Machine Learning

Softwares tradicionais executam instruções explícitas: "se o saldo for negativo, bloquear transação". O programador codifica cada regra. Isso funciona quando as regras são conhecíveis e enumeráveis. Quando o problema é "identificar se este e-mail é spam", "prever quais clientes vão cancelar nos próximos 30 dias" ou "reconhecer se esta imagem contém um produto com defeito", as regras são tantas e tão interdependentes que enumerá-las manualmente é inviável.

Machine Learning (ML) é a abordagem onde, em vez de programar as regras, o sistema aprende os padrões a partir de dados. Dado um conjunto de exemplos com respostas conhecidas — e-mails rotulados como spam ou não-spam, clientes que cancelaram e os que continuaram — um algoritmo de ML encontra os padrões que discriminam os casos e os encapsula em um modelo. Esse modelo é então aplicado a novos dados que nunca viu para fazer previsões.

O resultado é um software que nenhum programador poderia escrever manualmente, porque os padrões relevantes emergem dos dados em dimensionalidade e complexidade que excedem a cognição humana. E um software que, ao contrário de regras fixas, pode ser retreinado quando o mundo muda.

Aprendizado supervisionado: o modo mais comum em aplicações práticas de negócio. O modelo aprende de pares (entrada, saída esperada) — exemplos rotulados por humanos ou extraídos de histórico. A saída pode ser uma categoria (classificação: churn/não-churn, fraude/legítimo, positivo/negativo) ou um número contínuo (regressão: previsão de vendas, estimativa de preço, probabilidade de conversão). Requer curadoria de dados rotulados, que é a parte mais trabalhosa e custosa.

Aprendizado não supervisionado: o modelo descobre estrutura nos dados sem rótulos predefinidos. Principal aplicação: clustering (agrupar clientes por comportamento similar, segmentar produtos por padrão de venda), detecção de anomalias (identificar transações incomuns sem saber de antemão o que é "fraude"), redução de dimensionalidade (comprimir dados de alta dimensão para visualização ou pré-processamento). Útil para exploração quando não há hipótese clara sobre o que procurar.

Aprendizado por reforço: o modelo aprende por tentativa e erro, tomando ações em um ambiente e recebendo recompensas ou penalidades. Base do treinamento de sistemas de jogo (AlphaGo, AlphaStar), robótica e, mais recentemente, técnicas de alinhamento de LLMs (RLHF). Difícil de aplicar em contextos de negócio onde o ambiente de simulação é custoso de construir.

A escolha de algoritmo depende do tipo de dado, do volume, da interpretabilidade necessária e da natureza do problema.

Regressão linear e logística: os mais simples e interpretáveis. Regressão linear para prever valores contínuos; logística para classificação binária. Funcionam bem quando a relação entre variáveis é aproximadamente linear e quando interpretabilidade é prioritária (crédito, saúde, domínios regulados).

Árvores de decisão e Random Forests: aprendem regras de decisão hierárquicas. Árvores simples são interpretáveis mas propensas a overfitting. Random Forests (ensemble de múltiplas árvores) são mais robustas e frequentemente o benchmark a bater em dados tabulares. Gradient Boosting (XGBoost, LightGBM, CatBoost) é o estado da arte para tabular: alta acurácia, lida bem com dados faltantes, rápido de treinar.

Support Vector Machines (SVM): eficazes em espaços de alta dimensão com dados relativamente pequenos. Foram padrão de classificação de texto antes de Deep Learning; hoje menos usadas em produção.

Redes neurais: necessárias quando os dados têm estrutura espacial (imagens), temporal (séries temporais, áudio) ou linguística (texto). Para dados tabulares estruturados, frequentemente são superadas por gradient boosting com menos custo computacional.

K-means e DBSCAN: algoritmos de clustering para aprendizado não supervisionado. K-means agrupa em número fixo de clusters; DBSCAN encontra clusters de formato arbitrário sem número predefinido, útil para detecção de anomalias.

ML não é apenas escolher e treinar um algoritmo. O trabalho real está em volta do modelo.

1. Definição do problema: o que exatamente queremos prever? Qual é a métrica de sucesso? Como o modelo vai ser usado? Uma previsão incorreta é pior do que nenhuma previsão? Definir isso antes de tocar nos dados evita retrabalho custoso.

2. Coleta e exploração de dados: de onde vêm os dados? Estão disponíveis em qualidade e volume suficiente? Análise exploratória revela distribuições, outliers, dados faltantes, correlações entre variáveis.

3. Feature engineering: transformar dados brutos em variáveis que o modelo consegue usar e que capturam os padrões relevantes. Frequentemente o passo com maior impacto na qualidade do modelo. Um bom feature engineer com algoritmo simples frequentemente supera um algoritmo sofisticado com features brutas.

4. Treinamento e validação: treinar o modelo em um subset dos dados e validar em outro que não foi visto durante o treino. Técnicas como cross-validation reduzem o risco de overfitting (modelo que memoriza os dados de treino mas não generaliza).

5. Avaliação de métricas: acurácia raramente é a métrica certa. Precision e recall importam quando as classes são desbalanceadas (fraude: poucos casos positivos). AUC-ROC mede capacidade discriminativa. RMSE e MAE para regressão. A métrica escolhida deve refletir o custo real de erros no negócio.

6. Deploy e monitoramento: colocar o modelo em produção é o início, não o fim. Modelos degradam com o tempo quando o mundo muda (model drift). Monitoramento contínuo de performance e retreinamento periódico são necessidades operacionais.

O problema fundamental de ML é generalização: queremos um modelo que funcione bem em dados novos, não apenas nos dados de treino.

Overfitting: o modelo aprende os dados de treino tão bem que "memoriza" ruído e especificidades que não se generalizam. Altíssima acurácia no treino, baixa no deploy. Sinal de que o modelo é complexo demais para o volume de dados disponível.

Underfitting: o modelo não captura os padrões relevantes — simples demais para o problema. Baixa acurácia tanto no treino quanto no deploy.

A tensão entre os dois é o bias-variance tradeoff: mais complexidade reduz bias (o modelo consegue capturar padrões mais sutis) mas aumenta variance (mais sensível a variações nos dados de treino). Técnicas como regularização, dropout, validação cruzada e early stopping endereçam isso.

ML não é mágica que descobre valor em qualquer conjunto de dados. Algumas limitações estruturais:

Requer dados históricos relevantes: se o problema nunca aconteceu antes (produto novo, mercado novo) ou se o histórico disponível não é representativo do comportamento futuro esperado, ML não tem base para aprender.

Correlação não é causalidade: ML descobre correlações, não relações causais. Um modelo pode prever que clientes que acessam o suporte têm maior churn — mas isso não significa que restringir o acesso ao suporte reduz churn. Usar previsões para decisões de intervenção requer raciocínio causal que ML por si só não fornece.

É tão bom quanto os dados: dados enviesados produzem modelos enviesados. Dados de recrutamento histórico onde mulheres foram preteridas produzem modelo que prefere homens — matematicamente otimizado, socialmente problemático.

Machine Learning deixou de ser domínio exclusivo de grandes empresas de tecnologia. A democratização de ferramentas (scikit-learn, AutoML, plataformas como Vertex AI, SageMaker, Azure ML), APIs de modelos pré-treinados e o aumento de profissionais qualificados tornaram ML aplicado acessível para empresas de médio porte.

O ponto de partida prático para PMEs não é construir um departamento de Data Science — é identificar um problema de negócio com dados históricos suficientes e ROI claro, e executar um projeto piloto com escopo delimitado. Previsão de demanda para compras, scoring de leads, detecção de anomalias em processos operacionais — são problemas onde ML gera retorno mensurável sem complexidade de infraestrutura proibitiva.

O que frequentemente falta não é tecnologia nem budget — é clareza sobre o problema e qualidade de dados. Organizações que investem em estruturar seus dados antes de investir em modelos chegam muito mais rápido a resultados em produção.