Machine learning divide-se, na sua base, em dois grandes tipos: supervisionado e não supervisionado. A diferença não é técnica de mais para um gestor perceber — e perceber isto ajuda a saber que problemas de negócio a IA consegue, ou não, resolver.
Aprendizagem supervisionada: aprender com exemplos rotulados
No supervisionado, o modelo aprende com dados onde já sabemos a resposta certa. Mostramos-lhe milhares de emails marcados como "spam" ou "não spam" e ele aprende a classificar novos. Precisa de dados rotulados — é isso que o "supervisiona".
Aprendizagem não supervisionada: encontrar padrões sozinho
No não supervisionado, não há respostas certas — o modelo procura estrutura escondida nos dados. Damos-lhe os clientes e ele agrupa-os por semelhança, sem lhe dizermos que grupos existem. Descobre padrões que nem sabíamos procurar.
Quando usar cada um
- Supervisionado: quando tens histórico com resultados conhecidos e queres prever — deteção de fraude, previsão de churn, classificação de pedidos.
- Não supervisionado: quando queres explorar e segmentar — agrupar clientes, detetar anomalias, encontrar temas em texto.
A questão que decide: tens rótulos?
A pergunta prática é simples: os teus dados têm a "resposta certa" registada? Se sim (clientes que saíram vs ficaram, transações fraudulentas vs legítimas), o supervisionado brilha. Se não, o não supervisionado ajuda-te a descobrir grupos e padrões antes de sequer definires o problema.
Na prática
Muitos projetos reais combinam os dois: o não supervisionado descobre segmentos de clientes, e depois o supervisionado prevê o comportamento dentro de cada um. Não precisas de escolher um lado para sempre — precisas de saber que ferramenta serve a pergunta que tens à frente. Os teus dados já têm rótulos, ou ainda estás na fase de descobrir padrões?
