---
title: "O que é rotulagem de dados? Anotação de dados para IA"
description: "A rotulagem de dados adiciona a resposta correta a exemplos brutos para que um modelo de IA aprenda. Tipos de rótulo, processo, qualidade e ajuda da IA."
url: https://proxynet.io/pt-br/blog/what-is-data-labeling
date: 2026-11-18
author: "Acar Diveroli"
category: "IA"
lang: pt-BR
---

# O que é rotulagem de dados? Anotação de dados para IA

Uma equipe de suporte quer um modelo que envie cada novo chamado para a fila certa: cobrança, entrega ou devoluções. Ela tem 60.000 chamados antigos, mas nenhum registra para onde foi, então um modelo ainda não tem nada com que aprender. Alguém precisa ler uma amostra e escrever a resposta ao lado de cada chamado. Uma montadora enfrenta o mesmo problema com imagens de câmeras, e a equipe de um assistente de voz, com gravações de fala. Esse trabalho é a rotulagem de dados.

Este post explica o que é rotulagem de dados (também chamada de anotação de dados), por que os modelos de IA precisam dela, quais são os principais tipos de rótulo, como funciona um projeto de rotulagem, como a qualidade é medida, como os modelos ajudam no trabalho e quais regras de dados pessoais se aplicam.

> **Nota: Resposta rápida**
>
> Rotulagem de dados, ou anotação de dados, é o trabalho de adicionar a resposta correta, um rótulo, a exemplos brutos como imagens, textos, clipes de áudio ou vídeos, para que um modelo de aprendizado de máquina possa aprender com eles ou ser testado com eles. Um rótulo pode ser uma categoria ("spam"), uma caixa desenhada em volta de um carro, o nome de uma empresa destacado ou uma transcrição escrita. Bons projetos começam com um guia de rotulagem escrito, fazem um piloto, medem quanto anotadores independentes concordam além do acaso e corrigem o guia antes de rotular em grande escala. Modelos podem rascunhar rótulos e escolher os exemplos que precisam do olhar de uma pessoa, mas os rótulos que importam continuam sendo conferidos por pessoas. Quando os exemplos contêm dados pessoais, o GDPR, a KVKK e leis semelhantes também se aplicam à rotulagem.

## O que é rotulagem de dados?

Rotulagem de dados é adicionar a resposta correta a cada exemplo bruto para que um modelo possa aprender a relação entre a entrada e essa resposta. A entrada pode ser uma foto, uma frase ou um trecho de áudio; o rótulo é o que uma pessoa atenta diria sobre ela: "gato", "avaliação negativa", "Paris é um nome de lugar". Uma entrada junto com o seu rótulo forma um exemplo rotulado.

Exemplos rotulados são a matéria-prima do aprendizado supervisionado, o ramo do aprendizado de máquina em que um modelo aprende com entradas pareadas com respostas conhecidas e depois prevê as respostas para entradas novas. Os rótulos com que um modelo é medido se chamam verdade de referência (ground truth), embora só sejam tão verdadeiros quanto as pessoas e as regras por trás deles.

Alguns rótulos vêm de graça: ao marcar um e-mail como spam, você rotula dados para o seu serviço de e-mail, como observa o levantamento de Burr Settles sobre aprendizado ativo. Dados de empresas raramente funcionam assim; ninguém marca um chamado com a fila dele a menos que isso seja tarefa de alguém. O mesmo trabalho também é chamado de anotação, marcação ou, nas ciências sociais, codificação.

## Por que os modelos de IA precisam de dados rotulados?

Modelos de IA precisam de dados rotulados para três coisas: aprender uma tarefa, ser testados nela e, no caso de assistentes de chat, aprender quais respostas as pessoas preferem.

**Treinamento.** Um modelo que encaminha chamados ou detecta peças com trincas só aprende com exemplos cuja resposta é conhecida. Os rótulos definem a tarefa: sem um rótulo "devoluções", o modelo nunca aprende a reconhecer uma devolução.

**Avaliação.** Mesmo um modelo treinado sem rótulos, como um modelo de linguagem grande pré-treinado com texto bruto, é testado com exemplos de resposta conhecida. Um conjunto de teste pequeno e rotulado com cuidado costuma ser o dado mais valioso de uma equipe, porque toda mudança posterior é medida com ele.

**Ajuste de modelos de linguagem.** Assistentes de chat são ajustados com respostas escritas por pessoas e com rankings de várias respostas do modelo, da melhor para a pior. No [artigo do InstructGPT](https://arxiv.org/abs/2203.02155), uma equipe de cerca de 40 contratados, selecionados por um teste de triagem, escreveu demonstrações e ordenou entre quatro e nove saídas do modelo por prompt.

Esses rankings também são rótulos: uma pessoa decide qual resposta é melhor seguindo instruções escritas. Como eles ajustam um modelo já treinado está explicado em [O que é fine-tuning?](/pt-br/blog/what-is-fine-tuning).

## Quais são os tipos de rotulagem de dados?

O tipo de rótulo depende do tipo de dado e da pergunta que o modelo precisa responder:

| Dados | Tipos de rótulo comuns | Tarefa de exemplo |
|---|---|---|
| Imagens | Classe, caixa delimitadora, contorno, pontos-chave | Encontrar pacotes danificados em fotos |
| Texto | Categoria, sentimento, entidades, intenção | Encaminhar chamados, sinalizar comentários ofensivos |
| Áudio | Transcrição, turnos de fala, eventos sonoros | Treinar fala para texto para uma central de atendimento |
| Vídeo | Objetos rastreados entre quadros, ações | Acompanhar uma empilhadeira ao longo de um clipe |
| Documentos | Nomes e posições de campos, tipo de página | Ler totais e datas de faturas |

**Imagens.** A classificação dá um único rótulo à imagem inteira ("tem uma trinca"). Uma caixa delimitadora (bounding box) é um retângulo desenhado em volta de um objeto e salvo como coordenadas. A segmentação traça o contorno exato, como polígono ou pixel a pixel, e os pontos-chave (keypoints) marcam pontos isolados, como as articulações de um corpo. O conjunto de dados público COCO mostra a escala que isso pode atingir: 328.000 imagens com 2,5 milhões de objetos rotulados, cada um com o próprio contorno.

**Texto.** Um rótulo de texto pode cobrir um documento inteiro (tema, sentimento, uma intenção como "cancelar minha assinatura") ou um trecho dentro dele. O reconhecimento de entidades nomeadas, uma tarefa clássica de anotação no processamento de linguagem natural, marca as palavras que nomeiam pessoas, organizações, lugares, produtos ou datas. O sentimento costuma ser o primeiro rótulo que uma equipe testa; [análise de sentimento em Python](/pt-br/blog/sentiment-analysis-python) mostra por que um pequeno conjunto de avaliações rotuladas à mão é a régua de qualquer método de pontuação.

**Áudio e vídeo.** Rótulos de áudio vão de transcrições completas a quem fala e quando. O trabalho é lento: o levantamento de Settles cita um relato segundo o qual a transcrição palavra por palavra pode levar dez vezes a duração do próprio áudio. Em vídeo, o mesmo objeto precisa manter a identidade de um quadro para o outro, o que se chama rastreamento (tracking).

## Como funciona um projeto de rotulagem de dados?

Um projeto de rotulagem funciona em ciclo: definir cada rótulo, testar as definições em um lote pequeno, medir onde as pessoas discordam, corrigir as definições e só então rotular em grande escala. Um projeto típico tem oito etapas:

1. **Defina a tarefa e o conjunto de rótulos.** Escreva a pergunta que o modelo deve responder e os rótulos permitidos, cada um com uma fronteira clara em relação aos vizinhos. Uma opção "não está claro" evita que as pessoas chutem.
1. **Escreva um guia com exemplos.** Dê a cada rótulo uma definição, exemplos típicos e os casos difíceis, como um chamado que pede reembolso e ao mesmo tempo reclama de uma entrega atrasada.
1. **Faça um piloto.** Várias pessoas rotulam o mesmo lote pequeno de forma independente. Cronometre o trabalho, para que as estimativas de custo venham de medições.
1. **Rotule.** Trabalhe em lotes, misture exemplos de referência (gold standard) cujo rótulo correto já é conhecido e mantenha todos na mesma versão do guia.
1. **Revise.** Uma segunda pessoa confere uma amostra de cada lote e todo item marcado como "não está claro".
1. **Meça a concordância.** Compare os rótulos de pessoas que rotularam os mesmos itens sem ver as respostas umas das outras.
1. **Corrija o guia.** Discordância costuma indicar uma regra ambígua, não pessoas descuidadas. Esclareça a regra e rotule de novo os itens afetados.
1. **Entregue com documentação.** Entregue os rótulos com a versão do guia e as pontuações de concordância, e mantenha um conjunto de teste que nunca seja usado no treinamento.

A equipe do InstructGPT descreve os mesmos hábitos em grande escala: integração dos novos anotadores, instruções detalhadas para cada tarefa e uma sala de chat compartilhada para as dúvidas de quem rotulava.

## Como se mede a qualidade da rotulagem?

A qualidade da rotulagem é medida com exemplos de referência cuja resposta já está definida e pelo quanto anotadores independentes concordam além do que o acaso sozinho produziria.

**Exemplos de referência** são exemplos com rótulo conferido, misturados ao trabalho sem nenhuma marca. Um anotador que erra muitos precisa de feedback; um exemplo de referência que muita gente erra pode estar errado ele mesmo.

**A concordância entre anotadores** (inter-annotator agreement) mede com que consistência pessoas diferentes rotulam os mesmos itens. O percentual bruto de concordância engana, porque parte da concordância acontece por acaso. O kappa de Cohen, proposto por Jacob Cohen em 1960, corrige isso: kappa = (concordância observada - concordância por acaso) / (1 - concordância por acaso). Um kappa de 1 significa concordância total; 0 significa nada melhor que o acaso.

Duas pessoas rotulam 200 chamados como "cobrança" ou "não cobrança" e concordam em 85% deles. Se cada uma coloca metade dos chamados em cada classe, o acaso sozinho dá 50% de concordância, então o kappa é (0,85 - 0,50) / (1 - 0,50) = 0,70. Se as duas colocam 90% dos chamados em "não cobrança", o acaso sozinho dá 0,9 × 0,9 + 0,1 × 0,1 = 82%, e os mesmos 85% valem um kappa de apenas 0,17.

O kappa de Fleiss e o alfa de Krippendorff estendem a ideia para mais de dois anotadores. Em linguística computacional, 0,8 é a meta usual, mas o levantamento de [Artstein e Poesio](https://aclanthology.org/J08-4004/) argumenta que nenhum limite único serve para todas as tarefas e recomenda relatar uma matriz de confusão, uma tabela que mostra quais rótulos se confundem com quais.

Tarefas subjetivas têm menos concordância: no projeto InstructGPT, os anotadores que comparavam respostas do modelo concordaram entre si em 72,6 ± 1,5% das vezes. Quando a concordância continua baixa depois de corrigir o guia, a adjudicação, em que um revisor experiente ou uma votação por maioria resolve cada discordância, passa a fazer parte do processo.

## Como os modelos ajudam na rotulagem?

Os modelos ajudam de quatro formas: rascunham rótulos para as pessoas conferirem, escolhem quais exemplos merecem o tempo de uma pessoa, transformam regras aproximadas em rótulos e às vezes rotulam sem nenhuma pessoa envolvida. Quanto mais o modelo faz, com mais cuidado o resultado dele precisa ser conferido.

| Abordagem | Como funciona | Cuidado com |
|---|---|---|
| Manual | Pessoas rotulam cada item pelo guia | Lento e caro em grande escala |
| Pré-rotulagem | Um modelo sugere, pessoas aceitam ou corrigem | Pessoas aceitam sugestões erradas |
| Aprendizado ativo | O modelo pergunta sobre itens em que tem dúvida | O conjunto rotulado deixa de ser aleatório |
| Supervisão fraca | Regras votam, um modelo combina os votos | As regras têm os mesmos pontos cegos |
| Totalmente automática | Um modelo ou simulador gera o rótulo | Erros que ninguém confere |

**A pré-rotulagem** é a forma mais simples: um modelo anterior, ou um modelo de linguagem grande que recebe o guia como instruções, rascunha um rótulo e uma pessoa o confirma ou corrige. As pessoas tendem a aceitar uma sugestão plausível, então lotes pré-rotulados precisam das mesmas checagens com exemplos de referência. É esse ciclo que "humano no circuito" (human in the loop) costuma significar na rotulagem.

**O aprendizado ativo** se apoia na ideia, nas palavras de Settles, de que um modelo pode alcançar "maior precisão com menos rótulos de treinamento" se puder escolher os dados com que aprende. A estratégia usual, a amostragem por incerteza, envia às pessoas os exemplos sobre os quais o modelo está menos seguro, então os testes ainda precisam de uma amostra aleatória separada.

**A supervisão fraca** troca parte dos rótulos manuais por regras. No sistema descrito por [Ratner e colegas](https://arxiv.org/abs/1711.10160) em 2017, especialistas escrevem funções de rotulagem, pequenas heurísticas como "se o chamado contém um número de fatura, votar cobrança", e o sistema estima o quanto cada regra é confiável e combina os votos em rótulos de treinamento.

**Rótulos totalmente automáticos** vêm de um modelo ou de uma simulação, sem que uma pessoa confira cada um. Um simulador 3D sabe onde está cada objeto da cena, então as imagens dele já saem rotuladas; os limites dos dados gerados são tratados em [O que são dados sintéticos?](/pt-br/blog/what-is-synthetic-data). O conjunto de teste ainda precisa de rótulos conferidos por uma pessoa.

## E os dados pessoais na rotulagem?

Quando os exemplos contêm dados pessoais, rotulá-los é tratamento de dados pessoais, e o GDPR na União Europeia, a KVKK na Türkiye e leis semelhantes se aplicam. Chamados trazem nomes, fotos mostram rostos e placas de carro, gravações carregam vozes.

Remova o que a tarefa não precisa antes de os dados chegarem aos anotadores: mascare nomes, e-mails e números de telefone, desfoque rostos que não são o objeto da tarefa e corte o áudio para a parte relevante. Mascarar não é automaticamente anonimizar: segundo o considerando 26 do [GDPR](https://eur-lex.europa.eu/eli/reg/2016/679/oj/por), dados pseudonimizados, em que os nomes são trocados por códigos mas a chave ainda existe, continuam sendo dados pessoais.

Anotadores que trabalham para você por meio de outra empresa tratam os dados em seu nome. O GDPR exige um contrato com esse subcontratante, como o regulamento chama quem trata dados por conta de outro, e a KVKK (Lei nº 6698) torna o responsável pelo tratamento corresponsável, junto com esse subcontratante, pelas medidas de segurança. Na prática: acesso só aos lotes em que cada pessoa está trabalhando, nada de cópias em dispositivos pessoais e exclusão quando o projeto termina.

A regulação começa a citar a rotulagem diretamente. O [Regulamento da Inteligência Artificial](https://eur-lex.europa.eu/eli/reg/2024/1689/oj/por) da UE exige que os conjuntos de dados de treinamento, validação e teste de sistemas de IA de alto risco sigam práticas de governança e gestão de dados que incluam, entre outras coisas, "operações de tratamento necessárias para a preparação dos dados, tais como anotação, rotulagem, limpeza, atualização, enriquecimento e agregação".

## De onde vêm os exemplos sem rótulo?

Os exemplos sem rótulo vêm primeiro dos seus próprios sistemas, depois de conjuntos de dados licenciados e, em tarefas sobre conteúdo público, de páginas web públicas; o que você coleta decide com o que o modelo vai conseguir lidar. Um roteador de chamados treinado só com chamados em inglês tropeça nos que chegam em espanhol.

Os seus próprios chamados, fotos e gravações são usados dentro dos avisos de privacidade e do consentimento que cobrem essa finalidade. Para classificar anúncios de produtos, avaliações ou vagas de emprego em vários idiomas, as equipes também coletam páginas web públicas dos países em que atuam.

É nessa etapa de coleta que entram os proxies. Muitos sites mudam o idioma, a moeda e o sortimento conforme o país do endereço IP do visitante, e os [Proxies residenciais](https://proxynet.io/pt-br/residential-proxy) com segmentação por país e cidade permitem coletar a versão que os visitantes locais veem. Colete apenas páginas públicas, siga o robots.txt e os termos do site, use uma API oficial quando houver e deixe de fora os dados pessoais que você não vai rotular.

A nossa página de [proxies para extração de dados](/pt-br/data-scraping) explica qual tipo de proxy e qual modo de sessão combinam com cada trabalho de coleta.

## Onde a rotulagem de dados é usada?

A rotulagem de dados está por trás da maioria dos recursos de IA que decidem algo sobre uma entrada específica. Equipes de suporte rotulam chamados para encaminhá-los. Lojas online atribuem categorias aos produtos e avaliam a relevância dos resultados de busca. Equipes de moderação rotulam publicações com base em uma política escrita. Fábricas rotulam imagens de peças como boas ou defeituosas, e bancos rotulam transações como fraude ou não. Hospitais rotulam exames de imagem, o que exige profissionais clínicos qualificados e proteção de dados rigorosa. Equipes que constroem produtos sobre um modelo de linguagem grande rotulam perguntas de teste com respostas aceitáveis, para saber se um novo prompt ou uma nova versão do modelo é melhor.

## Erros comuns

- **Rotular antes de o guia existir.** Cada um inventa as próprias regras, e a discordância só aparece depois de milhares de itens.
- **Não ter a opção "não está claro".** Chutes forçados parecem exatamente iguais a rótulos dados com segurança.
- **Relatar só o percentual de concordância.** Com uma classe dominante, uma concordância alta pode ser acaso; relate o kappa ou o alfa.
- **Mudar o guia sem rotular de novo.** Os dados passam a misturar dois conjuntos de regras.
- **Confiar nos pré-rótulos.** Confira as sugestões do modelo com exemplos de referência com o mesmo rigor dos rótulos manuais.
- **Deixar itens de teste vazarem para o treinamento.** Um modelo testado com o que usou no treinamento parece melhor do que é.
- **Enviar dados pessoais brutos aos anotadores.** Mascare ou remova antes o que a tarefa não precisa.

## Guia de decisão

| Necessidade | Abordagem |
|---|---|
| Um primeiro modelo para uma tarefa nova | Guia, piloto pequeno, rótulos manuais |
| Muitos itens, poucos especialistas | Aprendizado ativo nos itens incertos |
| Especialistas conseguem formular regras claras | Supervisão fraca, conferida em uma amostra rotulada à mão |
| Grande volume, pouco em jogo | Pré-rotulagem por modelo com checagem por exemplos de referência |
| Um conjunto de teste confiável | Dois anotadores independentes mais adjudicação |
| Rótulos subjetivos, como o tom | Vários anotadores por item, concordância relatada |
| Dados com detalhes pessoais | Mascarar primeiro, contrato com o subcontratante, acesso limitado |

## Perguntas frequentes

### Qual é a diferença entre rotulagem de dados e anotação de dados?

Na maioria das equipes, nenhuma. Onde se faz a distinção, anotação é a palavra mais ampla para qualquer informação adicionada a dados brutos, como caixas, contornos ou trechos destacados, enquanto o rótulo é a resposta em si, como o nome de uma classe.

### O que é uma caixa delimitadora (bounding box)?

Uma caixa delimitadora é um retângulo desenhado em volta de um objeto em uma imagem e salvo como coordenadas, normalmente dois cantos ou um canto mais a largura e a altura. É mais rápida de desenhar do que um contorno traçado, mas menos precisa para formas irregulares.

### A IA consegue rotular dados sozinha?

Em parte. Um modelo de linguagem grande consegue rotular texto a partir de um guia escrito, mas rótulos de máquina herdam os erros e vieses do modelo. Use-os como rascunho ou para volume com pouco em jogo, e deixe com pessoas os exemplos de referência, as discordâncias e o conjunto de teste.

### De quantos dados rotulados eu preciso?

Depende da tarefa, do número de rótulos e de quanto as classes se parecem, então meça. Treine com partes crescentes de um primeiro lote rotulado (um quarto, metade, tudo) e confira a pontuação em um conjunto de teste fixo a cada vez. Se a pontuação ainda está subindo, mais rótulos vão ajudar; se ela estabilizou, rótulos mais claros costumam ajudar mais.

### O que é concordância entre anotadores?

A concordância entre anotadores mede com que frequência pessoas diferentes dão o mesmo rótulo ao mesmo item, com correção para o acaso. O kappa de Cohen é a medida usual para duas pessoas; o kappa de Fleiss e o alfa de Krippendorff, para mais. Concordância baixa costuma apontar para um guia pouco claro, não para anotadores descuidados.

### Rotulagem de dados é uma profissão?

Sim. A rotulagem é feita por equipes internas, por contratados e por especialistas como linguistas ou profissionais da área médica e jurídica quando a tarefa exige o julgamento deles. Um especialista em rotulagem de dados rotula e revisa itens, sinaliza casos pouco claros e ajuda a melhorar o guia. Se você está avaliando uma oferta, leia os termos com atenção.

## Em resumo

A rotulagem de dados acrescenta a exemplos brutos a resposta que um modelo deve aprender: uma classe, uma caixa, um nome destacado ou uma transcrição. Os modelos precisam dela para aprender tarefas supervisionadas, para ser testados e, no caso de assistentes de chat, para aprender quais respostas as pessoas preferem. Bons rótulos vêm de um guia claro, de um piloto, de uma concordância medida além do acaso e de um ciclo que corrige o guia onde as pessoas discordam. Hoje os modelos rascunham rótulos e escolhem os exemplos que merecem o tempo de uma pessoa, mas o que importa continua sendo conferido por pessoas. Remova os dados pessoais de que a tarefa não precisa e colete exemplos brutos dos idiomas e países que o seu modelo vai encontrar.
