# Como decido se o aprendizado de máquina clássico basta em vez de um LLM?

> Um teste rápido para cientistas de dados: quando uma regressão, um modelo de árvores ou um classificador pequeno supera um LLM em custo, energia, rapidez e fiabilidade.

Source: https://greenai.guide/pt/como/como-decido-se-o-aprendizado-de-maquina-classico-basta-em-vez-de-um/  
Updated: 2026-11-19

## Em resumo

Se as suas entradas são dados estruturados ou textos curtos etiquetados e a saída é um número, uma categoria ou uma classificação, experimente primeiro um modelo clássico: um modelo linear, árvores com gradient boosting ou um classificador pequeno. Eles são muito mais baratos de executar, mais rápidos, mais fáceis de explicar e muitas vezes igualmente precisos. Recorra a um grande modelo de linguagem quando a tarefa precisa de fato de linguagem aberta.

## Steps

1. Escreva o tipo de entrada, o tipo de saída e o nível de qualidade.
2. Construa primeiro uma referência simples, como uma regra, um modelo linear ou árvores com gradient boosting.
3. Experimente um classificador pequeno com fine-tuning se a entrada for texto livre.
4. Teste um LLM só se as referências não atingirem o nível, e com o mesmo conjunto de avaliação.
5. Compare a qualidade, a latência e a energia por previsão antes de escolher.

**Use o modelo mais simples que atinja o seu nível de qualidade.** Para dados estruturados e tarefas estreitas de
etiquetagem, esse costuma ser um modelo clássico de aprendizado de máquina, não um grande modelo de linguagem.

## Por que isso importa? {#why-does-it-matter}

Luccioni, Jernite e Strubell mediram a energia da execução de modelos em muitas tarefas. Classificar texto ficou
entre as tarefas mais baratas, com cerca de 0,002 kWh por 1.000 inferências, enquanto os modelos generativos gerais
custaram ordens de grandeza mais do que os específicos para a mesma tarefa. As Web Sustainability Guidelines do W3C
também pedem às equipes que avaliem a necessidade de IA antes de implementá-la.

Um sandpit (laboratório colaborativo) britânico de IA verde de 2026, com matemáticos, cientistas da computação e
indústria, chegou à mesma conclusão por outro ângulo: as pessoas recorrem muitas vezes à IA quando um método
estatístico ou numérico bem conhecido já resolve o problema.

## Um teste rápido {#a-quick-test}

| A sua tarefa | Experimente primeiro |
|---|---|
| Prever um número a partir de dados tabulares | Modelo linear ou árvores com gradient boosting |
| Atribuir uma entre poucas etiquetas | Classificador pequeno com fine-tuning |
| Encontrar itens semelhantes | Embeddings mais um índice de vizinhos mais próximos |
| Prever uma série temporal | Métodos estatísticos de previsão consagrados |
| Escrever, explicar ou conversar | É aqui que um LLM compensa o seu custo |

## Erros comuns {#common-mistakes}

- **Pular a referência.** Sem ela, você não consegue saber se o LLM acrescenta alguma coisa.
- **Usar um LLM para etiquetar dados que você nunca usa para treinar.** Use-o uma vez para criar etiquetas e depois
  treine um modelo pequeno.
- **Comparar só pela precisão.** Inclua a latência, a energia por previsão e a facilidade de explicar os erros.

Leia mais em [escolher o modelo certo](/pt/boas-praticas/escolha-o-modelo-certo-para-a-tarefa/) e
[matemática para uma IA eficiente](/pt/artigos/a-matematica-que-torna-a-ia-mais-eficiente/).

## Fontes

- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [Web Sustainability Guidelines](https://www.w3.org/TR/web-sustainability-guidelines/), W3C (2025)
