O que é aprendizado de máquina (machine learning)

O que é aprendizado de máquina e quais são os tipos?

Aprendizado de máquina (em inglês, machine learning) é o jeito de um sistema aprender padrões com dados ou com tentativa e erro, sem que alguém programe cada situação.

Os três tipos mais citados são:

• Supervisionado. O sistema recebe exemplos com a resposta esperada, chamada de rótulo, e aprende a prever essa resposta em casos novos. Faz dois tipos de tarefa: classificação (escolher uma categoria, como "fraude" ou "não fraude") e regressão (prever um número, como preço ou tempo de entrega).
• Não supervisionado. Os dados vêm sem respostas corretas. O sistema procura sozinho grupos, padrões ou casos fora do comum. Duas aplicações típicas são o agrupamento (clustering, separar dados parecidos em grupos) e a detecção de anomalias (destacar o que foge do padrão).
• Por reforço. Um agente interage com um ambiente, escolhe ações e recebe recompensas ou penalidades. O objetivo é aprender uma estratégia que some a maior recompensa ao longo do tempo. A recompensa pode chegar atrasada: uma decisão de agora pode só mostrar seu valor várias etapas depois.

Uma revisão técnica de 2026 do Particle Data Group, voltada à física de partículas, descreve o aprendizado por reforço como interação com um ambiente em que as probabilidades e as recompensas podem ser desconhecidas. Ela registra também que esses algoritmos não precisam conhecer de antemão um modelo matemático exato do ambiente.

Onde o aprendizado de máquina aparece no dia a dia?

Você provavelmente já usa sistemas assim sem perceber. Alguns exemplos para cada tipo:

Supervisionado

• Um filtro de spam aprende com mensagens marcadas como "spam" ou "não spam".
• O app do seu banco ou cartão pode classificar uma transação como provavelmente legítima ou suspeita.
• Um serviço de fotos reconhece cães, carros ou pessoas depois de treinar com imagens rotuladas.
• Um sistema estima o preço de uma casa a partir de imóveis cujo preço final já é conhecido.

Não supervisionado

• Um serviço de streaming agrupa usuários com hábitos parecidos.
• Uma loja identifica grupos de clientes com padrões de compra diferentes.
• Um sistema de segurança detecta comportamentos incomuns em uma rede.
• Um app organiza fotos parecidas sem que cada uma tenha sido nomeada.

Por reforço

• Um robô aprende a andar ao receber recompensa quando avança sem cair.
• Um sistema de trânsito ajusta semáforos para reduzir congestionamentos.
• Um programa de jogos aprende quais movimentos aumentam a chance de vitória.
• Um sistema de recomendação testa ordens de conteúdo e observa cliques e tempo de visualização.

Em áreas sensíveis, como emprego, crédito e saúde, um sistema treinado com dados enviesados pode repetir esse viés. Filtros de currículo, por exemplo, podem esbarrar em leis contra discriminação. Se uma decisão automática afetar você, vale perguntar à empresa como ela foi tomada e, se for o caso, procurar um profissional.

Quais são as confusões mais comuns sobre aprendizado de máquina?

• Aprendizado de máquina não é sinônimo de IA. É uma parte da inteligência artificial, a que aprende com dados. Os chats de IA atuais usam modelos de linguagem, que são um tipo de aplicação de aprendizado de máquina.
• Modelos de linguagem não se encaixam em um tipo só. O pré-treinamento costuma usar grandes volumes de texto sem rótulos, com o modelo aprendendo a prever o próximo token (pedaço de palavra que o modelo processa). Depois, técnicas supervisionadas e de reforço podem ajustar o comportamento. Cada empresa descreve seu processo do seu jeito, e não encontramos fonte oficial atual que compare isso com o mesmo critério entre fabricantes.
• "Aprender" não quer dizer entender. O sistema calcula padrões estatísticos. Por isso pode errar com confiança, a chamada alucinação.
• Rankings não medem "quem aprende melhor". Medições públicas, como as da Epoch AI, avaliam tarefas específicas. Elas não comparam os três tipos de aprendizado entre si.