Questão de Engenharia de Software — Inteligencia Artificial — Quadrix 2025

Machine Learning: aprendizado supervisionado e não supervisionado

Gabarito: ERRADO. A afirmação de que "machine learning é sempre supervisionado e não pode funcionar com dados não rotulados" é falsa, pois o aprendizado de máquina abrange também o aprendizado não supervisionado, que opera exatamente com dados não rotulados, buscando padrões e estruturas ocultas sem a presença de rótulos ou respostas prévias. Essa é uma distinção fundamental entre as duas principais categorias de aprendizado de máquina.

O aprendizado de máquina (machine learning) é um subcampo da inteligência artificial que permite que sistemas aprendam e melhorem a partir da experiência, sem serem explicitamente programados para cada tarefa. A forma como esse aprendizado ocorre varia conforme o tipo de dado disponível e o objetivo do problema. A classificação mais comum divide o aprendizado em três grandes categorias: supervisionado, não supervisionado e por reforço. A questão tenta reduzir todo o campo a apenas uma dessas categorias, o que é um erro conceitual grave.

No aprendizado supervisionado, o modelo é treinado com um conjunto de dados rotulados, ou seja, cada exemplo de entrada possui uma saída esperada (rótulo). O algoritmo aprende a mapear entradas para saídas, ajustando seus parâmetros para minimizar o erro entre suas previsões e os rótulos reais. Exemplos clássicos incluem classificação (como identificar se um e-mail é spam ou não) e regressão (como prever o preço de uma casa). Já no aprendizado não supervisionado, o modelo recebe apenas dados de entrada sem rótulos e deve encontrar padrões, agrupamentos ou estruturas ocultas por conta própria. Técnicas como clusterização (agrupamento de dados similares) e redução de dimensionalidade são exemplos típicos. Um exemplo prático é segmentar clientes de uma loja em grupos com comportamentos de compra semelhantes, sem que o sistema saiba previamente quais são esses grupos.

Além dessas duas, existe o aprendizado por reforço, no qual um agente aprende a tomar decisões sequenciais interagindo com um ambiente, recebendo recompensas ou penalidades por suas ações. Esse paradigma é usado em áreas como robótica, jogos e sistemas de recomendação. Portanto, a afirmação de que o machine learning é "sempre supervisionado" ignora completamente as outras duas categorias, especialmente o não supervisionado, que é amplamente utilizado em cenários reais onde os dados não possuem rótulos.

A pegadinha da banca está em generalizar indevidamente: ela apresenta uma característica específica de uma das modalidades (o uso de dados rotulados) como se fosse uma regra universal do machine learning. O candidato que conhece apenas o conceito de aprendizado supervisionado pode cair na armadilha, mas quem domina o panorama completo percebe imediatamente a falha. Para a prova, é essencial memorizar as três categorias e suas principais diferenças, especialmente o fato de que o não supervisionado trabalha com dados não rotulados.

Item — ❌ ERRADO

A afirmação está errada porque o machine learning não é sempre supervisionado. Existem três paradigmas principais: supervisionado, não supervisionado e por reforço. O aprendizado não supervisionado é justamente aquele que funciona com dados não rotulados, identificando padrões e estruturas sem a necessidade de respostas prévias. Portanto, a premissa de que "não pode funcionar com dados não rotulados" é falsa, pois essa é exatamente a base do aprendizado não supervisionado.

Gabarito: ERRADO