Redes neurais bayesianas: um guia prático para quantificar incerteza

Quando um modelo de machine learning estima o valor médio de uma casa na Califórnia, ele normalmente entrega um único número: US$ 385 mil. Esse número parece preciso. Mas escondida atrás dele está a incerteza — e essa incerteza pode vir de fatores muito diferentes: será que a previsão é imprecisa porque as características do bairro são inerentemente ruidosas, ou porque o modelo nunca viu uma localização parecida com aquela?

Redes neurais padrão, que produzem um único valor, não conseguem responder a essa pergunta. É aqui que entram as redes neurais bayesianas (BNNs). Em um guia prático publicado no Towards Data Science, o pesquisador Tom Narock mostra como migrar da pergunta “qual é o valor previsto?” para “qual é a faixa de valores plausíveis — e quão confiantes estamos nela?”.

Por que isso importa agora

À medida que sistemas de IA são usados em decisões de crédito, diagnóstico médico e precificação, a diferença entre “um número” e “um número com intervalo de confiança” deixa de ser acadêmica e passa a ser regulatória e comercial. Um modelo que diz “US$ 385 mil” com 90% de incerteza não é igual a um que diz “entre US$ 330 mil e US$ 440 mil com alta confiança”.

A métrica clássica de erro, como o erro absoluto médio (MAE), é apenas uma média sobre o conjunto de teste — ela não diz nada sobre a casa específica que você está avaliando agora. O framework bayesiano resolve exatamente isso: quantifica a incerteza por predição, e não por dataset.

✅ O que você ganha

• Intervalos de incerteza por predição, em vez de uma métrica global;
• A capacidade de saber quando o modelo deve e não deve ser confiado;
• Distinção entre incerteza aleatória (ruído dos dados) e epistêmica (falta de conhecimento do modelo);
• Um roteiro completo usando Python e o dataset California Housing.

⚠️ O que você não ganha

• Gratuidade computacional: BNNs custam mais caro para treinar e inferir;
• A solução exata de Bayes — ela é computacionalmente intratável, e o artigo usa inferência variacional como aproximação;
• Um substituto para engenharia de features: a incerteza não corrige dados ruins.

O problema da solução exata

Idealmente, gostaríamos de aplicar o teorema de Bayes e calcular a solução exata para a rede neural. Infelizmente, esse cálculo exato é intratável na prática: uma rede com poucos milhares de parâmetros cria um problema matemático que é solucionável em teoria, mas impraticável em tempo finito.

A saída usada no guia é a inferência variacional: em vez de calcular a distribuição exata, o modelo aprende a aproximar as distribuições dos pesos da rede. Cada peso deixa de ser um número fixo e passa a ser descrito por uma distribuição (com média e variância), o que permite amostrar várias redes “plausíveis” e obter uma distribuição de previsões.

Como funciona na prática

1. Parametrizar as distribuições dos pesos

Em uma BNN, você não aprende um único valor para cada peso, mas os parâmetros de uma distribuição (tipicamente uma Gaussiana, com média e variância). Isso transforma a rede em um gerador de redes.

2. Rodar a inferência variacional

O treinamento otimiza uma função objetivo que equilibra o ajuste aos dados e a proximidade da distribuição aprendida a uma distribuição prévia (prior). É a versão bayesiana da função de perda.

3. Extrair os limites de incerteza

Na inferência, você amostra várias redes da distribuição aprendida e observa a dispersão das previsões. Quanto maior a dispersão, menor a confiança do modelo naquele ponto específico.

O resultado é uma visão muito mais honesta do que o modelo sabe. O guia mostra, passo a passo, como implementar isso em Python — desde a parametrização das distribuições até a visualização dos intervalos de confiança.

O que isso significa para o seu projeto

Para equipes brasileiras que constroem modelos de risco, crédito ou precificação, a lição é clara: incerteza não é um efeito colateral, é um dado de saída. Sistemas que quantificam incerteza permitem decisões mais seguras — como recusar uma previsão quando o modelo está fora da sua zona de conforto, ou acionar revisão humana quando o intervalo é amplo demais.

A adoção de BNNs ainda é limitada pelo custo, mas a direção é inequívoca: conforme a IA avança para áreas de alto impacto, a capacidade de dizer “não sei” se torna um recurso — não uma fraqueza.