Parece filme ou livro de ficção científica, mais precisamente Minority Report escrito em 1956 por Philip K. Dick e transformado em filme em 2002. Mas, atualmente os modelos de inteligência artificial (IA) conseguem identificar um criminoso, antes mesmo dele cometer propriamente um crime. Como isso acontece?
Indo além dos modelos do chat
Quando pensamos em IA logo vem a mente uma tela com uma barra de digitação e uma pergunta caprichosa instigando você a escrever algo. Esse modelo de IA, baseado prioritariamente em large language models é parente distante daquilo que convencionamos chamar de chatbots. Também são robôs, sem dúvida, porém, tem funcionalidades específicas.
Há pouco tempo atrás, chatbots eram algo mais avançado em termos de processamento de linguagem natural. Seguiam parâmetros específicos em árvores de decisão. Em outras palavras, você digitava algo e o algoritmo processava seu texto em um conjunto de regras específicas para aquela finalidade. Ainda é usado em atendimento por WhatsApp ou em telemarketing/atendimento, mas com o passar do tempo começou a ficar em desuso devido ao aumento das LLMs, ou modelos de linguagem em grande escala.
As LLMs operam com outra lógica. A partir de uma rede lógica neural, chamada de transformers elas operam tentando adivinhar o contexto, a partir daquilo que você digita. Ou como diz no site da Cloudflare:
“Em termos mais simples, um LLM é um programa de computador que recebeu exemplos suficientes para poder reconhecer e interpretar a linguagem humana ou outros tipos de dados complexos. Muitos LLMs são treinados em dados coletados na internet, milhares ou milhões de gigabytes de texto.”
Esses modelos não advinham o que você quer por mágica, mas sim através da inteligência artificial generativa (generative AI ou simplesmente GenAI). São modelos de aprendizagem profunda (deep learning) que podem produzir textos, imagens, vídeos, código, a partir dos dados que foram inputados nestes modelos. Eles replicam seus dados gerando novos dados. Ainda de acordo com a Cloudflare:
(…) “significa que ele se baseia em análises matemáticas para encontrar conceitos, imagens ou padrões relevantes. Em seguida, utiliza essa análise para produzir conteúdo que tenha uma probabilidade estatística de ser semelhante ou relacionado ao comando recebido.”
Na prática o princípio se baseia em cálculos matemáticos ou estatísticos de probabilidade logística para tentar reconstruir, com base nos dados já armazenados, aquilo que foi solicitado pelo usuário. Porém, uma GenAI não consegue combater o crime, e nesse contexto que surge outro elemento.
Modelos de IA preditiva
Lembra que os modelos de GenAI tentam adivinhar o contexto, com base nos inputs do usuário, reproduzindo a partir dos dados já previamente armazenados (chamados de dados treinados)? Pois então, o princípio é quase o mesmo, mas na IA preditiva, os dados são trazidos para o modelo de machine learning na identificação de padrões, antecipando como os dados irão se comportar no futuro.
Esse tipo de predição não é algo novo. Em estatística modelos preditivos são utilizados desde muito tempo. Um modelo clássico, ensinado em cursos de Administração e Economia, são modelo de regressão linear ou logística. Agora com modelos de machine learning é possível trabalhar com uma quantidade de dados ainda maior, chamado de big data. Modelos de IA preditiva são usados para treinar o computador a compreender os dados sem intervenção humana. Com isso o computador aprende os padrões e a partir deles pode inferir o que acontecerá no futuro.
Seria o mesmo que ao ver uma nuvem escura no céu é indicativo que irá chover. Como você sabe disso? Devido aos padrões repetitivos demonstrando que quando há nuvens escuras pode chover com $x%$ de probabilidade.
IA preditiva na prática
Vamos ver como funciona a IA preditiva para verificar as vendas no varejo online:
Apesar de utilizarem um mesmo tipo de modelo (machine learning), as IAs preditiva e generativa têm diferenças. Veja dentro do mesmo cenário como elas se comportariam:
Comparação: Inteligência Artificial Preditiva vs. Generativa no Varejo
| Característica | IA Preditiva (Analista) | IA Generativa (Criador) |
|---|---|---|
| Função Principal | Analisar padrões passados para adivinhar um resultado futuro ou classificar uma ação. | Aprender a estrutura dos dados para sintetizar algo novo e original. |
| O que ela entrega | Um número, uma probabilidade ou um alerta. Ex: “Há 90% de chance de o estoque acabar amanhã.” | Conteúdo não estruturado (texto, imagem, código). Ex: Uma imagem de um modelo segurando o produto. |
| Foco de Ação | Otimização e Decisão: Reduz riscos e automatiza escolhas baseadas em dados concretos. | Expansão e Criação: Acelera a produção de materiais e ideias. |
| Exemplo Prático Combinado | Prevê qual cliente está prestes a abandonar o carrinho. | Redige um e-mail de recuperação com um tom empático, único para aquele cliente específico. |
IA preditiva para combater o crime
No combate ao crime existem inúmeros dados para fomentar um modelo de machine learning. Desde inquéritos policiais, denúncias, depoimentos, diligências, entre outros, servem de motor para a compreensão de como se comportam criminosos. Porém, enquanto no varejo, como no exemplo acima, pode se trabalhar com números, no crime se trabalha com contexto. Por este motivo uma IA preditiva para combater o crime busca relacionar contextos escritos em padrões criminosos.
Como a Inteligência Artificial “Lê” Textos para Antecipar Cenários?
Para que a Inteligência Artificial consiga encontrar padrões nessas narrativas e prever tendências de risco (seja na segurança pública, na prevenção de fraudes ou na gestão urbana), ela utiliza uma tecnologia chamada Processamento de Linguagem Natural (PLN).
Aqui está como esse processo funciona nos bastidores, traduzido de forma simples:
-
A Caçadora de Detalhes (Extração de Informação) A IA não lê um texto da mesma forma que um humano lê um livro, absorvendo a história do início ao fim. Em vez disso, ela atua como um inspetor focado em extrair apenas as peças principais de um quebra-cabeça. Se um relato diz “O incidente ocorreu em uma praça mal iluminada, envolvendo uma motocicleta”, o algoritmo recorta automaticamente o local, as condições do ambiente e o veículo. Ele ignora as palavras de ligação e foca apenas nas variáveis que importam para construir um cenário.
-
O Dicionário Matemático (Vetorização) Como os computadores só compreendem matemática, o maior desafio é ensinar a eles o significado das palavras. A solução da IA é transformar frases inteiras em coordenadas numéricas. Graças a isso, o sistema passa a entender o contexto. Ele sabe que as palavras “furto”, “roubo” e “subtração” pertencem à mesma “família” matemática, mesmo que a pessoa que escreveu o texto tenha usado gírias ou termos diferentes. Isso impede que informações vitais se percam por causa de variações no vocabulário.
-
A Leitora de Tendências (Agrupamento de Tópicos) Imagine milhares de documentos sendo lidos simultaneamente. A IA consegue agrupar esses textos por temas que são invisíveis a olho nu, sem que ninguém precise rotulá-los manualmente. Por exemplo, se vários relatos isolados começam a citar “lâmpadas queimadas”, “terrenos com lixo” e “pichação”, o algoritmo percebe o surgimento de um padrão de degradação física do espaço. Ele então cruza isso com seu banco de dados para alertar que o risco de problemas naquela região tende a aumentar nas próximas semanas.
-
O Termômetro de Tensões (Análise de Clima) Além de entender o que está sendo dito, os modelos conseguem medir como está sendo dito. A IA avalia a “temperatura” emocional das palavras em registros de atendimento ou redes abertas. Ela percebe, por exemplo, se o tom das reclamações em um bairro passou de “insatisfação geral” para “urgência e conflito iminente”. Isso funciona como um alerta precoce, permitindo que gestores tomem decisões preventivas antes que um problema se materialize fisicamente.
O verdadeiro poder da IA preditiva não está apenas em ler textos, mas em transformar essas narrativas soltas em dados matemáticos precisos. Quando o sistema cruza essas informações interpretadas com estatísticas tradicionais (como datas, horários e endereços), ele entrega aos tomadores de decisão mapas de risco e tendências altamente confiáveis, baseados em padrões amplos que o cérebro humano não teria tempo hábil para processar sozinho.
Exemplos práticos
Existem diversos casos práticos do uso de IA preditiva para combater o crime de forma antecipatória. No Brasil, um estudo recente demonstrou a viabilidade do PLN na Segurança Pública. Um modelo de machine learning foi capaz de extrair informações de narrativas de denúncias criminais (linguagem coloquial) com uma precisão de cerca de 76,11%, identificando e classificando os textos entre categorias como Homicídios, Roubos e Crimes contra Mulheres. A análise textual permitiu até mesmo a criação de nuvens de palavras com os termos centrais do relato criminal [^1]. Outro exemplo vem de Minas Gerais, onde a Polícia Civil listou o uso prático de IA extração e transcrição de depoimentos e áudios, criação de oitivas de flagrantes, mapeamento de relatórios, e o desenvolvimento de assistentes automatizados para esclarecer dúvidas (como medidas protetivas) [^2].
Entretanto não há evidências de resultados práticos na construção de modelos preditivos para combater o crime, apesar de ferramentas de computação visual aplicáveis em diversos países, também chamada de cercamento eletrônico, serem implementadas. Ocorre que sistemas assim podem exacerbar preconceitos, utilizando falhas estruturais nos dados históricos para justificar o superpoliciamento em comunidades já marginalizadas. Esse é o motivo pelo qual o uso focado no ambiente (predição de local), e não em indivíduos, e o cuidado com a ética da IA (anonimização e mitigação de vieses) continuam sendo os caminhos mais estudados.
Referências e Notas
[^1] Gusmão, C., Figueiredo, K., & Brito, W. A. T. (2021). Técnicas de Processamento de Linguagem Natural em Denúncias Criminais: Automatização e Classificação de Texto em Português Coloquial. Anais do XLVIII Seminário Integrado de Software e Hardware (SEMISH 2021), 172–182. https://doi.org/10.5753/semish.2021.15820
[^2] Grossi, M. G. R., Santos, D. D. C. S., Souza, G. D. C. D., & Leal, D. C. C. C. (2025). Inteligência artificial e segurança pública: Um estudo de caso na Academia de Polícia Civil de Minas Gerais. Avante: Revista Acadêmica da Polícia de Minas Gerais, 1(8). https://doi.org/10.70365/2764-0779.2025.131