Machine learning do zero em 2026: seis passos

Em 2026, “aprender IA” quase sempre começa no chat. O chat é um produto. Machine learning é o ofício de ajustar uma função aos dados e desconfiar do resultado. Seis passos cabem numa folha. Cada um tem um critério de chegada. Pular um deles é o atalho que devolve a mesma confusão três meses depois.

Este é o mapa do volume 3 da AI One. Não é um curso de biblioteca. É a ordem em que o problema vira um programa cujos parâmetros vieram dos exemplos — e ainda assim continua sendo programa.

Os seis passos

flowchart TD
  a["1. Problema"] --> b["2. Dados honestos"]
  b --> c["3. Baseline"]
  c --> d["4. Modelo simples"]
  d --> e["5. Métrica certa"]
  e --> f["6. Erro que você aceita"]
  classDef ouro fill:#FBF5E4,stroke:#C9A227,color:#0B1F18,stroke-width:1.4px
  classDef verde fill:#F3FAF7,stroke:#1E7A57,color:#0B1F18,stroke-width:1.4px
  classDef fim fill:#0F3328,stroke:#0F3328,color:#FBFAF6,stroke-width:1.4px
  class a,c ouro
  class b,d,e verde
  class f fim

1. Problema. Uma decisão que existe hoje, com um momento no tempo. Aprovar crédito agora, com o que o caixa já sabe. Não “usar IA no banco”.

2. Dados honestos. Colunas que existiriam na hora da decisão. Treino, validação e teste separados cedo. Sem a coluna do futuro. O volume 2 é este passo com lupa; aqui ele só precisa estar feito.

3. Baseline. A média. A classe mais comum. Uma regra de negócio de três linhas. Se você não consegue ganhá-la, o restante é teatro.

4. Modelo simples. Regressão linear, logística, árvore rasa. Um modelo que você desenha no quadro. Árvore de boosting e rede entram quando a simples saturam e você sabe dizer por quê.

5. Métrica certa. Acurácia mente em classe desbalanceada. Custo de falso positivo versus falso negativo é conversa de produto, não de Kaggle. Escolha a métrica antes de olhar o número do modelo novo.

6. Erro que você aceita. Todo modelo erra. O passo final é escrever o erro tolerável: em quais casos, com qual frequência, com qual plano quando estourar. Sem isso, “melhorar o modelo” não termina nunca.

O que muda em 2026 — e o que não muda

O que muda: a tentação de começar pelo LLM. Um modelo de linguagem resolve texto. Não substitui a tabela da loja, o rótulo sujo, a baseline. Usar um LLM para classificar tickets pode ser o passo 4 certo. Continua precisando dos passos 1, 2, 5 e 6.

O que não muda: treino não é prova. A divisão existe porque acertar no treino é fácil. Quem já programa encontra o mesmo aviso em Machine learning para quem já programa. Este texto é a versão para quem ainda não escolheu a biblioteca.

Ferramentas de 2026 — notebooks, AutoML, APIs — comprimem o passo 4. Não comprimem o 1 nem o 6. É por isso que o volume 3 insiste em métrica e em recusa: um modelo que perde para a média não se publica.

Uma semana para cada passo, não um fim de semana para os seis

Passo 1 e 2 juntos, se a tabela já existe. Passo 3 num fim de tarde. Passo 4 e 5 no mesmo caderno, com um único modelo. Passo 6 numa página que o time lê. Seis semanas é um calendário honesto para quem estuda de noite. Duas semanas é pressa que reaparece como retrabalho.

A matemática do volume 1 explica por que a perda desce. Os dados do volume 2 explicam sobre o que ela desce. Este volume fecha o ciclo clássico: a função cujos parâmetros vêm dos exemplos, conferida contra uma baseline, medida com a métrica do negócio.

Quando esses seis passos estiverem no músculo, redes neurais deixam de ser um salto. Viram o passo 4 com mais parâmetros. A AI One volume 3 percorre esse caminho com projeto, não com lista de algoritmos.

Leia também: Como a IA lê um número 7 · Programação e dados para começar IA.