Aprendizado Não-Supervisionado é o paradigma de treinamento em que o modelo aprende a partir de dados sem rótulos — sem que alguém precise indicar a resposta correta para cada exemplo. O modelo descobre por conta própria estruturas, padrões e agrupamentos nos dados. As técnicas principais incluem: clustering (agrupamento), onde o modelo agrupa dados similares (ex: K-means, DBSCAN); redução de dimensionalidade, que comprime dados de alta dimensão preservando estrutura relevante (ex: PCA, t-SNE, UMAP); e modelos generativos, que aprendem a distribuição dos dados para gerar novas amostras (ex: VAEs, GANs). O aprendizado não-supervisionado é fundamental quando dados rotulados são escassos ou impossíveis de obter — que é a situação para a maioria dos dados disponíveis no mundo. O pré-treinamento de LLMs é essencialmente não-supervisionado: o modelo aprende a prever a próxima palavra em trilhões de textos sem anotação humana, desenvolvendo representações ricas de linguagem que depois são refinadas com técnicas supervisionadas. Para empresas brasileiras, clustering não-supervisionado é amplamente usado em segmentação de clientes, detecção de anomalias em transações e descoberta de tópicos em feedbacks não estruturados.
Navegar por letra: