Confidence

No campo da inteligência artificial e da aprendizagem automática, uma pontuação de confiança é uma métrica que quantifica o nível de certeza que um modelo tem relativamente a uma previsão específica. Este valor varia normalmente entre 0 e 1 (ou entre 0% e 100%) e representa a probabilidade estimada de a saída do algoritmo estar de acordo com a verdade fundamental. Por exemplo, numa tarefa de deteção de objetos, se um sistema identificar uma região de uma imagem como uma "bicicleta" com uma confiança de 0,92, isso sugere uma probabilidade estimada de 92% de a classificação estar correta. Estas pontuações são obtidas a partir da camada final de uma rede neuronal, sendo frequentemente processadas através de uma função de ativação, como Softmax para a categorização multiclasse ou a função Sigmoid para decisões binárias.

O papel da confiança na inferência#

As pontuações de confiança são um componente fundamental do fluxo de trabalho do motor de inferência, funcionando como um filtro para distinguir previsões de alta qualidade do ruído de fundo. Este processo de filtragem, conhecido como limiarização, permite aos programadores ajustar a sensibilidade de uma aplicação. Ao estabelecer um limiar mínimo de confiança, podes gerir o compromisso entre precisão e revocação. Um limiar mais baixo pode detetar mais objetos, mas aumenta o risco de falsos positivos, enquanto um limiar mais alto melhora a precisão, mas pode resultar na perda de instâncias subtis.

Em arquiteturas avançadas como o Ultralytics YOLO26, as pontuações de confiança são essenciais para técnicas de pós-processamento como a supressão não máxima (NMS). A NMS utiliza estas pontuações para remover caixas delimitadoras redundantes que se sobrepõem significativamente, preservando apenas a deteção com a maior probabilidade. Este passo garante que a saída final esteja limpa e pronta para tarefas subsequentes, como a contagem de objetos ou o rastreamento.

O exemplo seguinte em Python demonstra como filtrar previsões por confiança utilizando o pacote ultralytics:

from ultralytics import YOLO

# Load the latest YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with a confidence threshold of 0.5 (50%)
# Only detections with a score above this value are returned
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.5)

# Inspect the confidence scores of the detected objects
for box in results[0].boxes:
    print(f"Class: {box.cls}, Confidence: {box.conf.item():.2f}")

Aplicações no mundo real#

As pontuações de confiança fornecem uma camada de interpretabilidade indispensável em setores onde a visão computacional (CV) é aplicada. Ajudam os sistemas automatizados a determinar quando devem prosseguir de forma autónoma e quando devem acionar alertas para análise humana.

• Condução autónoma: No setor da IA no setor automóvel, os veículos autónomos dependem de métricas de confiança para garantir a segurança dos passageiros. Se um sistema de perceção detetar um obstáculo com baixa confiança, poderá cruzar estes dados com sensores LiDAR ou radar para verificar a presença do objeto antes de executar uma manobra de emergência. Esta redundância ajuda a evitar a "travagem fantasma" causada por sombras ou reflexos.
• Diagnóstico médico: Ao utilizar IA na área da saúde, os modelos ajudam os profissionais de saúde ao sinalizar potenciais anomalias em dados de imagiologia. Um sistema desenvolvido para a deteção de tumores pode destacar regiões com elevada confiança para diagnóstico imediato, enquanto as previsões com menor confiança são registadas para análise secundária. Este fluxo de trabalho com intervenção humana garante que a IA complementa a tomada de decisões clínicas sem substituir o julgamento de especialistas.
• Automação industrial: Na manufatura inteligente, os braços robóticos utilizam pontuações de confiança para interagir com objetos nas linhas de montagem. Um robô equipado com IA de visão pode tentar agarrar um componente apenas se a confiança da deteção exceder 90%, reduzindo assim o risco de danificar peças delicadas devido a um desalinhamento.

Distinguir a confiança de termos relacionados#

É fundamental distinguir a confiança de outras métricas estatísticas utilizadas na avaliação de modelos.

• Confiança vs. exatidão: A exatidão é uma métrica global que descreve a frequência com que um modelo está correto em todo um conjunto de dados (por exemplo, "O modelo tem uma exatidão de 92%"). Em contrapartida, a confiança é um valor local específico de uma previsão (por exemplo, "O modelo tem 92% de certeza de que esta imagem específica contém um gato"). Um modelo pode ter uma exatidão global elevada, mas ainda assim apresentar baixa confiança em casos-limite.
• Confiança vs. calibração de probabilidade: Uma pontuação de confiança bruta nem sempre está alinhada com a verdadeira probabilidade de correção. Um modelo está "bem calibrado" se as previsões feitas com uma confiança de 0,8 estiverem corretas aproximadamente 80% das vezes. Técnicas como a calibração de Platt ou a regressão isotónica são frequentemente utilizadas para alinhar as pontuações com probabilidades empíricas.
• Confiança vs. precisão: A precisão mede a proporção de identificações positivas que estavam efetivamente corretas. Embora o aumento do limiar de confiança geralmente aumente a precisão, muitas vezes isso ocorre à custa da revocação. Os programadores devem ajustar este limiar com base no facto de a sua aplicação dar prioridade à deteção de mais objetos ou à minimização de falsos alarmes.

Melhorar a confiança do modelo#

Se um modelo produzir consistentemente baixa confiança para objetos válidos, isso frequentemente indica uma discrepância entre os dados de treino e o ambiente de implementação. Entre as estratégias para atenuar este problema está o aumento de dados, que expande artificialmente o conjunto de dados através da variação da iluminação, da rotação e do ruído. Além disso, utilizar a Ultralytics Platform para implementar pipelines de aprendizagem ativa permite aos programadores identificar facilmente amostras com baixa confiança, anotá-las e voltar a treinar o modelo. Este ciclo iterativo é vital para criar agentes de IA robustos, capazes de operar de forma fiável em ambientes dinâmicos do mundo real.