A amostragem por incerteza é o mecanismo de roteamento de dados

Uma leitura do Honest Architect de How Active Learning Can Train Machine Learning Models with Less Data, publicado em 2026-06-23 pela Mind Foundry.

A afirmação superficial é um estudo de caso: treinar um classificador Support Vector Machine em subconjuntos do conjunto de dados de dígitos MNIST (5.000 / 10.000 / 15.000 pontos extraídos de 60.000) usando quatro estratégias de amostragem — aleatória, por incerteza, por entropia e por margem — e medir a relação entre precisão e tempo de treinamento. O Honest Architect lê-o buscando o mecanismo e encontra cinco. O principal é o critério de amostragem: as três estratégias que medem a incerteza de predição do modelo mantêm mais de 99% da precisão em menos de 25% do tempo, enquanto a amostragem aleatória — que não mede — perde precisão. Theorem 3 no HAI Engine da Everythink afirma a mesma forma: uma propriedade é garantida exatamente quando o seu mecanismo está implementado e medindo. Aqui a propriedade é "precisão comparável com menos dados"; o mecanismo é "um critério de amostragem que mede a incerteza de predição e roteia o próximo ponto de treinamento para onde o modelo está menos confiante". O tamanho do conjunto de dados não é o mecanismo; o critério é.

Esta entrada extrai cinco formas de mecanismo, aplica Theorem 3 a cada uma e traça paralelismos inter-domínio com a Everythink. Cada paralelismo é marcado ⚠️ — a Everythink opera em previsão civil e defensiva, o artigo da Mind Foundry em formação de ML, então o paralelismo é estrutural, não uma afirmação de que os nossos sistemas servem o mesmo mercado. As cinco formas de mecanismo em si são ✅.

Mecanismo 1 — A medição de incerteza é o mecanismo da mesma-precisão-com-menos-dados

Três das quatro estratégias — amostragem por incerteza ("os pontos são selecionados com base na incerteza de predição do modelo ML sobre a sua classe"), amostragem por entropia ("os pontos são selecionados com entropia máxima de probabilidade de classe") e amostragem por margem ("os pontos são escolhidos para os quais a diferença entre as classes mais e segunda mais prováveis é a mais pequena") — partilham uma coisa: cada uma mede uma quantidade derivada das probabilidades de classe previstas pelo modelo e depois roteia o próximo ponto de treinamento para onde essa quantidade é extrema. O Honest Architect lê isto como uma afirmação de mecanismo: a precisão comparável com menos dados é garantida por um critério de amostragem que mede a incerteza de predição, não por reduzir o tamanho do conjunto de dados. O mecanismo que produz "mais de 99% do desempenho com um subconjunto de 10.000 pontos, em menos de 25% do tempo" é "o critério mede a incerteza do modelo e roteia a próxima seleção para a região incerta". A incerteza é a medição; o tamanho é a carga. ✅ Production.

As quatro estratégias selecionam 10.000 pontos do mesmo conjunto de 60.000; o tamanho é mantido constante. O que difere é se o critério de seleção mede o estado do modelo. As três que medem mantêm a precisão; a que não mede (aleatória) perde-a. A medição é o diferenciador, não o tamanho. A propriedade que o artigo mede é ela própria uma relação — precisão por unidade de tempo de treinamento —, não um absoluto: "para uma queda de precisão de menos de 1%, podemos reduzir o tempo de treinamento do modelo em 75%". O 1% e os 75% são as duas faces da mesma métrica; reportar uma sem a outra enganaria.

O paralelismo inter-domínio com o Oracle da Everythink é apenas estrutural. O Oracle normaliza probabilidades em exatamente um lugar e estampa entropia em nats em cada fusão — uma quantidade medida que indica onde a distribuição está menos decidida. A amostragem por entropia seleciona pontos com entropia máxima de probabilidade de classe; o Oracle estampa entropia em cada fusão. Mesmo sinal: a entropia mede onde o modelo está menos confiante, e essa medição é o mecanismo. ⚠️ Partial — o Oracle serve a previsão civil e defensiva, a amostragem por entropia da Mind Foundry serve à formação de ML. Diferentes domínios, mesmo sinal.

Mecanismo 2 — O critério de amostragem é o mecanismo, não o tamanho do conjunto de dados

O artigo formula o movimento de enquadramento: "ao reduzir o volume de dados mantendo a grande maioria do seu poder preditivo inerente, podemos treinar um modelo de machine learning com desempenho comparável numa fração do tempo". O Honest Architect lê isto como uma afirmação de Theorem 3: a propriedade "desempenho comparável numa fração do tempo" é garantida pelo critério de amostragem, não pela redução de volume. Reduzir o volume é uma carga — o que se quer —, mas não o mecanismo. O mecanismo é o critério que seleciona QUAL volume manter. A própria evidência do artigo demonstra-o: a amostragem aleatória também reduz o volume (seleciona 10.000 de 60.000) e perde precisão. Se a redução de volume fosse o mecanismo, a amostragem aleatória também manteria a precisão. Não o faz. O critério que mede a incerteza do modelo é o mecanismo; a redução de volume é a consequência. ✅ Production.

O enquadramento é responsável-por-design, não volume-por-volume: "usando IA responsável por design, podemos reduzir estes problemas mantendo o desempenho". O mecanismo está integrado no passo de seleção, não adicionado depois do treinamento. A redução de volume é um resultado medido do critério, não um alvo que o critério persegue.

O paralelismo inter-domínio com "the space is the router" da Everythink é apenas estrutural. A topologia da Everythink é network → community → room: um pedido é roteado para uma room antes de algo responder, na camada de infraestrutura. O critério de amostragem roteia o próximo ponto de treinamento antes de o modelo treinar com ele; a topologia roteia o pedido antes de a room responder. Mesma forma: o roteamento precede o trabalho, e o roteamento é o mecanismo que limita o custo do trabalho. ⚠️ Partial — "the space is the router" serve a previsão civil e defensiva, o critério de amostragem da Mind Foundry serve à formação de ML. Diferentes domínios, mesma forma.

Mecanismo 3 — A amostragem aleatória é o controlo que prova o mecanismo

O artigo apresenta o resultado de controlo: "a amostragem aleatória é a mais rápida de todas as estratégias, mas também causa uma queda significativa na precisão, o que significa que deve ser usado um método mais estratégico". O Honest Architect lê isto como um controlo de Theorem 3: a propriedade quebra quando o mecanismo não mede, mesmo quando a carga (redução de volume) é idêntica. A amostragem aleatória seleciona os mesmos 10.000 pontos que as outras estratégias; reduz o volume pelo mesmo fator. O que não faz é medir a incerteza de predição do modelo. A propriedade (precisão) quebra porque o mecanismo (medição de incerteza) está ausente. Este é o controlo que prova o mecanismo: manter a carga constante, retirar a medição, observar a propriedade quebrar. ✅ Production.

"A mais rápida" não é "a melhor". A amostragem aleatória é a mais rápida porque não faz nenhuma medição — selecionar 10.000 pontos ao acaso é mais barato do que pontuar 60.000 por incerteza. A vantagem de velocidade é o custo de saltar o mecanismo. "A mais rápida mas perde precisão" lê-se como "o mecanismo que saltas é o mecanismo que pagas na propriedade".

O paralelismo inter-domínio com a previsão calibrada da Everythink é apenas estrutural. As Sisters da Everythink devolvem cada uma um SisterOutput e o Oracle funde-os — se o Oracle omitisse a medição de entropia e fundisse por maioria de votos, o conjunto seria a média das Sisters, não um cone calibrado. A amostragem aleatória salta a medição e perde precisão; omita a entropia e a fusão perde calibração. Mesma forma: a medição é o mecanismo, e saltá-la degrada a propriedade mesmo quando o resto do pipeline é mantido constante. ⚠️ Partial — a previsão calibrada serve à previsão civil e defensiva, o controlo da Mind Foundry serve à formação de ML. Diferentes domínios, mesma forma.

[UNIQUE INSIGHT] O estudo de caso da Mind Foundry é uma demonstração mais limpa de Theorem 3 do que a maioria dos artigos de ML em produção, porque mantém a carga (tamanho) constante e varia apenas o mecanismo (critério). A maioria dos artigos de "menos dados" confunde tamanho e critério; este isola o critério dando à amostragem aleatória o mesmo orçamento de tamanho. A tabela de quatro vias lê-se como uma prova de Theorem 3: a propriedade (precisão) segue o mecanismo (medição de incerteza), não a carga (tamanho).

Mecanismo 4 — A consulta human-in-the-loop é o mecanismo de roteamento

O artigo apresenta o ambiente mais amplo de active learning: "um algoritmo de aprendizagem identifica áreas de um problema ou conjunto de dados onde beneficiará mais da entrada de um perito humano e solicita iterativamente entrada humana nestas áreas ao longo do tempo, construindo gradualmente uma compreensão do contexto subjacente, sem necessitar de acesso a todos os dados disponíveis no conjunto". O Honest Architect lê isto como uma afirmação de roteamento: o modelo roteia as suas consultas para o humano onde a incerteza do modelo é maior, não onde a disponibilidade do humano é maior. O mecanismo que produz "o humano etiqueta os pontos que mais melhoram o modelo" é "o modelo pontua a sua própria incerteza e consulta o humano sobre os k pontos mais incertos". A consulta é roteada pela incerteza do modelo, não pelo calendário do humano. ✅ Production.

O roteamento é iterativo: o modelo consulta, o humano etiqueta, o modelo re-treina, o modelo consulta de novo sobre a nova região incerta. O roteamento é um ciclo, não um lote. O ciclo é o mecanismo que acumula compreensão sem exigir todos os dados antecipadamente.

O paralelismo inter-domínio com as Sisters da Everythink é apenas estrutural. As Sisters da Everythink são cinco personalidades tipadas (analyst, contrarian, disruptor, historian, institutionalist) que cada uma produz um rascunho, e o Oracle funde-os — a diversidade cobre o espaço de incerteza que o Oracle deve fundir. O modelo consulta o humano sobre os seus pontos incertos; o Oracle funde os rascunhos diversos das Sisters. Mesma forma: a fusão cobre o espaço de incerteza, e a cobertura é o mecanismo que produz uma saída calibrada. ⚠️ Partial — as Sisters servem à previsão civil e defensiva, o human-in-the-loop da Mind Foundry serve à formação de ML. Diferentes domínios, mesma forma.

[PERSONAL EXPERIENCE] O HAI Engine tem executado este ciclo em produção desde 2016 — não o ciclo de consulta de active learning, mas a mesma forma: agentes tipados produzem saídas, um passo de fusão calibra o conjunto, e a fusão é ponderada por uma quantidade medida (entropia) em cada saída. A forma é a mesma; o domínio é previsão civil e defensiva, não classificação de MNIST. the 21 papers formalizam a forma como Theorem 3.

Mecanismo 5 — O re-treinamento iterativo é o mecanismo dos ambientes de re-treinamento frequente

O artigo apresenta o enquadramento de produção: "particularmente em ambientes iterativos com re-treinamento frequente, esta estratégia pode melhorar significativamente o uso diário". O Honest Architect lê isto como uma afirmação de produção: o valor do mecanismo compõe-se em ambientes que re-treinam com frequência, porque a redução de 75% do tempo se aplica a cada re-treinamento, não apenas uma vez. O mecanismo que produz "melhoria diária significativa" é "o critério de amostragem reduz o custo de cada re-treinamento, e o re-treinamento corre frequentemente". A frequência de re-treinamento é o amplificador; o critério é o mecanismo. ✅ Production.

A composição está no ciclo de re-treinamento, não numa única execução. Uma redução de 75% do tempo num único treinamento é uma poupança única; os mesmos 75% em cada re-treinamento num ciclo diário é uma redução estrutural de custos. "Ambientes iterativos com re-treinamento frequente" é o ambiente de produção onde o mecanismo se paga a si próprio.

O paralelismo inter-domínio com o World Monitor da Everythink é apenas estrutural. O World Monitor corre um poller em segundo plano por fonte num calendário fixo — o poller obtém o feed, normaliza-o num GeoSignal, insere-o numa cache Postgres durável e entrega o delta a um GeoPublisher. O re-treinamento frequente compõe a poupança de amostragem; a polls frequente compõe o acerto de cache. Mesma forma: um ciclo planeado compõe uma poupança por iteração, e o ciclo é o mecanismo que produz a redução estrutural de custos. ⚠️ Partial — o World Monitor serve à entrega civil e defensiva de sinais geo, o re-treinamento iterativo da Mind Foundry serve à formação de ML. Diferentes domínios, mesma forma.

O que isto implica para o alcance e os limites

O artigo da Mind Foundry trata de formação de ML com um estudo de caso MNIST. A plataforma da Everythink trata de previsão civil e defensiva. Os paralelismos inter-domínio desta entrada são estruturais — partilham formas de mecanismo, não mercados. O Honest Architect marca os paralelismos ⚠️.

O próprio go-to-market da Everythink para active learning ou subsetting comercial de dados está em 🔵 Roadmap — a plataforma é pre-revenue, e qualquer aplicação comercial dos paralelismos aqui levantados está sujeita a esse estado Roadmap e à revisão Howey antes de poder ser oferecida. Os paralelismos arquitetónicos mantêm-se de forma independente; as afirmações comerciais não.

O que o artigo não afirma também merece uma marca. Não afirma que a amostragem aleatória seja inútil — é o controlo que prova o mecanismo. Não afirma que as três estratégias medidas sejam intercambiáveis — o artigo compara-as num conjunto de dados e num classificador, e o Honest Architect lê a comparação como uma demonstração de Theorem 3, não como uma classificação. Não afirma que a relação 99% / 75% se generalize a cada conjunto de dados — o artigo limita o resultado a "conjuntos de dados de classificação" onde "90%+ de precisão máxima é suficiente". Estes limites de alcance são a honestidade do artigo, e esta entrada preserva-os.

[ORIGINAL DATA] A série de the 21 papers da Everythink formaliza Theorem 3 como: uma propriedade é garantida exatamente quando o seu mecanismo está implementado e medindo. A tabela de quatro vias da Mind Foundry (aleatória / incerteza / entropia / margem, mantendo o tamanho constante) é a ilustração mais limpa de Theorem 3 em ML de produção que o Honest Architect leu este ano, porque isola o mecanismo mantendo a carga constante e removendo a medição num braço. A propriedade (precisão) segue o mecanismo (medição de incerteza), não a carga (tamanho). Isto é Theorem 3 num domínio diferente.

Conclusões principais

• A precisão comparável com menos dados é garantida por um critério de amostragem que mede a incerteza de predição, não por reduzir o tamanho do conjunto de dados. A incerteza é a medição; o tamanho é a carga. ✅ Production.
• O critério de amostragem é o mecanismo, não o tamanho do conjunto de dados. O braço de amostragem aleatória do artigo prova-o: reduz o volume pelo mesmo fator e perde precisão, porque não mede. ✅ Production.
• A amostragem aleatória é o controlo que prova o mecanismo. A propriedade quebra quando o mecanismo não mede, mesmo quando a carga é idêntica. ✅ Production.
• A propriedade é uma relação (precisão por unidade de tempo de treinamento), não um absoluto. A queda de precisão de 1% e a redução de tempo de 75% são as duas faces da mesma métrica. ✅ Production.
• A consulta human-in-the-loop é o mecanismo de roteamento: o modelo roteia as suas consultas para o humano onde a sua incerteza é maior, não onde a disponibilidade do humano é maior. ✅ Production.
• O re-treinamento iterativo é o mecanismo dos ambientes de re-treinamento frequente. A redução de 75% do tempo compõe-se ao longo do ciclo de re-treinamento, e o ciclo é o amplificador. ✅ Production.
• Os paralelismos inter-domínio com o Oracle (entropia em nats em cada fusão), "the space is the router" (o roteamento precede o trabalho), as Sisters (cobertura do espaço de incerteza), o HAI Engine (o ciclo de fusão a correr desde 2016) e o World Monitor (o ciclo planeado compõe a poupança) são apenas estruturais — diferentes mercados, mesmas formas de mecanismo. ⚠️ Partial.
• O go-to-market comercial da Everythink para active learning ou subsetting de dados está em 🔵 Roadmap — pre-revenue, sujeito a revisão Howey; os paralelismos arquitetónicos mantêm-se, as afirmações comerciais não.

Perguntas frequentes

O active learning reduz a quantidade de dados que precisas de etiquetar? Sim, mas a redução é uma consequência, não o mecanismo. O mecanismo é o critério de amostragem que mede a incerteza do modelo e roteia o próximo pedido de etiqueta para o ponto mais incerto. O estudo de caso da Mind Foundry mostra que a amostragem aleatória — que também reduz o conjunto de dados — perde precisão porque não mede. Menos dados é a carga; o critério é o mecanismo. ✅ Production.

A amostragem por incerteza é o mesmo que a amostragem por entropia? Relacionados mas não idênticos. A amostragem por incerteza seleciona pontos onde a incerteza de predição do modelo é maior; a amostragem por entropia seleciona pontos onde a distribuição de probabilidade de classe tem entropia máxima; a amostragem por margem seleciona pontos onde a diferença entre as duas classes mais prováveis é a mais pequena. As três medem uma quantidade derivada das probabilidades previstas do modelo, e as três mantêm mais de 99% da precisão em menos de 25% do tempo no MNIST. O sinal partilhado é "medir a incerteza do modelo"; a quantidade específica difere. ✅ Production.

Como é que isto se conecta com o Theorem 3 da Everythink? Theorem 3 afirma: uma propriedade é garantida exatamente quando o seu mecanismo está implementado e medindo. A tabela de quatro vias da Mind Foundry é uma demonstração de Theorem 3: a propriedade (precisão comparável com menos dados) é garantida quando o mecanismo (amostragem consciente da incerteza) está medindo (braços incerteza, entropia, margem) e quebra quando o mecanismo não está medindo (braço aleatório). A carga (tamanho do conjunto de dados) é mantida constante; apenas a medição difere. A propriedade segue a medição, não a carga. ⚠️ Partial — o paralelismo é estrutural; a Everythink serve à previsão civil e defensiva, a Mind Foundry serve à formação de ML.

A Everythink usa active learning em produção? O HAI Engine da Everythink corre um ciclo relacionado em produção desde 2016: as Sisters tipadas produzem rascunhos, o Oracle funde-os com entropia em nats estampada em cada fusão, e a fusão é ponderada por uma quantidade medida. A forma é a mesma (medir a incerteza, rotear a fusão); o domínio é previsão civil e defensiva, não classificação de MNIST. Um go-to-market comercial de active learning ou subsetting de dados está em 🔵 Roadmap — pre-revenue, sujeito a revisão Howey. ✅ Production (o ciclo do HAI Engine); 🔵 Roadmap (active learning comercial).

Qual é o limite de alcance que o Honest Architect preserva? O artigo da Mind Foundry limita o seu resultado a conjuntos de dados de classificação onde 90%+ de precisão máxima é suficiente, num classificador (SVM) e num conjunto de dados (MNIST). O Honest Architect não generaliza a relação 99% / 75% a cada conjunto de dados ou modelo. A forma do mecanismo (medir a incerteza, rotear a próxima seleção) generaliza-se; a relação específica não. the 21 papers formalizam a forma; o estudo de caso instancia-a. ✅ Production.

Se queres uma plataforma de previsão cujo passo de fusão seja ponderado por uma quantidade medida em cada saída — não por uma afirmação —, lê os artigos por trás do HAI Engine. the 21 papers e Theorem 3 são os fundamentos formais; o motor está em produção desde 2016.

Sources

• Mind Foundry, How Active Learning Can Train Machine Learning Models with Less Data, publicado em 2026-06-23. https://www.mindfoundry.ai/blog/how-active-learning-can-help-you-train-models-with-less-data (recuperado em 2026-08-23).
• Arquitetura da plataforma Everythink: HAI Engine em produção desde 2016; Theorem 3 (uma propriedade é garantida exatamente quando o seu mecanismo está implementado e medindo); the 21 papers; topologia "the space is the router" (network → community → room roteia antes de algo responder); normalização do conjunto Oracle com entropia em nats estampada em cada fusão; Sisters tipadas (analyst, contrarian, disruptor, historian, institutionalist) a devolver SisterOutput; World Monitor (poller em segundo plano por fonte num calendário fixo, os clientes lêem a cache não os upstreams); alcance de previsão civil e defensiva apenas.