AGENTES DE LINGUAGEM NA AUTOMAÇÃO DA ANÁLISE DE DADOS E DA MODELAGEM PREDITIVA

Sérgio dos Santos Reis, Joaquim Inácio Vaz da Piedade, Fabio Rossetto Marcelino, Luis Henrique Pereira das Chagas, Clélio Rodrigo Paiva Rafael, Alexander Pinto Pereira, Ronald Assis Fonseca

Resumo


Agentes baseados em grandes modelos de linguagem passaram a executar código, operar ferramentas e coordenar etapas antes distribuídas entre analistas e plataformas de aprendizado de máquina. Este estudo analisou em quais etapas da análise de dados tabulares e da modelagem preditiva esses agentes têm sido aplicados, quais resultados apresentam e quais limitações condicionam seu uso. Realizou-se revisão bibliográfica, com síntese qualitativa de 25 estudos completos divulgados entre 2024 e 2026, incluindo publicações em periódicos, anais de conferências e preprints. Para cada trabalho, foram extraídos sistema, aplicação, etapa automatizada, resultado quantitativo principal e limitação reportada; os achados foram organizados por função analítica e examinados qualitativamente, sem agregação estatística, devido à heterogeneidade de tarefas, modelos de base, orçamentos e métricas. Os agentes cobriram exploração, limpeza, visualização, geração de hipóteses, engenharia de atributos, seleção de modelos, treinamento, otimização de hiperparâmetros, quantificação de incerteza e geração de relatórios. Nos protocolos examinados, ganhos de desempenho foram reportados em arquiteturas que associaram o modelo de linguagem a planejamento hierárquico, memória, execução incremental, validação de código, recuperação de conhecimento ou busca guiada por valor. Em tarefas delimitadas, LAMBDA reproduziu análises clássicas, ChatDA alcançou acurácia global de 0,951 e agentes clínicos e de engenharia produziram modelos com desempenho próximo ao de especialistas. Em contrapartida, benchmarks abertos conservaram margens amplas de erro: o melhor sistema no COTA atingiu 40,0%, enquanto o MLE-bench registrou medalha em 16,9% das competições no melhor arranjo avaliado. A comparação direta entre percentuais não é válida, pois os protocolos diferem substancialmente. Persistem dependência do modelo e do prompt, falhas de planejamento, código inválido ou inseguro, vazamento de dados, contaminação de benchmarks, custos de execução, riscos de privacidade e escassez de validação externa e de estudos com usuários. Conclui-se que agentes de linguagem já automatizam parcelas extensas do fluxo analítico, mas a evidência sustenta autonomia condicionada, não substituição irrestrita do analista: confiabilidade depende de ferramentas validadas, ambientes isolados, controles de vazamento, rastreabilidade, supervisão humana e avaliação independente no contexto de uso.

Palavras-chave


agentes de linguagem; análise de dados; modelagem preditiva; AutoML; grandes modelos de linguagem

Texto completo:

PDF

Apontamentos

  • Não há apontamentos.