Questão de TI - Ciência de Dados e Inteligência Artificial — Geral — CESPE / CEBRASPE 2026

Aprendizado de máquina: a essência é aprender padrões dos dados

Gabarito: letra D. O sistema LLP-Co é um sistema de aprendizado de máquina porque sua característica central é aprender padrões a partir dos dados e fazer generalizações para novos casos — exatamente o que o texto descreve ao afirmar que o sistema "tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores" e que "organiza grandes conjuntos de dados... identificados (rotulados) e classificados pelo sistema". As demais alternativas descrevem sistemas que não aprendem: dispensar validação humana, executar instruções determinísticas, operar com regras simbólicas fixas ou usar apenas estatística descritiva são características de abordagens tradicionais, não de aprendizado de máquina.

O aprendizado de máquina (machine learning) é um subcampo da inteligência artificial que se distingue por uma mudança fundamental de paradigma: em vez de o programador codificar manualmente todas as regras de decisão, o sistema extrai padrões automaticamente a partir de exemplos (dados) e, com base nesses padrões, generaliza para dados nunca vistos. Essa é a essência: o modelo não é programado para cada caso, ele aprende a partir de dados rotulados (supervisionado) ou não rotulados (não supervisionado), e depois aplica o que aprendeu a novas situações.

No caso do LLP-Co, o texto descreve exatamente esse ciclo: o sistema recebe grandes conjuntos de dados de drones e satélites, esses dados são "organizados, identificados (rotulados) e classificados pelo sistema", e o sistema "tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores". Ou seja, há um processo de treinamento (com supervisão humana) em que o modelo aprende a reconhecer padrões (como tipos de cultura agrícola, níveis de desmatamento, espécies vegetais) e depois generaliza para novos dados — por exemplo, classificando automaticamente novas imagens de satélite sem que um humano precise rotular cada uma.

A distinção crucial que a questão explora é entre aprendizado de máquina e programação tradicional. Na programação tradicional, o programador escreve regras explícitas (se-então) que o computador executa deterministicamente — o sistema não "aprende" nada, apenas segue instruções. No aprendizado de máquina, o sistema infere as regras a partir dos dados. Essa é a fronteira que separa a alternativa correta (D) das demais.

A banca montou as alternativas para testar exatamente essa compreensão: as letras A, B, C e E descrevem características que contradizem ou não capturam a essência do aprendizado de máquina, enquanto a letra D a descreve com precisão. Vamos analisar cada uma.

Alternativa A — ❌ Incorreta

Afirma que o sistema "dispensa qualquer tipo de validação humana no processo de aprendizagem". Isso é falso e contraria o próprio texto, que diz explicitamente que o sistema aprende "a partir da supervisão e validação dos pesquisadores". Ou seja, a validação humana é parte essencial do processo — pelo menos no contexto descrito (aprendizado supervisionado). Além disso, mesmo em aprendizado não supervisionado, a validação humana costuma ser necessária para avaliar a qualidade dos resultados. A alternativa erra ao negar a participação humana, quando o texto a afirma.

Alternativa B — ❌ Incorreta

Diz que o sistema "executa instruções determinísticas previamente codificadas". Isso descreve a programação tradicional, não o aprendizado de máquina. Um sistema de aprendizado de máquina não segue instruções fixas codificadas por um programador; ele aprende os padrões a partir dos dados. A palavra-chave é "determinísticas": no ML, o comportamento do modelo é probabilístico e adaptativo — ele muda conforme os dados de treinamento. A alternativa confunde o paradigma clássico de programação com o paradigma de aprendizado.

Alternativa C — ❌ Incorreta

Afirma que o sistema "opera com base exclusivamente em regras simbólicas definidas por especialistas". Isso descreve os sistemas especialistas (baseados em regras simbólicas), uma abordagem da IA anterior ao aprendizado de máquina. No ML, as regras não são definidas por especialistas; elas são aprendidas automaticamente a partir dos dados. O texto deixa claro que o sistema "aprende sozinho" — não que segue regras pré-definidas por humanos. A alternativa troca o paradigma de aprendizado pelo paradigma simbólico.

Alternativa D — ✅ Correta ⟵ GABARITO

Esta é a definição canônica de aprendizado de máquina: aprender padrões a partir dos dados e fazer generalizações para novos casos. O texto descreve exatamente isso: o sistema "organiza grandes conjuntos de dados", "identifica (rotula) e classifica" esses dados, e "tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores". A palavra "generalização" é o termo técnico que define a capacidade do modelo de aplicar o que aprendeu a dados novos — é isso que permite, por exemplo, classificar automaticamente novas imagens de satélite sem intervenção humana. A alternativa D captura a essência do conceito.

Alternativa E — ❌ Incorreta

Diz que o sistema "utiliza estatística descritiva sobre imagens de satélite". A estatística descritiva (média, mediana, desvio padrão, etc.) é uma ferramenta que pode ser usada dentro de um pipeline de ML, mas não é a característica central que define o aprendizado de máquina. O ML vai além da descrição: ele aprende relações e faz previsões (estatística inferencial, modelos preditivos). A alternativa reduz o escopo do sistema a uma mera descrição estatística, ignorando o aspecto de aprendizado e generalização.

Gabarito: letra D — a única que descreve corretamente a característica central do aprendizado de máquina: aprender padrões dos dados e generalizar para novos casos.