Questão de Noções de Informática — Outros Tópicos de Informática — Quadrix 2026

Aprendizado de máquina: dados e experiência, não regras fixas

Gabarito: ERRADO. A afirmativa está incorreta porque sistemas de inteligência artificial baseados em aprendizado de máquina dependem fundamentalmente de dados históricos para aprender, e não de regras previamente programadas — é justamente o oposto do que o item afirma. O aprendizado de máquina é definido como o campo que dá aos computadores a habilidade de aprender sem serem explicitamente programados, construindo modelos a partir de dados de treinamento.

O aprendizado de máquina (machine learning) é um subcampo da inteligência artificial que se concentra no desenvolvimento de algoritmos e modelos estatísticos que permitem que um sistema realize tarefas sem ser explicitamente programado para fazê-las. Em vez de seguir regras fixas e pré-definidas, o sistema é alimentado com um grande conjunto de dados — os chamados dados históricos — e usa esses dados para aprender padrões, melhorar sua performance e fazer previsões. A definição clássica de Arthur Samuel, de 1959, já capturava essa essência: o aprendizado de máquina é o "campo de estudo que dá aos computadores a habilidade de aprender sem serem explicitamente programados".

A distinção central é entre dois paradigmas: na programação tradicional, o programador escreve regras explícitas (se X, então Y) que o computador segue rigidamente. No aprendizado de máquina, o programador não define as regras — ele fornece dados e o algoritmo descobre os padrões por conta própria. Tom Mitchell formalizou isso: um programa aprende pela experiência E, com respeito a uma tarefa T e performance P, se sua performance em T melhora com a experiência E. Ou seja, o aprendizado é indutivo: extrai regras e padrões de grandes conjuntos de dados, em vez de aplicar regras pré-existentes.

Na prática, pense num sistema de detecção de spam: ninguém programa manualmente todas as regras possíveis de "o que é spam". Em vez disso, o sistema recebe milhares de e-mails históricos já rotulados (spam ou não-spam), aprende os padrões desses dados e, a partir daí, classifica novos e-mails. Quanto mais dados históricos, melhor o modelo — exatamente o contrário de "depender exclusivamente de regras previamente programadas".

A pegadinha da banca está em inverter a definição: o item afirma que o aprendizado de máquina depende de regras programadas e não é influenciado por dados históricos, quando a realidade é precisamente o oposto. O candidato que conhece o conceito básico percebe a inversão na hora.

Item — ❌ ERRADO

A afirmativa está errada por dois motivos complementares:

1. "Dependem exclusivamente de regras previamente programadas" — Falso. O aprendizado de máquina é definido justamente pela capacidade de aprender sem ser explicitamente programado. Os algoritmos constroem modelos a partir de dados, não seguem regras fixas escritas por programadores.

1. "Não sendo influenciados por dados históricos" — Falso. Os dados históricos são a matéria-prima do aprendizado de máquina. O sistema é treinado com dados passados (dados de treinamento) para aprender padrões e fazer previsões. A definição de Tom Mitchell é explícita: o programa aprende pela experiência E e melhora sua performance com essa experiência.

O item descreve, na verdade, o oposto do aprendizado de máquina — ele descreve a programação tradicional baseada em regras, que é exatamente o que o machine learning busca superar. Sistemas de IA baseados em aprendizado de máquina são altamente influenciados por dados históricos e não dependem de regras pré-programadas.

Gabarito: ERRADO (letra E).