Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2025

Aprendizado de máquina: supervisionado × não supervisionado

Gabarito: Errado (E). A afirmativa está incorreta porque o aprendizado de máquina não supervisionado não é a escolha ideal para o caso descrito: a empresa possui exemplos históricos de solicitações com o resultado (aprovada ou negada), ou seja, dados rotulados — o que caracteriza o aprendizado supervisionado, não o não supervisionado. O texto-base afirma que o sistema deve decidir "com base em exemplos históricos de solicitações", e cada solicitação descreve o defeito, a data de compra e "outros detalhes" — mas o ponto decisivo é que há um histórico de decisões (aprovada/negada) que serve de rótulo para o treinamento.

O aprendizado de máquina é um subcampo da inteligência artificial que permite que sistemas aprendam a partir de dados, sem serem explicitamente programados para cada regra. A distinção fundamental entre as abordagens supervisionada e não supervisionada está na presença ou ausência de rótulos nos dados de treinamento. No aprendizado supervisionado, o modelo é treinado com um conjunto de dados que contém tanto as características (atributos de entrada) quanto o resultado esperado (o rótulo, ou a variável-alvo). O objetivo é aprender uma função que mapeie as entradas para as saídas, de modo que, ao receber um novo caso sem rótulo, o sistema possa prever a saída correta. Já no aprendizado não supervisionado, o modelo recebe apenas os dados de entrada, sem rótulos, e busca encontrar estruturas ocultas, padrões ou agrupamentos nos dados — como em tarefas de clusterização (agrupamento) ou redução de dimensionalidade.

No caso da empresa, o problema é claramente de classificação: decidir se uma solicitação de garantia deve ser aprovada ou negada. Para isso, o sistema precisa aprender a partir de exemplos históricos em que a decisão já foi tomada — ou seja, cada exemplo histórico tem um rótulo (aprovada ou negada). Isso é a essência do aprendizado supervisionado, mais especificamente de um problema de classificação binária. O aprendizado não supervisionado, por não utilizar rótulos, não é adequado para essa tarefa, pois não há como o sistema "aprender a aprovar ou negar" sem que lhe seja dito, nos dados de treinamento, o que constitui uma aprovação ou uma negação.

Para ilustrar: imagine que a empresa tenha 10.000 solicitações históricas, cada uma com atributos como tipo de defeito, data de compra, valor do produto, etc., e com o campo "decisão" preenchido (aprovada ou negada). Um modelo supervisionado (por exemplo, uma árvore de decisão, uma regressão logística ou uma rede neural) seria treinado com esses dados para aprender a relação entre os atributos e a decisão. Depois de treinado, o modelo poderia receber uma nova solicitação (sem a decisão) e prever se ela deve ser aprovada ou negada. Um modelo não supervisionado, por outro lado, receberia os mesmos dados, mas sem o campo "decisão", e tentaria agrupar as solicitações em clusters com base em similaridades — mas não saberia dizer qual cluster corresponde a "aprovar" e qual a "negar", pois nunca viu essa informação.

A pegadinha da banca está em inverter os conceitos: ela afirma que o aprendizado não supervisionado é ideal "pois o sistema aprende a aprovar ou a negar sem dados rotulados". Isso é um contrassenso: para aprender a aprovar ou negar, o sistema precisa de dados rotulados. A banca explora a confusão comum entre os dois tipos de aprendizado, fazendo o candidato acreditar que "não supervisionado" significa "aprende sozinho, sem intervenção". Na verdade, "não supervisionado" significa que não há rótulos, e portanto não há como aprender uma tarefa de classificação como essa.

Guarde a fronteira: supervisionado = dados com rótulos (aprendizado por exemplos rotulados); não supervisionado = dados sem rótulos (descoberta de padrões). É exatamente nessa fronteira que a questão se decide.

Item — ❌ Errado

A afirmativa está errada porque o aprendizado de máquina não supervisionado não é a escolha ideal para o caso. O texto-base descreve um cenário em que a empresa possui "exemplos históricos de solicitações" — e, implicitamente, o resultado de cada uma (aprovada ou negada), pois o sistema deve "decidir automaticamente se uma solicitação deve ser aprovada ou negada, com base em exemplos históricos". Isso configura um problema de classificação supervisionada, em que os dados históricos servem como dados rotulados para o treinamento do modelo. O aprendizado não supervisionado, por definição, opera sem dados rotulados e busca encontrar padrões ou agrupamentos nos dados, não sendo capaz de aprender uma função de decisão de aprovação/negação. Portanto, a afirmação de que o sistema "aprende a aprovar ou a negar sem dados rotulados" é logicamente incorreta e contraria o próprio conceito de aprendizado supervisionado.

Gabarito: Errado (E).