é um componente importante, mas não é o sistema inteiro.
📝 Tome nota!
Uma previsão pode ser tecnicamente apenas uma saída. Se ela altera prioridade, fila, tratamento ou acesso, passa a produzir efeito institucional e precisa de governança proporcional.
Descrição acessível: Sequência que parte da necessidade institucional, passa por problema, tarefa, dados, treinamento, validação, inferência, interface, revisão, ação e monitoramento, e termina em correção ou descontinuidade. Pessoas, normas, processos e infraestrutura envolvem todas as etapas.
No aprendizado supervisionado, os exemplos utilizados no treinamento possuem respostas de referência. O objetivo é ajustar uma função capaz de produzir respostas adequadas para casos novos.
entrada X + rótulo y → treinamento
nova entrada X → previsão ŷ
O termo “supervisionado” não significa que uma pessoa acompanha cada cálculo. Significa que o treinamento utiliza respostas associadas aos exemplos.
Classificação é a tarefa de prever uma categoria. No Judiciário, pode apoiar a sugestão de tipo documental, assunto, presença provável de determinado elemento ou encaminhamento para revisão.
Uma classificação pode ser:
“Positivo” e “negativo” são convenções matemáticas. Não significam, por si, procedência, correção, culpa ou valor moral. A equipe precisa definir claramente o que cada classe representa.
Regressão prevê um valor numérico. Pode ser usada para estimar volume de demandas, tempo operacional ou necessidade de capacidade em determinado cenário.
Uma estimativa não é promessa. Deve ser acompanhada de erro, intervalo, horizonte temporal e condições de validade. Mudanças normativas, eventos externos ou alteração no fluxo podem tornar o histórico menos informativo para o futuro.
Rótulos não aparecem espontaneamente. Pessoas, regras ou processos os produzem. Antes de tratá-los como referência, pergunte:
Quando especialistas divergem legitimamente, uma única resposta pode esconder a incerteza. O projeto pode exigir revisão dupla, consenso, múltiplas anotações ou uma classe de abstenção.
O objetivo não é memorizar o conjunto de treinamento. É funcionar em casos novos do contexto pretendido. Essa capacidade recebe o nome de generalização (GÉRON, 2021).
Um modelo pode obter bom resultado porque viu versões quase idênticas do mesmo processo durante treinamento e teste. Também pode depender de uma informação produzida depois do momento em que a previsão deveria ocorrer. Esses problemas geram avaliação excessivamente otimista e serão estudados no próximo capítulo.
🔎 Exemplo
Uma equipe treina um classificador de tipos documentais. O modelo parece excelente, mas utiliza o nome do arquivo, que contém uma abreviação do tipo atribuída após a triagem. No uso real, essa abreviação ainda não existe. O modelo não aprendeu a interpretar a peça; recebeu indiretamente a resposta.
O exemplo demonstra por que é necessário reconstruir, na avaliação, as condições reais do momento da inferência.
No aprendizado não supervisionado, não há uma resposta de referência para a tarefa principal. O método procura estrutura na representação disponível.
Entre os usos comuns estão agrupamento, redução de dimensionalidade, exploração de similaridade, detecção de anomalias e apoio à curadoria.
Para agrupar documentos, o sistema precisa representá-los numericamente. Essa representação pode considerar palavras, metadados, tamanho, origem ou vetores aprendidos. A escolha muda o que significa estar “próximo”.
Dois documentos podem ser semelhantes no vocabulário e diferentes na finalidade jurídica. Também podem tratar do mesmo tema com palavras distintas. Um agrupamento pode refletir o template de uma unidade, o período de produção ou a qualidade do OCR.
Por isso, um grupo encontrado pelo algoritmo não se transforma automaticamente em categoria jurídica. O método responde quais itens ficaram próximos segundo determinada representação e determinado critério. A interpretação continua exigindo conhecimento do domínio.
Detecção de anomalias procura itens diferentes do padrão representado. Um registro pode ser incomum porque contém erro, novidade, exceção legítima ou informação rara. A saída pode servir para priorizar investigação, mas não prova fraude, irregularidade ou incorreção.
⚠ Atenção!
Nomear a saída muda a forma como ela será recebida. “Alerta para verificação” preserva a incerteza; “fraude detectada” transforma uma diferença estatística em conclusão que o modelo não sustenta.
🧭 Que tal!
Escolha quatro documentos fictícios e tente agrupá-los primeiro pela finalidade e depois pelo formato. Se os grupos mudarem, você terá observado, em pequena escala, como a representação e a pergunta orientam o resultado.
No aprendizado por reforço, um agente interage com um ambiente e aprende uma estratégia a partir das consequências de suas ações. Seus elementos principais são:
Esse paradigma difere do aprendizado supervisionado. Em vez de receber uma resposta correta fixa para cada exemplo, o agente observa consequências ao longo de uma sequência.
Imagine um simulador fictício de alocação de capacidade entre filas. A cada etapa, o agente escolhe onde acrescentar uma unidade de atendimento. O ambiente atualiza tempos de espera e fornece um sinal de avaliação.
O exemplo precisa permanecer no simulador. Em um serviço público real, experimentar livremente pode afetar direitos. Além disso, o simulador simplifica prioridades legais, situações urgentes, acessibilidade e diferenças entre casos.
Se a recompensa considerar apenas a quantidade de processos movimentados, o agente poderá favorecer tarefas rápidas, fragmentar movimentos ou negligenciar casos complexos. Se considerar somente o tempo médio, poderá esconder esperas extremas.
Esse comportamento é conhecido informalmente como exploração da métrica ou reward hacking: o agente encontra uma forma de melhorar o sinal definido sem alcançar o propósito mais amplo.
💡 Para refletir!
Que comportamento indesejável poderia surgir se um sistema recebesse recompensa apenas por maximizar o número diário de movimentações? Que restrições e indicadores adicionais seriam indispensáveis?
Resultados conhecidos em jogos ilustram a capacidade do paradigma em ambientes com regras e pontuação bem definidas (MNIH et al., 2015). A administração da Justiça, porém, envolve valores plurais e direitos que não cabem integralmente em uma função numérica. A recompensa orienta o comportamento do sistema; não substitui a decisão institucional sobre o que deve ser protegido.
Um modelo pode encontrar associações úteis para prever sem explicar por que o resultado ocorre. Essa distinção evita conclusões indevidas.
Suponha que determinado formato de documento esteja associado a uma classe porque uma unidade utiliza um template específico. O modelo pode acertar a categoria enquanto o template permanecer. Entretanto, não aprendeu a causa jurídica da classificação. Se o formato mudar, o desempenho poderá cair.
Correlação indica associação. Previsão utiliza padrões para estimar uma saída. Causalidade procura saber se uma intervenção produz determinado efeito, sob hipóteses e desenho de estudo apropriados. Alto desempenho preditivo não transforma associação em explicação causal.
Essa diferença é especialmente importante em perguntas como “o que causa maior duração?” ou “qual intervenção reduzirá o acervo?”. Um modelo preditivo pode localizar fatores associados ao tempo sem demonstrar que alterar esses fatores produzirá o resultado desejado.
Um atributo pode funcionar como atalho indesejado: nome da unidade, identidade de representante, modelo de documento, data posterior ao evento, duplicata ou marcador inserido depois do resultado. Remover um atributo sensível também não elimina necessariamente seus substitutos, ou proxies. Localização, linguagem e instituição podem carregar informação correlacionada.
Generalizar exige que os dados de avaliação representem o contexto de uso. Quando muda o formulário, a população, a norma ou o sistema, a relação aprendida pode deixar de valer. Por isso, monitoramento e possibilidade de interrupção fazem parte do ciclo.
🔖 Lembre-se!
O modelo aprende regularidades disponíveis nos dados e valorizadas pelo objetivo de treinamento. Ele não adquire, por esse fato, compreensão jurídica, experiência social ou responsabilidade institucional.
Escolher não usar ML pode ser uma decisão tecnicamente madura. Antes de propor um modelo, examine alternativas mais simples.
Prefira uma regra, integração ou mudança de processo quando:
Uma solução simples também precisa de teste, segurança e atualização. A vantagem é que seu comportamento pode ser mais proporcional ao problema e mais fácil de manter.
Use as seguintes perguntas como filtro inicial:
Se a equipe ainda não consegue responder, provavelmente é cedo para escolher um algoritmo.
Os três paradigmas não são caixas isoladas. Um projeto pode usar agrupamento para explorar um acervo, revisão humana para construir rótulos e classificação supervisionada para sugerir categorias. Também pode combinar regra explícita com modelo: a regra valida um formato, enquanto o modelo interpreta um texto variável.
O importante é declarar a finalidade e avaliar cada componente separadamente. Uma cadeia com várias etapas acumula riscos. Se o OCR altera uma negação, o classificador receberá texto errado. Se a interface oculta a fonte, a pessoa revisora terá dificuldade para discordar. Se as correções não são registradas, o monitoramento perde informação.
Descrição acessível: Três quadros comparam aprendizado supervisionado, não supervisionado e por reforço quanto aos dados, à saída, ao exemplo, ao risco interpretativo e ao papel humano.
O quadro a seguir resume as diferenças:
| Paradigma | Informação principal | Saída típica | Exemplo | Cuidado central |
|---|---|---|---|---|
| Supervisionado | exemplos com rótulos | categoria ou valor | sugerir tipo documental | qualidade do rótulo e generalização |
| Não supervisionado | exemplos sem rótulo da tarefa | grupos, representação ou alerta | explorar documentos semelhantes | grupo não equivale a categoria jurídica |
| Por reforço | interação, estado, ação e recompensa | política de ação | estratégia em simulador | recompensa, exploração e segurança |
Uma unidade recebe documentos que deveriam chegar acompanhados de um tipo cadastral. Parte dos registros vem sem preenchimento ou com categoria inconsistente. A equipe deseja reduzir a triagem manual.
Três fornecedores apresentam soluções:
A unidade possui peças históricas, mas não sabe quantas foram revisadas, se as categorias mudaram ou se o nome dos arquivos revela o rótulo. Também não mediu o tempo de triagem nem a frequência de cada tipo.
Qual proposta deve ser escolhida?
Antes de escolher, responda:
Não há base suficiente para escolher. Primeiro é necessário medir o processo e avaliar o cadastro. Tornar o campo obrigatório previne ausência, mas não garante preenchimento correto. Uma regra pode atender classes objetivas. Um classificador pode ser útil quando o conteúdo é variável e há exemplos confiáveis. Um modelo generativo acrescenta risco de texto não apoiado e não deve ser escolhido pela aparência de sofisticação.
Uma solução combinada pode ser adequada: melhorar o formulário, aplicar validações determinísticas e testar um classificador com abstenção para os casos restantes. Qualquer saída que altere o fluxo deve ser confirmada por pessoa competente durante a validação e o piloto.
O caso não pergunta “qual tecnologia é melhor em geral?”. Pergunta qual combinação resolve um problema definido com benefício demonstrável e risco controlável. Sem linha de base, dados avaliados e consequência do erro, a escolha seria prematura.
Relacionar problemas institucionais a tarefas, paradigmas ou alternativas sem ML, identificando dados, erros e decisões humanas.
Você integra uma equipe que recebeu seis demandas. Sua função não é escolher um produto, mas formular uma hipótese inicial tecnicamente justificada.
Para cada cenário, registre:
| Caso | Cenário |
|---|---|
| A | Há 50 mil peças revisadas e rotuladas por tipo; deseja-se sugerir o tipo de uma nova peça. |
| B | O acervo não possui categorias confiáveis; deseja-se localizar conjuntos de documentos semelhantes para exploração. |
| C | Em um simulador, deseja-se aprender uma estratégia de alocação de capacidade ao longo do tempo. |
| D | Uma norma define condição objetiva completa e os campos necessários já estão estruturados. |
| E | Deseja-se estimar o volume mensal de novas demandas. |
| F | Deseja-se marcar registros muito diferentes do padrão para posterior investigação. |
Uma matriz de decisão que demonstre a relação entre necessidade, tarefa, informação disponível, saída e efeito do erro.
Não procure uma palavra-chave isolada. Considere se há rótulos, se a saída é categoria ou número, se existe interação sequencial e se uma regra completa já resolve o problema.
Uma arquitetura pode combinar abordagens. Por exemplo, o Caso B pode gerar grupos para curadoria; pessoas revisam e constroem rótulos; depois, um classificador é treinado para sugerir categorias. Cada etapa precisa de finalidade e avaliação próprias.
Qual afirmação está correta?
A) Toda automação utiliza aprendizado de máquina.
B) Toda inteligência artificial é generativa.
C) Aprendizado de máquina é uma área da IA que ajusta modelos a partir de dados ou experiência.
D) Toda rede neural produz texto.
Uma equipe treinou um modelo com documentos históricos. Depois, aplicou o modelo já ajustado a uma peça nova. Como se chamam, respectivamente, essas duas etapas?
Um algoritmo reuniu documentos em três grupos conforme semelhança textual. A equipe nomeou o terceiro grupo como “ações procedentes”. Qual é o principal problema dessa conclusão?
“Se um modelo prevê corretamente o tempo de tramitação, então os atributos utilizados são causas da duração.”
Classifique a afirmação e justifique.
Uma condição normativa é objetiva, completa e pode ser verificada em campos estruturados. O volume é moderado e não há necessidade de interpretar texto variável. Qual abordagem deve ser considerada primeiro e por quê?
Em um simulador, um agente recebe recompensa apenas pelo número de processos movimentados. Cite dois comportamentos indesejáveis que podem surgir e indique uma medida de prevenção.
Aprendizado de máquina integra o campo amplo da IA e utiliza dados ou experiência para ajustar modelos em relação a uma tarefa e uma medida de desempenho. A alternativa A está incorreta porque regras explícitas automatizam sem aprender. A alternativa B reduz toda a IA à geração. A alternativa D confunde redes neurais em geral com modelos generativos. Se você errou, revise a Seção 1.2.
No treinamento, os parâmetros são ajustados com dados. Na inferência, o modelo treinado recebe uma entrada nova e produz uma saída. Anexar um documento a uma execução também não implica, por si, novo treinamento. Se houve dúvida, retome a Seção 1.4.1.
O agrupamento indica proximidade segundo a representação e o critério utilizados; não cria uma categoria jurídica nem informa procedência. Os documentos podem estar próximos por vocabulário, formato, origem ou tamanho. A equipe precisa investigar o significado do grupo com conhecimento do domínio. Revise a Seção 1.6.
Bom desempenho preditivo demonstra que certos padrões ajudam a estimar a saída naquele contexto; não demonstra que os atributos causam o resultado. Causalidade exige pergunta, hipóteses e desenho de estudo apropriados. Um atributo pode ser apenas proxy ou atalho. Revise a Seção 1.8.
Uma regra determinística deve ser considerada primeiro. As condições já são explícitas e os dados estão estruturados, de modo que ML pode acrescentar custo e dificuldade de manutenção sem benefício demonstrado. A regra ainda precisa ser testada e atualizada. Revise a Seção 1.9.
O agente pode favorecer casos simples, produzir movimentos sem valor, fragmentar tarefas ou negligenciar situações complexas. Medidas de prevenção incluem simulação, restrições rígidas, indicadores de qualidade e equidade, supervisão, critérios de interrupção e uma recompensa que não reduza o objetivo institucional a volume. O conceito avaliado é que recompensa incorpora escolhas e pode ser explorada. Revise a Seção 1.7.2.
Começamos com uma unidade diante de três propostas tecnológicas. Ao longo do capítulo, vimos que a escolha não deve partir do nome da ferramenta. Primeiro é necessário formular o problema, distinguir a tarefa do resultado institucional e avaliar alternativas mais simples.
Aprendemos que automação por regras, inteligência artificial, aprendizado de máquina, aprendizado profundo e IA generativa são conceitos relacionados, mas não equivalentes. Acompanhamos o ciclo entre dados, treinamento, modelo, inferência e ação e percebemos que o efeito depende de um sistema sociotécnico composto também por pessoas, interfaces, normas e processos.
Distinguimos os três paradigmas principais. No aprendizado supervisionado, exemplos possuem respostas de referência; no não supervisionado, o método explora estrutura sem rótulo para a tarefa principal; no aprendizado por reforço, um agente aprende com consequências de ações sequenciais. Em todos eles, escolhas humanas aparecem na definição do problema, dos dados, dos rótulos, das métricas, da representação e da recompensa.
Também separamos correlação, previsão e causalidade. Um modelo pode prever utilizando atalhos frágeis e perder desempenho quando o contexto muda. Por isso, não basta perguntar se o modelo acertou. Precisamos perguntar em quais dados, sob quais condições, em comparação com o quê, com que tipos de erro e com que possibilidade de correção.
No próximo capítulo, examinaremos justamente essas perguntas. Vamos acompanhar o ciclo dos dados, estudar treinamento, validação e teste e interpretar métricas a partir das consequências de falsos positivos e falsos negativos. Assim, passaremos de “qual paradigma parece adequado?” para “que evidências mostram que o modelo pode apoiar o uso pretendido?”.
Os termos algoritmo, aprendizado de máquina, atributo, classificação, generalização, hiperparâmetro, inferência, modelo, parâmetro, regressão, recompensa, rótulo, sistema sociotécnico e treinamento foram incorporados ao glossário cumulativo do e-book.
GÉRON, Aurélien. Mãos à obra: aprendizado de máquina com Scikit-Learn, Keras e TensorFlow. 2. ed. Rio de Janeiro: Alta Books, 2021.
LECUN, Yann; BENGIO, Yoshua; HINTON, Geoffrey. Deep learning. Nature, v. 521, p. 436–444, 2015. DOI: 10.1038/nature14539.
MNIH, Volodymyr et al. Human-level control through deep reinforcement learning. Nature, v. 518, p. 529–533, 2015. DOI: 10.1038/nature14236.
RUSSELL, Stuart; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: LTC, 2022.
SAMUEL, Arthur L. Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, v. 3, n. 3, p. 210–229, 1959. DOI: 10.1147/rd.33.0210.
SUTTON, Richard S.; BARTO, Andrew G. Reinforcement learning: an introduction. 2. ed. Cambridge, MA: MIT Press, 2018. Disponível em: https://www.incompleteideas.net/book/bookdraft2018mar21.pdf. Acesso em: 13 ago. 2026.
Descrição acessível: o texto é apresentado em HTML semântico, com títulos, tabelas e alternativas textuais. Os laboratórios interativos são complementos e não substituem a leitura.