Fundamentos de Inteligência Artificial

Duração prevista: 120 minutos, em sessão presencial.

Todos os casos, nomes, instituições e números usados nesta lição são fictícios e servem apenas de exercício.

Como o tempo desta lição está distribuído

• Acolhimento e objectivos: 10 minutos.
• Exposição: 35 minutos.
• Actividade prática: 60 minutos.
• Partilha e síntese: 15 minutos.

Como trabalhamos na sala: recomenda-se um computador por pessoa. Quando não for possível, no máximo duas pessoas por computador, alternando quem executa a meio da actividade, de modo que ambas façam. Na partilha apresentam apenas dois grupos, com tempo limitado; os restantes entregam por escrito e recebem comentário do formador. Marcar a lição como concluída é registo de aprendizagem e não é registo de assiduidade.

Objectivos da lição

• Distinguir aprendizagem supervisionada, não supervisionada e por reforço, dando um exemplo próprio de cada uma num serviço público.
• Explicar porque é que a inteligência artificial generativa não é uma quarta categoria separada destas três.
• Calcular, a partir da tabela de resultados fornecida, a taxa de acerto, o número de falsos positivos e o número de falsos negativos, e interpretar o que cada um significa para as pessoas atendidas.
• Reconhecer sobreajustamento a partir da diferença entre o desempenho no treino e no conjunto reservado.

Explicação

Aprendizagem automática é o conjunto de métodos que permite a um sistema melhorar o seu desempenho numa tarefa a partir de exemplos, em vez de seguir regras escritas à mão. Há três formas principais de organizar essa aprendizagem, e distinguem-se pelo tipo de informação que se dá ao sistema.

Na aprendizagem supervisionada, damos exemplos com a resposta certa já indicada. Mostram-se milhares de pedidos com a indicação de quais foram devolvidos, e o sistema aprende a prever essa indicação em pedidos novos. É a forma mais comum na administração pública, porque muitas tarefas são exactamente assim: classificar, encaminhar, prever um resultado que já foi registado no passado.

Na aprendizagem não supervisionada não há resposta certa indicada. Dão-se os casos e pede-se ao sistema que encontre estrutura: que agrupe os pedidos parecidos entre si, ou que assinale os que são muito diferentes de todos os outros. É útil para explorar. Tem uma limitação importante: os grupos que saem não têm nome nem significado garantido. Cabe às pessoas olhar para cada grupo e decidir se corresponde a algo real ou a um acaso dos dados.

Na aprendizagem por reforço, o sistema toma decisões em sequência, num ambiente, e recebe um sinal de recompensa que mede se a sequência de decisões está a correr bem. Aprende tentando e ajustando. Convém desfazer aqui um equívoco comum: aprendizagem por reforço não é simplesmente «o utilizador carrega em gosto ou não gosto». É um processo de treino, com um ambiente definido, um conjunto de acções possíveis e uma função de recompensa escolhida por alguém. As preferências humanas podem ser usadas para construir esse sinal, mas o sinal não é o clique — e a escolha do que se recompensa determina o comportamento que sai. Recompensar «fechar processos depressa» produz um sistema diferente de recompensar «fechar processos correctamente».

E a inteligência artificial generativa, onde entra? Não é uma quarta categoria ao lado destas três, e não é mutuamente exclusiva delas. É uma família de modelos definida pelo que produz — conteúdo novo — e não pela forma como aprende. Na prática, esses modelos são treinados sobretudo prevendo a continuação de textos existentes, o que é uma forma de supervisão gerada a partir dos próprios dados, e depois costumam ser afinados com métodos que incorporam preferências humanas, incluindo variantes de reforço. Ou seja: a generativa usa estas formas de aprendizagem, não se opõe a elas.

Ainda sobre a generativa, repete-se o que ficou dito na primeira lição porque é o equívoco mais persistente: um assistente generativo não aprende automaticamente com cada conversa. Ele pode ter memória do que foi dito dentro daquela conversa, o que dá a impressão de aprendizagem, mas isso desaparece quando a conversa termina e não altera o modelo. Alterar o modelo exige um novo treino, decidido, preparado e autorizado.

Passemos ao que corre mal. O sobreajustamento acontece quando o modelo decora particularidades dos exemplos de treino, incluindo ruído e acasos, em vez de aprender o padrão geral. Reconhece-se de uma maneira simples: o desempenho no conjunto de treino é muito bom e no conjunto reservado é bastante pior. Um modelo que acerta 98 por cento nos casos que viu e 85 por cento nos casos que nunca viu está a mostrar esse sinal. A medida que conta é sempre a do conjunto reservado, porque é a que se parece com a realidade.

Depois, os erros. Um classificador engana-se de duas maneiras diferentes, e elas não custam o mesmo. Falso positivo é assinalar algo que afinal não era: marcar como incompleto um pedido que estava completo. O custo recai sobre o requerente, que é incomodado sem razão, e sobre o funcionário, que perde tempo. Falso negativo é deixar passar o que devia ser assinalado: um pedido incompleto que segue e só é travado semanas depois. O custo é o atraso e o retrabalho. Decidir qual dos dois erros é mais tolerável não é uma decisão técnica — é uma decisão de serviço, e tem de ser tomada por quem responde pelo serviço, não pelo sistema.

Por fim, a taxa de acerto sozinha engana. Se apenas dois em cada dez pedidos forem incompletos, um sistema que nunca assinala nada acerta oito em cada dez. Oitenta por cento parece bom e o sistema não serve para nada, porque nunca faz aquilo para que foi criado. É por isso que se olha sempre para a repartição dos erros, e não apenas para a percentagem global.

Caso fictício — o aviso de pedido incompleto, posto à prova

A Direcção Distrital Fictícia de Muanzo mandou treinar o tal sistema que avisa quando um pedido parece incompleto. A equipa fez as coisas com cuidado: guardou 200 pedidos num conjunto reservado, que o sistema nunca viu durante o treino, e só no fim usou esse conjunto para medir.

Dos 200 pedidos reservados, 40 estavam efectivamente incompletos e 160 estavam completos. Todos estes números são inventados para a aula.

O sistema assinalou 50 pedidos como incompletos. Desses 50, 30 estavam mesmo incompletos e 20 estavam completos. Dos 150 que não assinalou, 140 estavam completos e 10 estavam incompletos e passaram.

No conjunto de treino, o mesmo sistema tinha acertado 98 por cento das vezes. No conjunto reservado, a história é outra — e é essa que conta.

Resultados no conjunto reservado — 200 pedidos

Números fictícios, todos fornecidos. A tabela está completa: os cálculos da actividade fazem-se com estes valores e com uma calculadora simples.

Actividade prática

Trabalho em pares, com a tabela em papel e calculadora simples — não é necessário programar, com 60 minutos de trabalho, seguidos de 15 minutos de partilha e síntese em plenário.

Parte A. Classifiquem, em uma linha cada, três tarefas como supervisionada, não supervisionada ou por reforço, e justifiquem: (i) prever quais pedidos serão devolvidos, a partir de dez mil pedidos antigos já classificados; (ii) agrupar sozinho as reclamações recebidas em conjuntos parecidos, sem categorias definidas; (iii) afinar, por tentativa e ajuste com um sinal de recompensa definido pelo serviço, a ordem por que os processos são distribuídos pelos técnicos.

Parte B. Com a tabela dos 200 pedidos, calculem e escrevam: a taxa de acerto do sistema; o número de falsos positivos; o número de falsos negativos; a proporção de pedidos incompletos que o sistema conseguiu apanhar. Mostrem a conta feita, com todos os números à vista.

Parte C. Calculem a taxa de acerto de um «sistema preguiçoso» que nunca assinala nada. Comparem com a alínea anterior e escrevam duas frases sobre o que isto mostra acerca de usar a taxa de acerto sozinha.

Parte D. Escrevam qual dos dois erros — falso positivo ou falso negativo — é mais grave neste serviço concreto, quem suporta o custo de cada um, e quem na direcção deve tomar essa decisão. Não há resposta única; há justificação melhor e pior.

Parte E. O sistema acerta 98 por cento no treino e o valor que calcularam no conjunto reservado. Escrevam o nome deste fenómeno e uma frase a explicar porque é que o valor do conjunto reservado é o que conta.

A meio do tempo, troquem quem escreve e quem usa a calculadora.

Produto esperado: Uma ficha por par com: três tarefas classificadas e justificadas; os quatro valores da parte B com as contas visíveis; a comparação da parte C; a decisão fundamentada da parte D; e o nome e a explicação da parte E.

Como o produto é apreciado

• Taxa de acerto correcta: (30 + 140) dividido por 200 = 170 dividido por 200 = 0,85, isto é, 85 por cento.
• Falsos positivos: 20. Falsos negativos: 10.
• Proporção de incompletos apanhados: 30 dividido por 40 = 0,75, isto é, 75 por cento.
• Sistema preguiçoso: 160 dividido por 200 = 0,80, isto é, 80 por cento — apenas 5 pontos abaixo do sistema treinado, apesar de nunca assinalar nada.
• Parte D com identificação de quem suporta o custo de cada erro e atribuição da decisão à direcção do serviço, não ao sistema.
• Parte E identifica sobreajustamento e justifica a primazia do conjunto reservado.
• Contas visíveis, com todos os operandos escritos.

Síntese em leitura fácil

• Aprendizagem supervisionada: mostram-se exemplos com a resposta certa.
• Aprendizagem não supervisionada: não há resposta certa; o sistema procura grupos e casos estranhos.
• Aprendizagem por reforço: o sistema decide em sequência e recebe um sinal de recompensa definido por alguém. Não é o gosto ou não gosto do utilizador.
• A inteligência artificial generativa não é uma quarta categoria: usa estas formas de aprender e define-se por produzir conteúdo novo.
• Um assistente generativo não aprende sozinho com cada conversa. Só muda com um novo treino autorizado.
• Sobreajustamento: o sistema decora o treino e falha nos casos novos. Vê-se quando o treino é muito melhor do que o conjunto reservado.
• Falso positivo: assinalar o que estava certo. Falso negativo: deixar passar o que estava errado.
• Os dois erros não custam o mesmo. Quem decide qual é mais tolerável é o serviço, não o sistema.
• A taxa de acerto sozinha engana. Olha-se sempre para os dois tipos de erro.

Verificação formativa

Estas perguntas não contam para a nota final e não são perguntas do exame final. Servem para a pessoa formanda confirmar o que percebeu.

1. Um sistema de aviso de pedidos incompletos tem 85 por cento de acerto e um sistema que nunca assinala nada tem 80 por cento. Porque é que a diferença de cinco pontos não conta a história toda?
2. Um colega afirma: «a inteligência artificial generativa é um tipo de aprendizagem diferente dos outros três, e aprende connosco todos os dias». O que corrige nesta frase?

Respostas comentadas da verificação formativa

As respostas abaixo pertencem às perguntas de verificação formativa desta lição. Não são perguntas nem respostas do exame final e não têm efeito na nota. Tente responder primeiro e só depois compare.

Pergunta 1. Um sistema de aviso de pedidos incompletos tem 85 por cento de acerto e um sistema que nunca assinala nada tem 80 por cento. Porque é que a diferença de cinco pontos não conta a história toda?

Resposta: Porque a taxa de acerto é dominada pelos casos completos, que são a maioria. O sistema treinado apanha 30 dos 40 pedidos incompletos, ou seja 75 por cento, enquanto o preguiçoso não apanha nenhum. É nessa diferença, e no número de falsos positivos e falsos negativos, que está o valor real.

Comentário: Sempre que uma das respostas for muito mais frequente do que a outra, a percentagem global esconde o desempenho naquilo que interessa.

Pergunta 2. Um colega afirma: «a inteligência artificial generativa é um tipo de aprendizagem diferente dos outros três, e aprende connosco todos os dias». O que corrige nesta frase?

Resposta: Duas coisas. Primeiro, a generativa não é uma categoria separada: define-se por produzir conteúdo novo e, na forma como aprende, apoia-se em supervisão obtida dos próprios dados e, muitas vezes, em afinação com preferências humanas, incluindo reforço. Segundo, não aprende connosco no uso diário: pode lembrar-se do que foi dito dentro de uma conversa, mas isso não altera o modelo, que só muda com um novo treino autorizado.

Comentário: A distinção entre memória da conversa e alteração do modelo evita expectativas erradas e evita também que se ponham dados sensíveis numa conversa a pensar que «o sistema depois esquece».

Referências consultadas

• OECD AI Principles — definição de sistema de inteligência artificial — https://oecd.ai/en/ai-principles (consultado em 21 de Setembro de 2026).
• NIST AI Risk Management Framework — quadro voluntário de gestão de risco — https://www.nist.gov/itl/ai-risk-management-framework (consultado em 21 de Setembro de 2026).