Os tipos de Machine Learning se diferenciam principalmente pelo sinal usado para aprender. A pergunta útil não é apenas “qual algoritmo é melhor?”, mas que exemplos existem, que resposta se espera e como o resultado será avaliado.

Aprendizado supervisionado

O conjunto de treino contém exemplos associados a respostas conhecidas, chamadas rótulos. O modelo aprende a relacionar entradas e resultados. Classificação escolhe uma classe, como separar uma mensagem em categorias; regressão estima um número, como uma demanda futura. Os rótulos precisam ser consistentes: erros de anotação viram sinais ruins para o modelo.

Aprendizado não supervisionado

Aqui não há um rótulo correto fornecido para cada exemplo. O método procura estrutura, grupos ou representações úteis. Agrupamento pode ajudar a explorar perfis de uso, por exemplo, mas o algoritmo não sabe sozinho o significado de cada grupo; a interpretação ainda depende do contexto e de validação humana.

Aprendizado por reforço

Um agente escolhe ações em um ambiente e recebe sinais de recompensa ou penalidade. O objetivo é aprender uma estratégia que produza bons resultados ao longo do tempo. Essa abordagem é adequada a problemas sequenciais com interação e consequências definidas, mas criar um ambiente de treino fiel pode ser difícil e caro.

E o aprendizado autossupervisionado?

No aprendizado autossupervisionado, o próprio dado fornece uma tarefa de treino, como prever partes ocultas de um texto. Ele é muito usado para construir representações e modelos pré-treinados. Na prática, as fronteiras entre categorias não formam uma lista totalmente exclusiva: um produto pode combinar pré-treino autossupervisionado, ajuste supervisionado e avaliação humana.

Um sistema de recomendação pode, por exemplo, aprender representações a partir de interações e depois usar sinais rotulados para ordenar opções. Um robô pode usar aprendizado por reforço em uma simulação e receber validação supervisionada para tarefas auxiliares. A pergunta útil é qual sinal melhora a decisão, não em qual rótulo encaixar todo o produto.

Modelos generativos também não formam uma categoria isolada e incompatível com as demais. Muitos aprendem a prever partes de seus dados durante o pré-treino e depois recebem ajustes ou instruções adicionais. A palavra “generativo” descreve o tipo de saída que o sistema produz; “supervisionado” e “autossupervisionado” ajudam a descrever como certos estágios de treino recebem sinal.

Como escolher

• Há exemplos com respostas confiáveis? Comece avaliando uma solução supervisionada.

• Você precisa descobrir estrutura sem rótulos? Explore métodos não supervisionados e valide os grupos com especialistas.

• A tarefa envolve decisões repetidas e recompensas mensuráveis? Investigue aprendizado por reforço em um ambiente controlado.

• Antes de escolher, estabeleça uma linha de base e defina como detectar erros e mudanças nos dados.

Antes de iniciar o experimento

Escreva uma frase que descreva a entrada, o resultado e o momento em que a previsão será usada. Depois verifique quais dados podem ser coletados de forma legítima, quem valida os rótulos e qual erro é aceitável. Se essas respostas ainda forem vagas, o próximo passo é esclarecer o problema, não escolher uma arquitetura.