TIC · 9.º Ano · Dados, Informação e Análise · 2o Periodo

Aprendizagem de Máquina e Aplicações

Os alunos identificam os conceitos básicos de aprendizagem de máquina e exploram exemplos de aplicações em diferentes áreas.

• Aprendizagens Essenciais
• DGE: 3o Ciclo - Sistemas de Informação

Sobre este tópico

A aprendizagem de máquina representa um avanço na inteligência artificial, onde algoritmos aprendem padrões a partir de dados sem programação explícita. Os alunos do 9.º ano identificam conceitos básicos, como a distinção entre aprendizagem supervisionada, que usa dados rotulados para prever resultados, e não supervisionada, que deteta padrões em dados não rotulados. Exemplos incluem sistemas de recomendação em plataformas de streaming ou deteção de fraudes em bancos.

No currículo de Inovação Digital e Pensamento Computacional, este tema liga-se à unidade de Dados, Informação e Análise, explorando aplicações em saúde, transportes e segurança. Os alunos analisam questões éticas, como o reconhecimento facial que levanta preocupações de privacidade e viés racial, e o impacto no futuro do trabalho, com setores como retalho e manufatura mais vulneráveis à automação.

Abordagens de aprendizagem ativa beneficiam este tema porque permitem aos alunos simular processos de machine learning com dados reais, debater dilemas éticos em grupo e criar modelos simples, tornando conceitos abstratos concretos e fomentando pensamento crítico sobre tecnologia na sociedade.

Questões-Chave

1. O que distingue fundamentalmente a aprendizagem supervisionada da não supervisionada, e que tipo de problemas cada abordagem está melhor equipada para resolver?
2. Como é que os sistemas de reconhecimento facial baseados em aprendizagem de máquina levantam questões que vão muito além da precisão técnica?
3. Em que medida a aprendizagem de máquina está a redefinir o futuro do trabalho, e que setores são mais vulneráveis a essa transformação?

Objetivos de Aprendizagem

• Comparar as abordagens de aprendizagem supervisionada e não supervisionada, identificando os tipos de problemas que cada uma resolve.
• Analisar criticamente as implicações éticas de sistemas de reconhecimento facial baseados em aprendizagem de máquina, para além da sua precisão técnica.
• Avaliar o impacto da aprendizagem de máquina no futuro do trabalho, identificando setores e profissões mais suscetíveis à automação.
• Explicar o conceito de 'feature' e 'label' no contexto da aprendizagem supervisionada, utilizando exemplos concretos.
• Classificar diferentes aplicações de aprendizagem de máquina (ex: recomendação, deteção de anomalias) com base na abordagem utilizada (supervisionada ou não supervisionada).

Antes de Começar

Introdução à Análise de Dados

Porquê: Os alunos precisam de compreender o que são dados e como podem ser organizados para poderem entender como a aprendizagem de máquina os utiliza.

Conceitos Básicos de Algoritmos

Porquê: A aprendizagem de máquina baseia-se em algoritmos, pelo que uma compreensão fundamental de como funcionam os algoritmos é necessária.

Tipos de Dados (Numéricos, Categóricos)

Porquê: A distinção entre diferentes tipos de dados é essencial para compreender como as 'features' são representadas e processadas nos modelos de aprendizagem de máquina.

Vocabulário-Chave

Aprendizagem Supervisionada	Um tipo de aprendizagem de máquina onde o algoritmo aprende a partir de um conjunto de dados que inclui 'labels' ou respostas corretas. É usada para prever resultados com base em dados históricos.
Aprendizagem Não Supervisionada	Um tipo de aprendizagem de máquina onde o algoritmo procura padrões e estruturas em dados que não possuem 'labels' ou respostas pré-definidas. É usada para descobrir relações ocultas nos dados.
Feature (Característica)	Uma variável ou atributo individual num conjunto de dados que é usado como entrada para um modelo de aprendizagem de máquina. Por exemplo, a cor ou o tamanho de um objeto.
Label (Rótulo)	A resposta ou resultado correto associado a um conjunto de 'features' nos dados de treino, usado na aprendizagem supervisionada para que o modelo aprenda a fazer previsões.
Viés (Bias)	Uma tendência sistemática num algoritmo de aprendizagem de máquina que pode levar a resultados injustos ou discriminatórios, muitas vezes refletindo preconceitos presentes nos dados de treino.

Atenção a estes erros comuns

Erro comum

A aprendizagem de máquina é mágica e não precisa de dados de qualidade.

O que ensinar em alternativa

Algoritmos dependem de dados limpos e representativos; dados enviesados geram resultados errados. Atividades de classificação com dados intencionalmente enviesados mostram aos alunos o impacto, incentivando-os a questionar fontes durante simulações práticas.

Erro comum

Aprendizagem supervisionada é sempre superior à não supervisionada.

O que ensinar em alternativa

Cada tipo adequa-se a problemas específicos: supervisionada para previsões conhecidas, não supervisionada para descoberta de padrões. Experiências de agrupamento em grupo ajudam os alunos a comparar resultados reais e a escolher abordagens adequadas.

Erro comum

Sistemas de machine learning são neutros e imparciais.

O que ensinar em alternativa

Vieses humanos nos dados propagam-se nos modelos, como em reconhecimento facial. Debates e análise de casos reais em equipa revelam esses problemas, promovendo discussões críticas sobre ética.

Ideias de aprendizagem ativa

Classificação Guiada: Simulação Supervisionada

Forneça conjuntos de imagens rotuladas (ex.: fotos de animais). Os alunos treinam um algoritmo simples no Scratch ou Teachable Machine, testam previsões e ajustam com novos dados. Registem a taxa de acerto em tabela coletiva.

45 min·Pequenos grupos

Agrupamento Livre: Exploração Não Supervisionada

Dê dados não rotulados como preferências musicais. Os alunos usam ferramentas online para agrupar itens semelhantes e identificam padrões. Discutem que problemas este método resolve melhor.

35 min·Pares

Debate Ético: Reconhecimento Facial

Divida a turma em grupos pró e contra o uso em escolas. Pesquisem casos reais, preparam argumentos e debatem com votação final. Sintetizem lições em cartaz.

50 min·Pequenos grupos

Mapa de Impacto: Futuro do Trabalho

Os alunos listam profissões vulneráveis à machine learning, pesquisam exemplos e criam mapa mental. Partilham em roda e preveem mudanças em Portugal.

40 min·Turma inteira

Ligações ao Mundo Real

• Empresas como a Netflix utilizam algoritmos de aprendizagem supervisionada para analisar o histórico de visualização dos utilizadores (features) e prever quais os filmes ou séries que mais lhes irão agradar (labels), personalizando as recomendações.
• Bancos e instituições financeiras empregam sistemas de aprendizagem não supervisionada para detetar transações anómalas ou fraudulentas. Estes sistemas identificam padrões de comportamento incomuns nos dados de transações, sem precisar de exemplos prévios de fraude.
• Sistemas de condução autónoma, como os desenvolvidos pela Tesla ou Waymo, usam aprendizagem de máquina para processar dados de sensores (câmaras, LiDAR) e tomar decisões em tempo real. A identificação de obstáculos e a previsão de trajetórias são cruciais para a segurança.

Ideias de Avaliação

Bilhete de Saída

Peça aos alunos para escreverem num pequeno papel: 1) Um exemplo de um problema que seria melhor resolvido com aprendizagem supervisionada e porquê. 2) Um exemplo de um problema que seria melhor resolvido com aprendizagem não supervisionada e porquê.

Questão para Discussão

Coloque a seguinte questão no quadro: 'Um sistema de reconhecimento facial é mais preciso para identificar pessoas de certas etnias do que de outras. Que aspetos éticos e sociais devemos considerar para além da métrica de precisão técnica?' Facilite uma discussão em grupo, incentivando os alunos a partilhar as suas perspetivas.

Verificação Rápida

Apresente aos alunos uma lista de 5 aplicações (ex: previsão do tempo, agrupamento de clientes, deteção de spam, diagnóstico médico, recomendação de música). Peça-lhes para classificarem cada uma como 'Supervisionada' ou 'Não Supervisionada' e justificarem brevemente a sua escolha para duas delas.

Perguntas frequentes

O que distingue aprendizagem supervisionada da não supervisionada?

A supervisionada usa dados rotulados para treinar previsões, como classificar e-mails como spam. A não supervisionada analisa dados sem rótulos para encontrar padrões ocultos, como segmentar clientes por comportamento. Ambas resolvem problemas diferentes: previsão vs descoberta, e atividades práticas ajudam a visualizar estas diferenças com exemplos concretos.

Como a aprendizagem de máquina afeta o futuro do trabalho em Portugal?

Setores como indústria e serviços enfrentam automação em tarefas repetitivas, criando empregos em programação e análise de dados. No entanto, exige reconversão profissional. Debates em sala mostram aos alunos vulnerabilidades reais e oportunidades, preparando-os para um mercado em transformação.

Como usar aprendizagem ativa para ensinar machine learning?

Simulações com ferramentas como Teachable Machine permitem treinar modelos em tempo real, enquanto debates éticos fomentam reflexão crítica. Agrupamentos colaborativos revelam padrões em dados partilhados, tornando conceitos abstratos acessíveis e memoráveis, alinhando com o pensamento computacional do currículo.

Quais as questões éticas no reconhecimento facial?

Levanta problemas de privacidade, vigilância e viés contra minorias étnicas devido a dados de treino desequilibrados. Em Portugal, regulações como RGPD limitam usos. Atividades de debate ajudam alunos a equilibrar benefícios como segurança com riscos, desenvolvendo cidadania digital responsável.