Tipos de Tarefas de Treinamento

O AI Training suporta muitas tarefas diferentes. Cada tarefa é otimizada para tipos específicos de problemas que você quer resolver.

Tarefas de Texto

Text Classification

O que faz: Classifica texto em categorias que você define. Exemplos do mundo real:

Detecção de spam em email
Sentimento de feedback do cliente (feliz/infeliz)
Roteamento de tickets de suporte
Moderação de conteúdo
Detecção de idioma

O que você precisa:

Amostras de texto
Rótulos de categoria para cada amostra
Pelo menos 50 exemplos por categoria (mais é melhor)

Formato de dados de exemplo:

text,label
"Great product, highly recommend!",positive
"Terrible experience, waste of money",negative
"The item arrived damaged",negative
"Excellent customer service",positive

Token Classification (NER)

O que faz: Rotula palavras ou frases específicas em texto. Exemplos do mundo real:

Extrair nomes, datas, localizações de documentos
Identificar menções de produtos em avaliações
Encontrar termos médicos em notas clínicas
Destacar cláusulas importantes de contratos
Marcar partes do discurso

O que você precisa:

Texto com entidades marcadas
Rótulos em formato BIO (Beginning, Inside, Outside)
Centenas de exemplos anotados

Example data format:

John B-PERSON
Smith I-PERSON
visited O
New B-LOCATION
York I-LOCATION
yesterday B-DATE

Sequence to Sequence

O que faz: Transforma um texto em outro. Exemplos do mundo real:

Tradução de idiomas
Resumo de texto
Resposta a perguntas
Correção de texto
Paráfrase

O que você precisa:

Texto de entrada
Texto de saída desejado
Pares de exemplos entrada-saída

Example data format:

input_text,target_text
"The quick brown fox jumps over the lazy dog","Le renard brun rapide saute par-dessus le chien paresseux"
"Hello, how are you?","Bonjour, comment allez-vous?"

Text Generation (LLM Fine-tuning)

O que faz: Ensina modelos de linguagem novos conhecimentos ou comportamentos. Exemplos do mundo real:

Chatbots personalizados
Assistentes específicos de domínio
Geração de código
Escrita criativa
Documentação técnica

O que você precisa:

Exemplos de conversação ou pares instrução-resposta
Opcional: Dados de preferência para RLHF
Pode funcionar com apenas 100 exemplos

Formato de conversa de exemplo:

{
  "messages": [
    {"role": "user", "content": "What is photosynthesis?"},
    {"role": "assistant", "content": "Photosynthesis is the process plants use to convert sunlight into energy..."}
  ]
}

Tarefas de Imagem

Image Classification

O que faz: Identifica o que há em uma imagem. Exemplos do mundo real:

Inspeção de qualidade de produtos
Diagnóstico de imagens médicas
Identificação de vida selvagem
Classificação de tipo de documento
Reconhecimento de expressão facial

O que você precisa:

Imagens (JPG, PNG)
Rótulo de categoria para cada imagem
Pelo menos 100 imagens por categoria

Folder structure:

data/
  cats/
    cat1.jpg
    cat2.jpg
  dogs/
    dog1.jpg
    dog2.jpg

Object Detection

O que faz: Encontra e localiza múltiplos objetos em imagens. Exemplos do mundo real:

Contagem de inventário
Monitoramento de segurança
Condução autônoma
Detecção de defeitos
Contagem de pessoas

O que você precisa:

Imagens com caixas delimitadoras
Rótulos para cada caixa
Anotações em formato COCO ou YOLO

Tarefas de Dados Estruturados

Tabular Classification

O que faz: Prevê categorias de dados tipo planilha. Exemplos do mundo real:

Previsão de churn de clientes
Detecção de fraude
Diagnóstico de doenças
Aprovação de crédito
Previsão de falha de equipamento

O que você precisa:

CSV com features e rótulos
Colunas numéricas e categóricas
Dados limpos e pré-processados

Example data:

age,income,credit_score,approved
25,45000,720,yes
35,65000,650,no
42,85000,780,yes

Tabular Regression

O que faz: Prevê valores contínuos de dados estruturados. Exemplos do mundo real:

Previsão de preço de casas
Previsão de vendas
Estimativa de consumo de energia
Previsão de preço de ações
Estimativa de tempo de entrega

O que você precisa:

CSV com features e valores alvo
Coluna alvo numérica
Dados históricos

Métodos Avançados de Treinamento

Supervised Fine-Tuning (SFT)

Treinamento padrão com exemplos e respostas corretas. Use quando: Você tem dados rotulados de boa qualidade.

DPO (Direct Preference Optimization)

Treine modelos usando comparações de preferência. Use quando: Você tem exemplos de saídas boas vs ruins. Data format:

{
  "prompt": "Write a greeting",
  "chosen": "Hello! How can I help you today?",
  "rejected": "sup"
}

ORPO (Odds Ratio Preference Optimization)

Similar ao DPO mas com treinamento mais estável. Use quando: Treinamento DPO está instável ou com overfitting.

Reward Modeling

Treine um modelo para pontuar saídas. Use quando: Construindo um modelo de recompensa para RLHF.

PPO (Proximal Policy Optimization)

Aprendizado por reforço a partir de feedback. Use quando: Você tem um modelo de recompensa e quer otimizar contra ele.

Guia de Seleção de Tarefa

Com Base em Seus Dados

Se você tem…	Escolha esta tarefa
Texto + categorias	Text Classification
Texto com rótulos de entidades	Token Classification
Pares texto entrada/saída	Sequence to Sequence
Conversas	LLM Fine-tuning
Imagens + rótulos	Image Classification
Dados de planilha	Tabular Classification/Regression

Com Base em Seu Objetivo

Se você quer…	Escolha esta tarefa
Classificar coisas em categorias	Classification
Extrair informações	Token Classification
Transformar texto	Sequence to Sequence
Criar um chatbot	LLM Fine-tuning
Prever números	Regression
Encontrar objetos	Object Detection

Com Base em Dificuldade

Mais fácil para começar:

Text Classification
Image Classification
Tabular Classification

Dificuldade média:

Token Classification
Sequence to Sequence
LLM Fine-tuning (SFT)

Avançado:

Treinamento DPO/ORPO
Object Detection
PPO/RLHF

Requisitos de Dados

Dados Mínimos Necessários

Tarefa	Mínimo Absoluto	Bom Ponto de Partida	Qualidade de Produção
Text Classification	50 por classe	500 por classe	5.000+ por classe
Token Classification	100 documentos	1.000 documentos	10.000+ documentos
Seq2Seq	100 pares	1.000 pares	10.000+ pares
LLM Fine-tuning	50 exemplos	500 exemplos	5.000+ exemplos
Image Classification	100 por classe	1.000 por classe	10.000+ por classe
Tabular	500 linhas	5.000 linhas	50.000+ linhas

Qualidade dos Dados Importa

Melhor ter 100 exemplos de alta qualidade que 1.000 ruins:

Rótulos precisos
Formatação consistente
Representativo do uso do mundo real
Balanceado entre categorias

Treinamento Multi-Tarefa

Você pode treinar modelos para múltiplas tarefas simultaneamente:

Benefícios

Compartilhar conhecimento entre tarefas
Uso mais eficiente de dados
Implantação de modelo único

Exemplo

Treine um modelo para:

Classificar sentimento
Extrair entidades
Resumir texto

Tudo com o mesmo modelo base.

Configurações Específicas por Tarefa

Tarefas de Texto

Max sequence length: Quanto texto processar
Tokenizer: Como dividir texto em tokens
Special tokens: Marcadores específicos da tarefa

Tarefas de Imagem

Image size: Resolução a usar
Augmentation: Rotação, inversão, corte
Normalization: Escala de valores de pixel

Tarefas Tabulares

Feature engineering: Criar novas colunas
Scaling: Normalizar valores numéricos
Encoding: Lidar com variáveis categóricas

Métricas de Avaliação

Diferentes tarefas usam diferentes métricas:

Tarefa	Métricas Comuns
Classification	Accuracy, F1, Precision, Recall
Token Classification	F1 em nível de entidade, Accuracy de token
Seq2Seq	BLEU, ROUGE, BERTScore
Generation	Perplexity, Avaliação humana
Regression	MSE, MAE, R²
Object Detection	mAP, IoU

Combinando Tarefas

Abordagem de Pipeline

Encadeie tarefas:

Classification → Roteie para modelo especializado
NER → Extraia entidades → Gere resposta
Traduza → Resuma → Classifique sentimento

Tarefas Multi-Modais

Combine diferentes tipos de dados:

Imagem + Texto → Visual QA
Áudio + Texto → Reconhecimento de fala
Vídeo + Texto → Entendimento de vídeo

Próximos Passos

Pronto para mergulhar mais fundo?

Tipos de Modelos

Escolha a arquitetura de modelo certa

Início Rápido

Treine seu primeiro modelo

​Tipos de Tarefas de Treinamento

​Tarefas de Texto

​Text Classification

​Token Classification (NER)

​Sequence to Sequence

​Text Generation (LLM Fine-tuning)

​Tarefas de Imagem

​Image Classification

​Object Detection

​Tarefas de Dados Estruturados

​Tabular Classification

​Tabular Regression

​Métodos Avançados de Treinamento

​Supervised Fine-Tuning (SFT)

​DPO (Direct Preference Optimization)

​ORPO (Odds Ratio Preference Optimization)

​Reward Modeling

​PPO (Proximal Policy Optimization)

​Guia de Seleção de Tarefa

​Com Base em Seus Dados

​Com Base em Seu Objetivo

​Com Base em Dificuldade

​Requisitos de Dados

​Dados Mínimos Necessários

​Qualidade dos Dados Importa

​Treinamento Multi-Tarefa

​Benefícios

​Exemplo

​Configurações Específicas por Tarefa

​Tarefas de Texto

​Tarefas de Imagem

​Tarefas Tabulares

​Métricas de Avaliação

​Combinando Tarefas

​Abordagem de Pipeline

​Tarefas Multi-Modais

​Próximos Passos

Tipos de Modelos

Início Rápido

Tipos de Tarefas de Treinamento

Tarefas de Texto

Text Classification

Token Classification (NER)

Sequence to Sequence

Text Generation (LLM Fine-tuning)

Tarefas de Imagem

Image Classification

Object Detection

Tarefas de Dados Estruturados

Tabular Classification

Tabular Regression

Métodos Avançados de Treinamento

Supervised Fine-Tuning (SFT)

DPO (Direct Preference Optimization)

ORPO (Odds Ratio Preference Optimization)

Reward Modeling

PPO (Proximal Policy Optimization)

Guia de Seleção de Tarefa

Com Base em Seus Dados

Com Base em Seu Objetivo

Com Base em Dificuldade

Requisitos de Dados

Dados Mínimos Necessários

Qualidade dos Dados Importa

Treinamento Multi-Tarefa

Benefícios

Exemplo

Configurações Específicas por Tarefa

Tarefas de Texto

Tarefas de Imagem

Tarefas Tabulares

Métricas de Avaliação

Combinando Tarefas

Abordagem de Pipeline

Tarefas Multi-Modais

Próximos Passos