AGENTES DE LINGUAGEM NA AUTOMAÇÃO DA ANÁLISE DE DADOS E DA MODELAGEM PREDITIVA
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:
PDFApontamentos
- Não há apontamentos.