Dados de treinamento
O conjunto de exemplos (textos, imagens, planilhas, áudios) usado para ensinar um modelo de IA a reconhecer padrões e fazer previsões.
Se o treinamento de modelo é a escola da inteligência artificial, os dados de treinamento são o material didático: os livros, os exercícios e as provas antigas.
São os exemplos que o sistema “estuda” para aprender. Podem ser planilhas, fotos, vídeos, páginas da web, PDFs, gravações de voz. A IBM compara um algoritmo sem dados de treinamento a um aluno brilhante que não estudou a matéria para a prova: pode ser muito capaz, mas não vai longe.
Em alguns casos, os exemplos vêm com etiqueta. Para ensinar um filtro de spam, por exemplo, pessoas marcam muitos e-mails como “spam” ou “não spam”, e o modelo aprende o que diferencia um do outro. Em outros casos, os dados vão sem etiqueta e o sistema procura agrupamentos por conta própria.
Quantidade ajuda, mas qualidade pesa tanto quanto. Dados bagunçados, incompletos ou desequilibrados ensinam errado. É a velha regra da cozinha: com ingrediente estragado, nem a melhor receita salva o almoço. Quando os dados carregam preconceitos da sociedade, o modelo pode aprender e repetir esses preconceitos, o que se chama viés algorítmico.
De onde vêm tantos dados? A IBM cita algumas origens: sensores e aparelhos conectados, conjuntos públicos oferecidos por governos, instituições de pesquisa e empresas, e o rastro que deixamos na internet, como cliques e formulários preenchidos. Páginas da web também entram na lista, e parte delas pode ser recolhida por raspagem de dados. Essas origens levantam discussões sobre privacidade e sobre direitos autorais, porque nem tudo que está visível on-line está livre para qualquer uso.