O "overfitting" (ou sobreajuste) em modelos de inteligência artificial ocorre quando um modelo se ajusta excessivamente aos dados de treinamento. Isso significa que ele aprende detalhes e ruídos dos dados de treinamento a ponto de perder a capacidade de generalizar para novos dados, resultando em um desempenho ruim em dados que não foram vistos durante o treinamento. Analisando as alternativas: A) Quando o modelo é incapaz de aprender com os dados de treinamento. - Isso descreve um problema oposto, que seria o "underfitting". B) Quando o modelo se ajusta excessivamente aos dados de treinamento, perdendo a capacidade de generalizar para novos dados. - Esta é a definição correta de overfitting. C) Quando o modelo aprende de forma mais eficaz com dados não rotulados. - Isso não está relacionado ao overfitting. D) Quando o modelo não faz previsões corretas devido à falta de dados. - Isso também não descreve o overfitting. E) Quando o modelo apresenta baixa performance tanto nos dados de treinamento quanto nos de teste. - Isso descreve um problema de underfitting, não de overfitting. Portanto, a alternativa correta é: B) Quando o modelo se ajusta excessivamente aos dados de treinamento, perdendo a capacidade de generalizar para novos dados.