Aprendizagem supervisionada, não supervisionada e por reforço
Como aprende um sistema de IA: exemplos etiquetados, dados sem etiqueta, tentativas e recompensas. E porque contam os dados de treino.
Nesta página
Em 30 segundos
- Onde acontece
- Nas ferramentas que classificam mensagens, detetam atividades suspeitas ou comandam um agente, isto é, um programa que aprende por tentativas e recebe um retorno sobre as suas ações[1][2].
- O que pretende o atacante
- Falsear o treino inserindo ou modificando exemplos, o que o NIST chama envenenamento dos dados[2].
- O reflexo
- Perguntar de onde vêm os dados que serviram para treinar uma ferramenta antes de confiar no seu resultado, porque um modelo é muitas vezes tão bom quanto os dados que se lhe dão[1].
Do que se trata
Um sistema de IA corrente não foi programado regra a regra. Segundo a Google[1], a aprendizagem automática (machine learning) permite a um sistema aprender e melhorar sozinho, sem ser explicitamente programado, fornecendo-lhe grandes quantidades de dados. A forma como se lhe fornecem esses dados muda o que ele aprende.
A Google[1] apresenta quatro tipos de modelos. Três são descritos aqui: a aprendizagem supervisionada, a aprendizagem não supervisionada e a aprendizagem por reforço. O quarto, dito semissupervisionado, é uma abordagem mista em que apenas uma parte dos dados está etiquetada[1]. Para um colaborador, um ponto conta: um modelo depende dos dados que o treinaram[1], e atacantes podem procurar falseá-los[2].
Perguntas diretas
Qual é a diferença entre as três formas de aprender?
Tudo depende do que o sistema recebe durante o treino. Na aprendizagem supervisionada, recebe exemplos etiquetados[1]. Na aprendizagem não supervisionada, recebe dados sem etiqueta[1]. Na aprendizagem por reforço, um agente interage com um ambiente e aprende uma política, isto é, uma maneira de agir, que maximiza a sua recompensa[2].
Uma ferramenta de IA continua a aprender depois de entrar em funcionamento?
O NCSC (Reino Unido)[3] define a aprendizagem contínua como o conjunto de métodos que ajustam ou prolongam o treino de um modelo depois de implantado, a partir das interações e dos retornos de utilização. A Google[1] indica, por seu lado, que um modelo pode ser treinado de novo com dados novos e receber retornos de utilizadores reais. O NIST[2] observa que os detetores de ataques a sistemas industriais são muitas vezes treinados de novo com dados recolhidos durante o seu funcionamento, o que abre a atacantes a possibilidade de os envenenar.
O que é o envenenamento dos dados?
O NIST[2] define os ataques por envenenamento como ataques realizados durante a fase de treino. Num envenenamento de dados, o adversário controla uma parte dos dados de treino, inserindo ou modificando exemplos[2]. A ENISA[4] inclui o envenenamento dos dados entre as ameaças que visam os sistemas de aprendizagem automática, a par dos ataques adversariais e da exfiltração de dados.
Como funciona
Aprendizagem supervisionada: aprender com exemplos corrigidos
O modelo recebe dados etiquetados e aprende a relacionar uma caraterística com uma etiqueta[1]. A Google[1] dá o exemplo do reconhecimento de maçãs: para treinar o algoritmo, mostram-se-lhe imagens etiquetadas como maçãs. A resposta esperada é conhecida de antemão[1].
O NIST[2] distingue duas famílias de técnicas supervisionadas: a classificação, em que as etiquetas previstas são discretas, e a regressão, em que são contínuas. A Microsoft[5] observa que o resultado de um modelo de aprendizagem automática é, na maior parte dos casos, um valor numérico, como uma pontuação ou uma classificação.
O NIST[2] cita classificadores de spam treinados com exemplos de correios eletrónicos. Descreve também o caso da classificação de software malicioso, em que atacantes podem submeter ficheiros a plataformas de informação sobre ameaças e em que a etiquetagem é feita com assinaturas de antivírus ou outros métodos externos[2].
Aprendizagem não supervisionada: encontrar grupos sem instruções
O modelo aprende padrões a partir de dados não etiquetados[1]. A «correctness» do resultado não é conhecida de antemão: o algoritmo aprende com os dados sem intervenção humana e classifica-os em grupos segundo os seus atributos[1]. Se lhe derem imagens de maçãs e de bananas, separa-as sozinho[1]. A Google[1] considera-a eficaz para a modelação descritiva e a procura de padrões, e cita o agrupamento por K-means entre os algoritmos correntes.
Em segurança, o NIST[2] menciona modelos não supervisionados utilizados para o agrupamento de software malicioso e para a deteção de anomalias no tráfego de rede. Salienta que o envenenamento desses modelos foi demonstrado nestas duas utilizações[2].
Aprendizagem por reforço: aprender por tentativas
A Google[1] descreve-a como uma aprendizagem «learn by doing», por tentativa e erro. Um agente aprende uma tarefa através de um ciclo de retorno, até o seu desempenho atingir um nível desejável. Recebe um reforço positivo quando tem êxito e negativo quando falha[1]. No exemplo da Google[1], investigadores ensinaram um algoritmo a jogar go: sem conhecer as regras, moveu peças ao acaso e acabou por vencer um jogador humano.
O NCSC (Reino Unido)[3] esclarece que os seus princípios de segurança não cobrem especificamente a aprendizagem por reforço, porque esta técnica se desenvolve de forma diferente. Podem servir de base, mas são provavelmente necessárias precauções de segurança adicionais[3].
As armadilhas
Dados de má qualidade
Segundo a Google[1], se se supuserem dados de treino de boa qualidade, quantos mais exemplos o algoritmo recebe, mais preciso se torna o modelo. Inversamente, um algoritmo alimentado com um conjunto de dados enviesado produz resultados enviesados[1]. Obter e limpar dados estruturados é uma primeira etapa importante para a aprendizagem supervisionada, e pode ser difícil quando os dados estão dispersos por vários locais da organização[1].
Dados envenenados
O NIST[2] escreve que o envenenamento pode ser organizado em grande escala: um adversário com meios financeiros limitados poderia controlar uma fração dos conjuntos de dados públicos utilizados para o treino. Pode degradar o modelo em todos os exemplos, ou provocar erros num pequeno número de exemplos visados[2]. Um método simples, a inversão de etiquetas, consiste em fornecer exemplos de treino cuja etiqueta é falsa ou foi modificada[2].
As defesas são desiguais. Os ataques que degradam o modelo em todos os exemplos são em geral detetáveis vigiando as medidas de desempenho habituais, como a precisão ou o recall[2]. Os ataques dirigidos são, pelo contrário, «notoriously challenging to defend against», segundo o NIST[2], que cita como medidas o controlo de acesso aos dados de treino, a limpeza e a validação dos dados, e a atestação da sua proveniência e integridade.
O NCSC (Reino Unido)[3] lembra que os sistemas de IA e de aprendizagem automática estão sujeitos a vulnerabilidades novas, a considerar além das ameaças clássicas, e que a segurança deve ser uma exigência ao longo de todo o ciclo de vida do sistema.
Um modelo pode ser enganado sem tocar no seu treino
Um ataque de evasão modifica os exemplos apresentados a um modelo já treinado para mudar a sua previsão[2]. O NIST[2] cita o estudo de um detetor comercial de páginas de phishing: em 4 600 amostras que o sistema considerava incertas, os autores identificaram 100 exemplos adversariais. Os atacantes não utilizavam aí métodos de otimização, mas técnicas simples como o recorte, a ocultação ou o desfoque da imagem[2].
O NIST[2] acrescenta que conceber modelos que resistam à evasão mantendo a sua precisão continua a ser um problema em aberto. Algumas evasões contra detetores de software malicioso e contra um sistema de proteção do correio foram demonstradas por investigadores, mas não deram origem a ataques em ambiente real[2].
Necessidades de dados variáveis
A Microsoft[5] indica que a aprendizagem automática pode funcionar com pequenas quantidades de dados, ao passo que a aprendizagem profunda precisa de grandes quantidades de dados de treino.
Fontes
- Google, «What is Machine Learning? Types and uses». https://cloud.google.com/learn/what-is-machine-learning (consultado em 14 de novembro de 2026)
- NIST, «Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations». https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-2e2025.pdf (consultado em 14 de novembro de 2026)
- NCSC (Royaume-Uni), «Principles for security of Machine learning ML», 22 de maio de 2024. https://www.ncsc.gov.uk/collection/machine-learning-principles (consultado em 14 de novembro de 2026)
- ENISA, «Securing Machine Learning Algorithms | ENISA», 14 de dezembro de 2021. https://www.enisa.europa.eu/publications/securing-machine-learning-algorithms (consultado em 14 de novembro de 2026)
- Microsoft, «Deep Learning vs. Machine Learning - Azure Machine Learning». https://learn.microsoft.com/en-us/azure/machine-learning/concept-deep-learning-vs-machine-learning?view=azureml-api-2 (consultado em 14 de novembro de 2026)
Citar este artigo
Brain, «Aprendizagem supervisionada, não supervisionada e por reforço», Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp502_pt_2026,
author = {Brain},
title = {Aprendizagem supervisionada, não supervisionada e por reforço},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/pt/articles/aprendizagem-supervisionada-nao-supervisionada-reforco/},
note = {CC BY 4.0}
}