Questão de Noções de Informática — Inteligência Artificial e Automação — Quadrix 2026

Aprendizado de máquina e regras fixas

Gabarito: ERRADO. Sistemas de IA baseados em aprendizado de máquina não dependem exclusivamente de regras fixas programadas manualmente; pelo contrário, eles aprendem a partir de dados, identificando padrões e melhorando seu desempenho com a experiência, sem serem explicitamente programados para cada tarefa. A afirmativa inverte completamente o conceito central de machine learning.

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 regras fixas codificadas por humanos, o sistema é alimentado com um grande conjunto de dados e usa esses dados para aprender e melhorar continuamente sua capacidade de realizar a tarefa. A definição clássica de Tom Mitchell resume isso: um programa aprende com a experiência E, em relação a uma tarefa T e uma medida de desempenho P, se seu desempenho em T, medido por P, melhora com a experiência E.

A confusão da afirmativa está em atribuir ao aprendizado de máquina a característica da IA Clássica (ou Simbólica), que é a abordagem baseada em regras explícitas, lógica formal e sistemas especialistas. Nessa abordagem, um especialista humano codifica manualmente um conjunto de regras do tipo "se-então" (ex.: "se o paciente tem febre E tosse, ENTÃO suspeite de gripe"). Esse sistema é determinístico e não aprende com dados históricos — se uma situação nova não estiver prevista em uma regra, o sistema falha.

Já a IA Moderna (Conexionista), que engloba o aprendizado de máquina e o deep learning, funciona de forma oposta: em vez de programar as regras, os programadores fornecem os dados e o resultado esperado, e a máquina aprende as regras sozinha, baseando-se em matemática estatística e redes neurais artificiais. É um sistema probabilístico que trabalha com margens de acerto e tendências, não com certezas absolutas. O modelo encontra padrões ocultos por conta própria, sem regras "se-então" estritas codificadas manualmente.

A pegadinha da banca é exatamente essa: inverter as características dos paradigmas de IA. A afirmativa diz que o aprendizado de máquina depende de regras fixas e não usa dados, quando na verdade é o oposto — ele depende de dados e não usa regras fixas programadas manualmente. Essa é uma armadilha clássica em provas de informática, que explora a confusão entre IA Clássica (simbólica, baseada em regras) e IA Moderna (conexionista, baseada em dados).

Item — ❌ ERRADO

A afirmativa está errada porque descreve o oposto do que é o aprendizado de máquina. Sistemas baseados em machine learning não dependem de regras fixas programadas manualmente; eles aprendem com os dados, identificando padrões e melhorando seu desempenho com a experiência. A definição de Arthur Samuel (1959) já apontava isso: o campo de estudo que dá aos computadores a habilidade de aprender sem serem explicitamente programados. O erro está nos termos "exclusivamente" e "não utilizando dados" — ambos contrariam a essência do conceito.

Gabarito: ERRADO