Questão de TI - Ciência de Dados e Inteligência Artificial — Conceitos Gerais de Machine Learning — INSTITUTO AOCP 2024

Detecção de anomalias: abordagens supervisionada, não supervisionada e semissupervisionada

Gabarito: letra B (V – V – V – F). As três primeiras afirmativas descrevem corretamente as abordagens supervisionada, não supervisionada e semissupervisionada na detecção de anomalias; a quarta afirmativa está incorreta porque a abordagem semissupervisionada não utiliza anomalias para entender a origem dos outliers — ela treina apenas com dados normais e identifica desvios em relação a esse padrão.

A detecção de anomalias é uma tarefa de aprendizado de máquina que busca identificar eventos, observações ou produtos que se desviam significativamente do comportamento esperado ou do padrão predominante em um conjunto de dados. Esses desvios, chamados de anomalias ou outliers, podem indicar fraudes, falhas, erros ou eventos raros de interesse. A forma como o modelo é treinado para reconhecer essas anomalias depende da disponibilidade de rótulos nos dados, o que dá origem a três abordagens principais: supervisionada, não supervisionada e semissupervisionada.

Na abordagem supervisionada, o conjunto de dados precisa estar previamente rotulado, ou seja, cada instância deve ser classificada como "normal" ou "anormal". O modelo aprende a partir desses exemplos rotulados para, depois, classificar novas instâncias. Essa abordagem é semelhante a um problema clássico de classificação binária, mas enfrenta o desafio do desbalanceamento de classes, pois anomalias são raras por definição. Na prática, isso significa que o modelo pode ter pouquíssimos exemplos positivos (anomalias) para aprender, o que exige técnicas como oversampling ou uso de métricas adequadas (precisão, recall, F1-score) em vez de acurácia.

Na abordagem não supervisionada, o conjunto de dados não possui rótulos. O modelo assume que a maioria dos dados é normal e que as anomalias são pontos discrepantes, ou seja, instâncias que se afastam significativamente do padrão geral. Algoritmos como Isolation Forest, One-Class SVM e clustering (DBSCAN, K-means) são comuns nessa abordagem. A grande vantagem é que não há necessidade de rotulagem prévia, o que a torna aplicável a cenários onde anomalias são desconhecidas ou difíceis de rotular. A premissa central é que anomalias são raras e diferentes, o que permite identificá-las pela distância ou densidade em relação ao restante dos dados.

Na abordagem semissupervisionada, o modelo é treinado apenas com dados normais (não rotulados como anômalos). O objetivo é aprender o padrão do comportamento normal e, em seguida, identificar desvios em relação a esse padrão como anomalias. Essa abordagem é útil quando se tem um conjunto confiável de dados normais, mas poucas ou nenhuma anomalia rotulada. O modelo constrói um perfil do que é "normal" e qualquer instância que não se encaixe nesse perfil é considerada anômala. É importante destacar que a semissupervisionada não utiliza anomalias no treinamento — ela se baseia exclusivamente nos dados normais para definir a fronteira do comportamento esperado.

A distinção entre as três abordagens é fundamental para escolher a técnica adequada em cada problema. A tabela abaixo resume as principais diferenças:

A pegadinha da banca está na quarta afirmativa: ela inverte o papel da semissupervisionada. A banca tenta fazer o candidato acreditar que a abordagem semissupervisionada usa anomalias para entender a origem dos outliers, quando na verdade ela usa apenas dados normais para treinar o modelo. O objetivo é identificar desvios, não entender a origem das anomalias. Essa inversão é clássica em questões de machine learning, e o candidato que não domina o conceito pode facilmente cair na armadilha.

Alternativa A — ❌ Incorreta

A sequência V – V – F – V está incorreta porque a terceira afirmativa é verdadeira (a semissupervisionada identifica anomalias usando dados normais de treinamento) e a quarta é falsa (a semissupervisionada não usa anomalias para entender a origem dos outliers). A alternativa A erra ao marcar a terceira como falsa e a quarta como verdadeira, invertendo exatamente os dois itens que a banca explora.

Alternativa B — ✅ Correta ⟵ GABARITO

A sequência V – V – V – F está correta. A primeira afirmativa é verdadeira: na abordagem supervisionada, o conjunto de dados deve estar previamente rotulado como normal e anormal. A segunda é verdadeira: na não supervisionada, a maioria dos dados é normal e os anormais são discrepantes. A terceira é verdadeira: a semissupervisionada identifica anomalias usando informações do conjunto de dados normais de treinamento. A quarta é falsa: a semissupervisionada não utiliza anomalias para entender a origem dos outliers — ela treina apenas com dados normais.

Alternativa C — ❌ Incorreta

A sequência F – V – F – F está incorreta porque a primeira afirmativa é verdadeira (a supervisionada exige rótulos) e a terceira também é verdadeira (a semissupervisionada usa dados normais para treinar). A alternativa C erra ao marcar a primeira e a terceira como falsas, contrariando os conceitos fundamentais das abordagens.

Alternativa D — ❌ Incorreta

A sequência V – F – F – V está incorreta porque a segunda afirmativa é verdadeira (na não supervisionada, a maioria dos dados é normal e os anormais são discrepantes) e a terceira também é verdadeira (a semissupervisionada usa dados normais). A alternativa D erra ao marcar a segunda e a terceira como falsas, e a quarta como verdadeira, invertendo os conceitos.

Alternativa E — ❌ Incorreta

A sequência V – F – V – F está incorreta porque a segunda afirmativa é verdadeira (na não supervisionada, a maioria dos dados é normal e os anormais são discrepantes). A alternativa E erra ao marcar a segunda como falsa, contrariando a definição clássica da abordagem não supervisionada.

Gabarito: letra B