 |
| Bellacosa Mainframe em machine learning sem misterios |
☕ Um Café no Bellacosa Mainframe
Machine Learning sem Mistérios
O Guia Definitivo do Programador COBOL Padawan para Entrar no Mundo da Inteligência Artificial sem Esquecer os Fundamentos
"Todo Mestre Jedi da IA começou entendendo os dados antes de treinar o primeiro modelo."
Introdução – O Erro que Muitos Estão Cometendo em 2026
Existe um fenômeno curioso acontecendo na indústria.
Todos querem aprender IA.
Todos querem aprender ChatGPT.
Todos querem aprender LLMs.
Todos querem aprender Agentes de IA.
Mas poucos querem aprender Machine Learning.
É como alguém querer aprender CICS sem saber COBOL.
Ou querer administrar um Db2 sem nunca ter visto uma tabela.
Ou ainda querer fazer tuning de SQL sem entender como funciona um índice.
O resultado?
Profissionais que sabem usar ferramentas, mas não compreendem o que acontece por trás delas.
No universo IBM Z isso seria impensável.
Nenhum programador COBOL experiente diria:
"Não preciso entender JCL porque hoje existe DevOps."
Da mesma forma...
Nenhum Engenheiro de IA deveria dizer:
"Não preciso aprender Machine Learning porque existe GPT."
Os LLMs são apenas um dos milhares de produtos da árvore gigantesca chamada Machine Learning.
Neste artigo vamos construir essa árvore desde as raízes.
Não utilizando matemática pesada.
Mas utilizando aquilo que um programador COBOL conhece melhor do que ninguém:
dados, regras de negócio, processamento e tomada de decisão.
Pegue seu café.
Nossa jornada está apenas começando.
 |
| Bellacosa Mainframe e os algoritmo de machine learning |
O que realmente é Machine Learning?
Antes de tudo precisamos desfazer um mito.
Machine Learning NÃO significa que o computador pensa.
Ele também NÃO significa que o computador ficou inteligente.
Na verdade...
Machine Learning significa apenas uma coisa:
Encontrar padrões automaticamente a partir dos dados.
Nada mais.
Nada menos.
Imagine um programa COBOL.
Normalmente fazemos algo assim:
IF SALDO > 10000
MOVE "VIP" TO TIPO-CLIENTE
ELSE
MOVE "NORMAL" TO TIPO-CLIENTE
END-IF
Quem criou essa regra?
Você.
Agora imagine milhões de clientes.
Talvez existam centenas de regras.
Talvez milhares.
Talvez nenhuma pessoa consiga descobri-las.
É aqui que entra Machine Learning.
O algoritmo encontra essas regras sozinho.
Uma analogia para quem vive no Mainframe
Imagine que você trabalha em um banco.
Existe um arquivo VSAM com 50 milhões de clientes.
Cada registro possui:
IDADE
SALÁRIO
PROFISSÃO
ESTADO
QUANTIDADE DE CARTÕES
RENDA
LIMITE
UTILIZAÇÃO
INADIMPLENTE?
Durante vinte anos o banco registrou tudo.
Você já sabe quais clientes ficaram inadimplentes.
Agora surge um novo cliente.
Como prever se ele pode dar prejuízo?
Você pode escrever milhares de IFs...
Ou pode deixar o algoritmo aprender.
Esse é exatamente o objetivo do Machine Learning.
IA não começou com o ChatGPT
Outro erro comum.
Muitos acreditam que IA nasceu em 2022.
Na verdade...
A história começa muito antes.
Década de 1950.
Depois vieram:
Regressão
Redes Bayesianas
Árvores de decisão
Redes neurais
SVM
Random Forest
Gradient Boosting
Somente décadas depois apareceram:
Deep Learning
Transformers
GPT
Claude
Gemini
Ou seja...
LLMs são apenas um capítulo.
Não o livro inteiro.
A grande árvore do Machine Learning
Imagine uma árvore gigantesca.
Seu tronco chama-se:
Machine Learning
Dela nascem quatro grandes galhos:
Machine Learning
│
├── Supervisionado
├── Não Supervisionado
├── Semi-Supervisionado
└── Aprendizado por Reforço
Cada um resolve problemas completamente diferentes.
Aprendizado Supervisionado
É o tipo mais utilizado pelas empresas.
Aqui existe um professor.
Imagine um pai ensinando uma criança.
Ele mostra um cachorro.
Diz:
"Cachorro."
Mostra outro.
"Cachorro."
Mostra outro.
"Cachorro."
Depois de milhares de exemplos...
A criança aprende.
Machine Learning funciona exatamente assim.
Dados Rotulados
O segredo está nos rótulos.
Imagine um arquivo:
IDADE
RENDA
EMPRÉSTIMO
PAGOU?
O campo PAGOU é conhecido.
Logo...
Existe um professor.
Esse conjunto chama-se:
Dados rotulados.
Classificação
Agora queremos responder perguntas como:
SIM
NÃO
Ou
Fraude
Não fraude
Ou
Spam
Não Spam
Ou
Cliente Ouro
Cliente Prata
Cliente Bronze
Não queremos números.
Queremos categorias.
Logistic Regression
Apesar do nome...
Ela faz classificação.
Sua missão é calcular probabilidades.
Por exemplo:
Cliente A
98%
↓
Grande chance de inadimplência.
É extremamente utilizada por bancos.
Também por seguradoras.
E por fintechs.
Naïve Bayes
Esse algoritmo nasceu baseado no famoso Teorema de Bayes.
Ele faz uma suposição simplificadora.
Considera que as variáveis são independentes.
Na prática isso raramente acontece.
Mesmo assim...
Ele funciona surpreendentemente bem.
É excelente para:
filtros de spam
classificação de textos
análise documental
NLP clássico
K-Nearest Neighbors (KNN)
Imagine mudar para um bairro novo.
Você provavelmente terá hábitos parecidos com os vizinhos.
O algoritmo pensa igual.
Ele procura os registros mais próximos.
Depois pergunta:
"A maioria pertence a qual grupo?"
Se oito dos dez vizinhos são clientes premium...
Talvez você também seja.
Muito simples.
Muito intuitivo.
Mas caro computacionalmente em bases enormes.
Árvores de Decisão
Provavelmente o algoritmo mais fácil de explicar.
Ele faz perguntas.
Idade > 30?
↓
Sim
↓
Salário > 8000?
↓
Sim
↓
Cliente Premium
É quase um grande IF...
Só que aprendido automaticamente.
Um programador COBOL costuma entender esse algoritmo imediatamente.
Random Forest
Agora imagine cem árvores.
Cada uma observa os dados de maneira ligeiramente diferente.
Cada uma vota.
A maioria vence.
Esse é o conceito da Random Forest.
Ela reduz erros individuais e costuma apresentar excelente desempenho em dados tabulares, muito comuns em sistemas corporativos.
Support Vector Machine
Agora pense em dois grupos de clientes.
● ● ● ● ●
▲ ▲ ▲ ▲ ▲
Existe uma fronteira entre eles.
A missão da SVM é encontrar a melhor linha (ou hiperplano) que separa essas classes.
Ela é poderosa em problemas com poucas variáveis e conjuntos de dados médios.
Regressão
Agora não queremos responder "Sim" ou "Não".
Queremos prever números.
Exemplos:
faturamento
temperatura
consumo
preço de imóvel
demanda de energia
Regressão Linear
Imagine que quanto maior a casa...
Maior o preço.
A regressão procura justamente a reta que melhor representa essa relação.
É um dos algoritmos mais antigos e ainda hoje extremamente útil.
Lasso Regression
Além de prever valores, ela consegue eliminar automaticamente variáveis pouco relevantes.
Isso reduz complexidade e ajuda a evitar modelos excessivamente ajustados (overfitting).
Aprendizado Não Supervisionado
Agora ninguém sabe a resposta.
Não existem rótulos.
Você apenas entrega os dados.
O algoritmo precisa descobrir padrões sozinho.
É como um DBA recebendo um banco desconhecido e tentando entender sua estrutura apenas observando os dados.
Clustering
O objetivo agora é agrupar registros semelhantes.
Não existe resposta certa.
Existem apenas padrões.
K-Means
O algoritmo escolhe centros.
Depois aproxima os registros desses centros.
No final surgem grupos.
Muito usado para segmentação de clientes.
DBSCAN
Ao contrário do K-Means, ele não precisa saber previamente quantos grupos existem.
Também consegue identificar ruídos.
Excelente para encontrar padrões complexos.
Redução de Dimensionalidade
Imagine uma tabela Db2 com 500 colunas.
Será que todas são importantes?
Provavelmente não.
É aqui que entram:
PCA
ICA
PCA
Principal Component Analysis.
Reduz centenas de variáveis para poucas dimensões mantendo a maior parte da informação.
Muito utilizado antes do treinamento dos modelos.
ICA
Independent Component Analysis.
Seu objetivo é separar sinais independentes.
Muito usado em processamento de voz, imagens e sinais biomédicos.
Associação
Esses algoritmos procuram regras ocultas.
Exemplo:
Quem compra café
↓
também compra açúcar.
Ou
Quem compra notebook
↓
compra mochila.
Os algoritmos clássicos são:
Apriori
FP-Growth
Muito utilizados em e-commerce e supermercados.
Detecção de Anomalias
Essa área é extremamente importante para bancos.
Imagine um cliente.
Sempre realiza compras em São Paulo.
Hoje aparece:
03:14 AM
Japão
US$ 8.500
Isso foge completamente do padrão.
Os algoritmos detectam esse comportamento.
Isolation Forest
Em vez de aprender o comportamento normal, ele procura aquilo que é fácil de isolar.
Fraudes normalmente aparecem rapidamente como pontos isolados.
É um algoritmo muito utilizado em segurança, observabilidade e detecção de ataques.
Aprendizado Semi-Supervisionado
Imagine um banco de dados com:
100 milhões de clientes.
Apenas:
5 mil registros rotulados.
Rotular dados custa caro.
Então o algoritmo aprende utilizando:
poucos exemplos conhecidos;
muitos exemplos desconhecidos.
Esse cenário é bastante comum na indústria.
Aprendizado por Reforço
Agora não existe professor.
Existe recompensa.
Imagine ensinar uma criança.
Acertou.
+10 pontos
Errou.
-5 pontos
Depois de milhares de tentativas...
Ela aprende a escolher as melhores ações.
Q-Learning
É um dos algoritmos clássicos.
Aprende qual decisão gera maior recompensa no longo prazo.
Muito usado em:
robótica
jogos
sistemas autônomos
Model-Based Reinforcement Learning
Aqui o agente vai além.
Ele aprende como o ambiente funciona.
Depois simula mentalmente vários cenários antes de agir.
É semelhante ao planejamento de produção ou à simulação de cargas em um ambiente z/OS.
O que a imagem ainda não mostra
O roadmap clássico é excelente, mas a IA moderna evoluiu.
Hoje você também encontrará:
Ensemble Learning
XGBoost
LightGBM
CatBoost
Gradient Boosting
São frequentemente os campeões em dados tabulares.
Deep Learning
Aqui entram:
CNN
RNN
LSTM
GRU
Autoencoders
Transformers
Esses modelos revolucionaram visão computacional, linguagem natural e reconhecimento de padrões complexos.
IA Generativa
Finalmente chegamos aos famosos LLMs.
Eles utilizam arquiteturas Transformer e são treinados sobre enormes volumes de texto.
Aqui encontramos:
GPT
Claude
Gemini
Llama
Mistral
Além deles surgem componentes fundamentais como:
Embeddings
Busca Vetorial
RAG (Retrieval-Augmented Generation)
Bancos Vetoriais
Esses elementos permitem que um modelo consulte conhecimento externo antes de responder.
O papel do Machine Learning no IBM Z
Quem trabalha com COBOL, Db2 e IBM Z talvez imagine que Machine Learning pertence apenas às startups.
Na realidade, ele já está presente em inúmeras aplicações corporativas:
previsão de inadimplência;
detecção de fraude em cartões;
classificação automática de documentos;
segmentação de clientes;
previsão de demanda;
análise de séries temporais;
detecção de anomalias em logs SMF/RMF;
otimização de cargas batch;
manutenção preditiva de hardware;
busca semântica em documentos corporativos;
recomendação de produtos financeiros.
O IBM Z já oferece aceleração para IA e integrações com ecossistemas modernos, permitindo que modelos sejam treinados ou inferidos próximos dos dados, reduzindo latência e aumentando a segurança.
Como um Padawan COBOL deve iniciar essa jornada?
Não tente aprender tudo de uma vez.
Construa sua base em camadas, exatamente como você faria ao aprender o ecossistema mainframe.
Matemática essencial
Álgebra linear
Probabilidade
Estatística
Cálculo básico (conceitos)
Python para Ciência de Dados
NumPy
Pandas
Matplotlib
Machine Learning clássico
Regressão
Classificação
Clustering
Validação de modelos
Scikit-learn
Treinamento
Avaliação
Pipelines
Deep Learning
TensorFlow ou PyTorch
Redes neurais
CNNs
Transformers
IA Generativa
Embeddings
RAG
LLMs
Agentes
MLOps
Versionamento
Deploy
Monitoramento
Governança
Easter Egg Bellacosa Mainframe ☕
Existe uma frase muito conhecida entre programadores COBOL:
"Os dados sempre contam a verdade; quem mente é o programa."
No Machine Learning podemos adaptá-la:
"Os modelos aprendem aquilo que os dados ensinam. Se os dados carregam erros, preconceitos ou inconsistências, o modelo apenas os reproduz em escala."
Por isso, a maior parte do trabalho de um cientista de dados não é treinar modelos, mas compreender o domínio do negócio, preparar os dados, validá-los e monitorar continuamente o comportamento dos sistemas em produção.
Conclusão
Machine Learning não é uma moda passageira nem um substituto para a programação tradicional. Ele é uma extensão da engenharia de software orientada por dados. Para um programador COBOL, a transição é mais natural do que parece: você já domina regras de negócio, processamento em lote, qualidade de dados e sistemas críticos. O próximo passo é aprender como fazer com que algoritmos descubram padrões que antes precisavam ser codificados manualmente.
LLMs impressionam porque conversam. Mas a inteligência corporativa vai muito além da geração de texto. Empresas precisam prever inadimplência, detectar fraudes, otimizar processos, recomendar produtos, classificar documentos e tomar decisões em tempo real. Tudo isso continua sendo sustentado pelos fundamentos do Machine Learning.
Assim como um bom engenheiro de mainframe nunca ignora conceitos como JCL, VSAM, CICS ou Db2, um futuro engenheiro de IA não deve ignorar regressão, árvores de decisão, Random Forest, clustering, PCA ou aprendizado por reforço.
As ferramentas continuarão mudando. Novos frameworks aparecerão todos os anos. Mas os fundamentos matemáticos, estatísticos e algorítmicos que sustentam o Machine Learning permanecem os mesmos há décadas — e continuarão sendo a base sobre a qual as próximas gerações de inteligência artificial serão construídas.
O verdadeiro Mestre Jedi da IA não é aquele que apenas sabe chamar uma API de um LLM. É aquele que entende por que o modelo funciona, quando ele falha e qual algoritmo é mais adequado para cada problema. Essa é a diferença entre usar inteligência artificial e realmente praticar engenharia de inteligência artificial.
