TÉCNICAS DE NORMALIZAÇÃO E PADRONIZAÇÃO DE DADOS PARA TREINAMENTO DE MODELOS DE INTELIGÊNCIA ARTIFICIAL: UMA REVISÃO SISTEMÁTICA

Abstract

O presente trabalho realiza uma revisão sistemática da literatura sobre as técnicas de normalização e padronização de documentos e dados para o treinamento de modelos de Inteligência Artificial (IA). Com a crescente dependência de algoritmos em dados não estruturados, a qualidade do pré-processamento tornou-se um fator crítico para o desempenho computacional. Este estudo mapeia as principais técnicas utilizadas, diferenciando a normalização textual/documental da normalização numérica, e analisa seus impactos na convergência e acurácia dos modelos. A metodologia adotada segue rigorosamente o protocolo PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Foram realizadas buscas nas bases científicas Scopus, IEEE Xplore e Web of Science, resultando em 154 registros iniciais. Após a aplicação dos critérios de elegibilidade, 27 estudos foram selecionados para a síntese qualitativa. Os resultados demonstram que, enquanto o processamento de documentos exige técnicas robustas de PLN (Processamento de Linguagem Natural), a normalização de atributos numéricos continua dependente de métodos clássicos como Min-Max Scaling e Z-score. O trabalho conclui que a integração dessas etapas é fundamental para mitigar vieses e acelerar o treinamento, apontando a automação via AutoML como uma tendência emergente para lidar com a escalabilidade de dados.

This paper presents a systematic literature review on document and data normalization and standardization techniques for training Artificial Intelligence (AI) models. With the increasing reliance of algorithms on unstructured data, preprocessing quality has become a critical factor for computational performance. This study maps the main techniques used, distinguishing between textual/document normalization and numerical normalization, and analyzes their impacts on model convergence and accuracy. The methodology rigorously follows the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) protocol. Searches were conducted in the Scopus, IEEE Xplore, and Web of Science scientific databases, resulting in 154 initial records. After applying eligibility criteria, 27 studies were selected for qualitative synthesis. The results demonstrate that while document processing requires robust NLP (Natural Language Processing) techniques, numerical attribute normalization remains dependent on classical methods such as Min-Max Scaling and Z-score. The work concludes that integrating these stages is fundamental to mitigating biases and accelerating training, pointing to automation via AutoML as an emerging trend for dealing with data scalability.