O que é classificação al e como funciona na prática
Quando alguém pesquisa classificação al o que significa, geralmente está se deparando com siglas soltas em documentos de TI ou em editais de licitação. A sigla AL, por si só, não tem um significado universal — o contexto decide tudo. Pode ser Alagoas, pode ser Active Learning, pode ser um código interno de uma empresa, ou pode ser uma abreviação que ninguém documentou direito. O que eu aprendi nos últimos anos é que a maioria dos casos gira em torno de dois cenários: classificação automática de documentos por município (Alagoas) ou classificação usando aprendizado de máquina ativo (Active Learning). Eu tive um problema real com isso em 2023. Uma empresa de auditoria me enviou um manual de classificação com a tabela "AL-03", "AL-12", e por aí vai. Nenhum desses códigos estava explicados no glossário. Gastei uma manhã inteira tentando achar o padrão. A solução foi cross-referencear com os anexos do edital de licitação mais recente da prefeitura do estado — a classificação AL em contextos governamentais segue a tabela de CNAE e a nomenclatura do SIC (Sistema de Informações Contratuais). Não é intuitivo, mas uma vez que você acha a portaria que institui o código, o resto se encaixa.
Classificação AL como Active Learning
Se o seu contexto é machine learning, classificação AL se refere a Active Learning — uma técnica onde o modelo seleciona os dados que mais contribuem para o aprendizado e pede para um humano rotulá-los. É diferente da classificação supervisada tradicional, que simplesmente consome todo o dataset disponível. No Active Learning, o modelo diz: "não tenho certeza sobre esses três exemplos, alguém poderia revisar?". Isso reduz o trabalho de anotação entre 40% e 70%, dependendo da complexidade do domínio. O funcionamento é simples na teoria e irritante na prática. Você começa com um pequeno conjunto rotulado, treina um classificador, aplica o modelo ao restante dos dados e seleciona as amostras de maior incerteza. As amostras de incerteza podem ser medidas por entropy, margin sampling, ou uncertainty sampling. A escolha da estratégia muda o resultado. Margin sampling (diferença entre a probabilidade da classe mais provável e a segunda mais provável) tende a funcionar melhor para classificação multiclasse do que entropy pura. Eu descobri isso quebrando o braço com um classificador de sentimentos em português brasileiro, onde entropy pura gerava rótulos inconsistentes porque a distribuição era quase uniforme entre duas classes similares.
Classificação AL em contextos governamentais brasileiros
No Brasil, classificação AL aparece com frequência em editais públicos quando se refere ao estado de Alagoas. Licitações federais e estaduais usam códigos de classificação que incluem a sigla da unidade federativa. Se você está lidando com um sistema de compras públicas e vê "classificação AL", provavelmente é um item vinculado à administração pública estadual de Alagoas. O código completo segue o padrão da Table 2 do SIGAQUBA ou do elemento Estrutura Classificatória do e-CNPJ. O erro mais comum é assumir que AL é uma categoria genérica de classificação. Não é. É uma indicação geográfica ou institucional. Um erro que vi acontecer repetidamente é um fornecedor tentar usar um código de classificação de outro estado porque o nome do produto era similar. O sistema rejeita porque o código é atrelado à jurisdição. A correção é verificar sempre o órgão licitante e o respectivo anexo de classificação do edital.
Diferenças entre classificação AL e outros tipos
A classificação tradicional por clusters (k-means, hierárquica) separa dados sem rótulos prévios. Já a classificação AL (Active Learning) usa rótulos humanos de forma seletiva. E a classificação supervisionada comum (random forest, SVM, redes neurais) consome todos os dados disponíveis sem filtro. A diferença prática é que Active Learning exige um loop iterativo: modelo seleção anotação retraining. Esse loop adiciona complexidade operacional, mas o ganho em eficiência de anotação compensa quando o volume de dados brutos é grande e o custo de rotulação é alto. Um ponto que poucos mencionam: Active Learning não funciona bem quando os dados são balanceados e já existem muitos rótulos. Nesses casos, o overhead do loop seletivo pode ser pior do que simplesmente treinar com tudo. A recomendação é usar Active Learning apenas quando a taxa de sucesso da classificação inicial for inferior a 60% com o conjunto disponível, ou quando o custo de anotação representa mais de 30% do orçamento do projeto.
Como implementar classificação AL passo a passo
Vamos ao que realmente importa. Se você quer construir um sistema de classificação AL do zero: Primeiro, defina o pool de dados não rotulados. Quanto maior o pool, maior o ganho potencial, mas também maior o tempo de consulta ao modelo em cada iteração. Um pool de 10 mil amostras para um domínio simples (como classificação de emails) é suficiente. Para domínios complexos (análise jurídica, diagnósticos), considere começar com 50 mil.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Segundo, escolha a estratégia de querying. Eu recomendo margin sampling para classificação multiclasse e entropy sampling para binária. Se o domínio tiver classes desbalanceadas (o que acontece em 80% dos casos reais), adicione estratificação ao querying para evitar que o modelo ignore consistentemente a classe minoritária. Terceiro, configure o tamanho do batch de anotação. Batch sizes muito pequenos (1-5) geram muito overhead de comunicação com o anotador. Batch sizes muito grandes (100+) perdem a vantagem da seletividade. Entre 20 e 50 é o sweet spot para a maioria dos projetos.
Quarto, defina o critério de parada. A maioria dos projetos continua treinando Active Learning até o modelo estabilizar, mas estabilização não significa melhor performance significativa. Um gráfico de accuraça versus iteração mostra que, após 15-20 iterações, o ganho marginal fica abaixo de 2%. Parametrize o loop para parar quando o delta de accuraça entre iterações consecutivas for menor que 0.015.
Ferramentas e bibliotecas
Para Python, a biblioteca modAL é a opção mais direta. Ela implementa BayesianOptimizationClassifier, PoolBasedMCAL, e várias estratégias de querying prontas. A instalação é trivial: pip install modAL. O exemplo mínimo requer cerca de 30 linhas de código para um fluxo completo de treinamento iterativo. Alternativamente, scikit-learn com uncertainty_sampling de bibliotecas auxiliares como active-learning do PyPI oferece mais flexibilidade, mas exige mais código boilerplate. A escolha depende do prazo: se você precisa de um protótipo funcional em dois dias, vá de modAL. Se o projeto é produção e precisa de customização profunda, construa sobre scikit-learn.
Limitações que ninguém conta
Active Learning tem um problema silencioso: o efeito do anotador. Quando o mesmo humano rotula as amostras selecionadas pelo modelo, o viés pessoal desse anotador se concentra nas amostras mais difíceis. Isso distorce o modelo final porque as fronteiras de decisão aprendidas refletem inconsistências humanas, não padrões reais dos dados. A mitigação é simples: rotate entre dois ou mais anotadores e calcule a inter-rater reliability antes de cada iteração de retraining. Se o kappa de Cohen estiver abaixo de 0.6, pare e resolva o problema de consistência antes de continuar. Outra limitação prática: Active Learning não lida bem com drift conceitual. Se a definição das classes muda ao longo do tempo (o que acontece em classificações tributárias, por exemplo), o modelo acumula viés histórico e as seleções de querying se tornam obsoletas. A solução é reiniciar o pool de dados não rotulados a cada mudança de critério e manter um versionamento dos rótulos por período de vigência da classificação.
Se o seu objetivo é simplesmente classificar dados em categorias fixas e você já tem um dataset rotulado razoavelmente grande (acima de 5 mil amostras por classe), Active Learning provavelmente não vale o esforço. A classificação padrão com random forest ou XGBoost chega a 85-90% de accuracy em praticamente qualquer domínio tabular, e o tempo de implementação é uma fração do necessário para configurar um loop de Active Learning.
Conclusão sobre classificação AL
O termo classificação al o que significa varia drasticamente conforme o contexto. Em governos brasileiros, significa classificação por estado de Alagoas em editais. Em ML, significa Active Learning. Ambos são válidos. O importante é identificar qual deles se aplica ao seu problema antes de gastar tempo pesquisando. Se você está em dúvidas, verifique a fonte original da sigla: um edital, um paper, ou um documento interno da sua empresa. Cada um desses contextos tem convenções diferentes e misturá-las gera erros caros.
