Questão de Banco de Dados — BI (Business Intelligence) — Quadrix 2025

Machine Learning em Analytics: supervisão contínua

Gabarito: ERRADO (letra E). Modelos de machine learning em analytics não são autossuficientes após a implementação — eles exigem monitoramento, avaliação e, frequentemente, re-treinamento contínuo para manter a precisão e a relevância. A afirmação de que "não precisam de supervisão" é falsa, pois a supervisão é parte essencial do ciclo de vida do modelo.

O machine learning (aprendizado de máquina) é um subcampo da inteligência artificial que permite que sistemas aprendam e melhorem a partir da experiência, sem serem explicitamente programados. Em analytics, esses modelos são usados para identificar padrões, fazer previsões e apoiar decisões de negócio. No entanto, a implementação de um modelo não é o fim do processo — é apenas o início de uma fase contínua de gestão.

A supervisão pós-implementação é necessária por várias razões. Primeiro, os dados do mundo real mudam ao longo do tempo (conceito de drift ou desvio de conceito), o que pode degradar o desempenho do modelo. Segundo, o modelo pode apresentar viés ou erros que só se manifestam quando aplicado a novos dados. Terceiro, é preciso monitorar métricas de desempenho (como acurácia, precisão, recall) para garantir que o modelo continue atendendo aos objetivos de negócio. Por fim, o re-treinamento periódico com novos dados é frequentemente necessário para manter a relevância do modelo.

Na prática, um modelo de machine learning em produção é monitorado por equipes de ciência de dados e engenharia de ML. Eles acompanham indicadores de desempenho, detectam anomalias, e quando o desempenho cai abaixo de um limiar aceitável, o modelo é re-treinado ou substituído. Esse processo é conhecido como MLOps (Machine Learning Operations), que integra práticas de DevOps ao ciclo de vida do ML.

A pegadinha desta questão está em generalizar que modelos de ML são "autônomos" após a implementação. A banca explora a ideia de que, por serem "inteligentes", os modelos não precisariam de intervenção humana. No entanto, a realidade é que a supervisão contínua é um requisito fundamental para garantir a eficácia e a confiabilidade dos modelos em produção.

Alternativa C — ❌ Incorreta

A alternativa afirma que modelos de machine learning em analytics não precisam de supervisão após serem implementados. Isso é incorreto porque, na prática, os modelos exigem monitoramento contínuo para detectar degradação de desempenho, viés e mudanças nos padrões de dados. Sem supervisão, um modelo pode se tornar obsoleto e produzir resultados imprecisos, comprometendo as decisões de negócio baseadas nele.

Alternativa E — ✅ Correta ⟵ GABARITO

A alternativa está correta ao afirmar que a afirmação do enunciado é errada. Modelos de machine learning em analytics precisam de supervisão após a implementação. Isso inclui monitoramento de métricas, detecção de desvios, re-treinamento com novos dados e ajustes conforme necessário. A supervisão é parte integrante do ciclo de vida do modelo, garantindo que ele continue entregando valor ao negócio.

Gabarito: letra E