A jornada da Lia · cena 2

A empresa mandou a lista de “variáveis do modelo”: faltas, notas, idade, distância até a escola. Lia leu duas vezes. Faltava o que ela escuta toda semana nas visitas: quem arrumou trabalho, quem ficou em casa cuidando dos irmãos, quem engravidou. Nada disso estava na planilha. Para o modelo, então, existia?

Eu dou aula para gente de administração, direito, políticas públicas, saúde. Ninguém ali precisa saber derivar uma função. Mas todo mundo precisa sair sabendo o que acontece quando alguém diz que “treinou um modelo”, porque é aí que moram as decisões humanas.

Aprender, para uma máquina, é como estudar para uma prova?

Pense em como você se prepara para uma prova:

Você estudando Aprendizado de máquina
Seu cérebro, antes de estudar O modelo, ainda sem treino
Anotações, livros, exercícios resolvidos Os dados de treino
Estudar: revisar, testar, corrigir O treinamento
Você, depois de estudar, diante de questões inéditas O modelo treinado

A analogia funciona para a estrutura e quebra em um ponto essencial. Você aprende conectando o conteúdo com a sua vida: experiências, emoções, causa e efeito. A máquina não tem vida para conectar. Ela encontra correlações estatísticas entre números e devolve probabilidades. Não há compreensão ali — há uma conta muito bem ajustada.

Como o mundo vira número?

Para um modelo, não existe “foto de cachorro”. Existe uma lista de números. As propriedades mensuráveis que usamos para descrever algo — cor, tamanho, textura, formato — chamam-se características (features, em inglês).

Em uma imagem preto e branco, a tradução é direta: pixel branco vira 0, pixel preto vira 1. Uma imagem de 8×8 vira uma lista de 64 números. Essa lista é o vetor de características.

Provocação: desenhe na grade e veja o desenho virar número. Depois responda: o que da vida de uma pessoa não cabe em uma coluna? E o que acontece com o que não cabe?

Com um vetor, cada coisa vira um ponto em um espaço matemático. E aí aparece a ideia mais bonita desse assunto: nesse espaço, proximidade significa semelhança. Duas imagens parecidas viram pontos vizinhos. É por isso que um sistema consegue dizer que “gato” está perto de “felino” e longe de “geladeira” sem saber o que é nenhum dos três.

Quem decide quais características entram? Pessoas — direta ou indiretamente. Guarde isso para o capítulo 4.

O que acontece em cada volta do treino?

Com os dados em números, o treino é um ciclo de quatro passos:

  1. Calcular um palpite. O modelo multiplica cada característica por um peso (o quanto ela importa) e soma um ajuste fixo, o viés matemático (bias): palpite = pesos × características + ajuste. No começo os pesos são chutes.
  2. Medir o erro. Compara o palpite com a resposta certa. A distância entre os dois é o erro (ou loss).
  3. Ajustar a equação. Mexe um pouquinho em cada peso, na direção que diminui o erro.
  4. Repetir. Milhões, bilhões de vezes, com exemplos diferentes.

Não tem passo 5. Não tem “e então o modelo entende”. No experimento abaixo o modelo tem só dois números para ajustar, e dá para ver o aprendizado acontecendo.

Duas palavras, dois sentidos. O “viés” da equação acima é só um número de ajuste, sem nada de moral. O viés algorítmico do capítulo 4 é outra coisa: é quando o modelo erra sistematicamente contra alguém. Mesma palavra, assuntos diferentes — isso confunde até quem é da área.

E em um modelo de linguagem, o que muda?

Quase nada na ideia, quase tudo na escala. Um modelo como os que estão por trás dos assistentes de conversa tem bilhões de pesos em vez de dois, e a “prova” dele é sempre a mesma: dado este trecho de texto, qual é o próximo pedaço? Ele chuta, mede o erro, ajusta, repete — com uma parte enorme do que a humanidade já escreveu.

O resultado é um sistema extraordinariamente bom em continuar textos de forma plausível. “Plausível” e “verdadeiro” coincidem na maior parte das vezes. Quando não coincidem, chamamos de alucinação — que não é um defeito esquisito, é a mesma máquina fazendo a mesma coisa.

Para guardar

  • Máquinas não processam conceitos; processam vetores de números.
  • Treinar é ajustar pesos para diminuir um erro medido. Só isso.
  • O modelo minimiza distância até as respostas dos dados de treino. Se os dados forem tortos, ele aprende o torto com muita competência.

Diário de bordo da Lia

  • Perguntas que ela levou: quem escolheu essas colunas, e para que elas serviam quando foram criadas? Dá para registrar o motivo de uma ausência sem expor a família?
  • Um caminho para responder: pôr lado a lado o que a planilha tem e o que a equipe sabe; para cada item que falta, perguntar se deveria virar dado, quem o coletaria e com que cuidado.
  • Peça nova no projeto: duas listas lado a lado: o que a planilha tem e o que a equipe sabe.
Para levar para a aula

Atividade (20 min) — o modelo humano

Distribua 10 cartões com frutas desenhadas (ou projete fotos). Peça que a turma escolha apenas duas características numéricas (ex.: tamanho de 1 a 5, quão vermelha de 1 a 5) e posicione cada fruta em um plano cartesiano no quadro. Depois apresente uma fruta nova e peça para classificarem só pela vizinhança. Discuta quais frutas ficaram “erradas” e que característica faltou.

Perguntas de discussão

  • Na analogia da prova, o que seria “decorar o gabarito”? (É o overfitting: ir bem no treino e mal no mundo.)
  • Quem escolheu as características do seu modelo de frutas? O que essa escolha deixou de fora?
  • Se o modelo só reduz erro em relação aos exemplos, o que acontece quando os exemplos estão errados?