Prova_ Desafios e Oportunidades da Inteligência Artificial(1)

Prévia do material em texto

Prova: Desafios e Oportunidades da Inteligência 
Artificial
Introdução
A Inteligência Artificial (IA) está revolucionando várias indústrias, desde a saúde até os 
transportes. No entanto, com seu grande potencial, surgem também desafios em termos de 
ética, privacidade e segurança. Esta prova explora tanto os avanços como as questões 
críticas que envolvem o campo da IA.
Questão 1
Qual é a principal vantagem do "aprendizado não supervisionado"?
a) Utiliza rótulos para treinar o modelo.
b) É mais rápido que o aprendizado supervisionado.
c) Permite que o modelo descubra padrões e estruturas ocultas em dados não rotulados.
d) Não necessita de grandes volumes de dados.
e) Todos os dados precisam ser rotulados para que o modelo funcione.
Questão 2
O que é uma "rede neural profunda" (Deep Neural Network)?
a) Um tipo de rede neural que não utiliza camadas ocultas.
b) Um modelo simples que requer poucos dados para ser treinado.
c) Uma rede neural com várias camadas de processamento, usada para aprender 
representações de alto nível dos dados.
d) Um modelo de aprendizado não supervisionado para clusters de dados.
e) Nenhuma das alternativas anteriores.
Questão 3
Qual é a função de uma "camada convolucional" em uma rede neural convolucional (CNN)?
a) Reduz a dimensionalidade dos dados.
b) Realiza o treinamento das camadas de saída.
c) Identifica padrões locais, como bordas e formas, em imagens.
d) Realiza a retropropagação do erro.
e) Nenhuma das alternativas anteriores.
Questão 4
Como a IA pode ser utilizada em carros autônomos?
a) Para prever o clima e a temperatura.
b) Para identificar obstáculos e tomar decisões em tempo real durante a direção.
c) Para aumentar a velocidade do carro.
d) Para diagnosticar problemas mecânicos.
e) Nenhuma das alternativas anteriores.
Questão 5
O que é "IA explicável"?
a) Sistemas de IA que podem se explicar por completo em todos os seus processos 
internos.
b) Sistemas que geram decisões ou previsões, mas fornecem uma explicação clara de 
como essas decisões são tomadas.
c) Sistemas de IA que aprendem sozinhos, sem a intervenção humana.
d) Sistemas que funcionam apenas com redes neurais profundas.
e) Nenhuma das alternativas anteriores.
Questão 6
Qual é o papel do "algoritmo de regressão" no aprendizado de máquina?
a) Prever uma variável de saída categórica com base em variáveis de entrada.
b) Analisar dados em tempo real para descobrir padrões.
c) Encontrar a melhor correspondência entre entrada e saída para dados contínuos.
d) Agrupar dados com base em similaridade.
e) Nenhuma das alternativas anteriores.
Questão 7
O que significa "overfitting" em aprendizado de máquina?
a) O modelo consegue generalizar muito bem para novos dados.
b) O modelo é muito simples e não captura os padrões complexos dos dados.
c) O modelo aprende tão bem os dados de treinamento que não consegue se adaptar a 
novos dados.
d) O modelo realiza predições sem a necessidade de treinamento.
e) Nenhuma das alternativas anteriores.
Questão 8
Qual é a principal diferença entre aprendizado supervisionado e aprendizado por reforço?
a) O aprendizado supervisionado aprende com dados rotulados, enquanto o aprendizado 
por reforço aprende com base em recompensas e penalidades.
b) O aprendizado supervisionado é mais eficaz que o aprendizado por reforço em todos os 
contextos.
c) O aprendizado por reforço requer dados rotulados, enquanto o supervisionado não.
d) O aprendizado por reforço só pode ser usado em sistemas de recomendação.
e) Nenhuma das alternativas anteriores.
Questão 9
Em qual área a IA tem sido particularmente útil para melhorar a eficiência?
a) Política.
b) Energia, com otimização de consumo e distribuição.
c) Esportes, apenas para análise de dados de performance.
d) Agricultura, para plantio e colheita automatizados.
e) Nenhuma das alternativas anteriores.
Questão 10
O que significa "viés algorítmico"?
a) O algoritmo é projetado para ser imparcial.
b) O algoritmo tende a gerar resultados distorcidos com base em preconceitos presentes 
nos dados de treinamento.
c) O algoritmo é completamente transparente em suas decisões.
d) O algoritmo nunca pode aprender com dados históricos.
e) Nenhuma das alternativas anteriores.
Respostas e Justificativas
1. c) Permite que o modelo descubra padrões e estruturas ocultas em dados não 
rotulados.
Justificativa: O aprendizado não supervisionado é utilizado para identificar padrões 
em dados não rotulados, ao contrário do aprendizado supervisionado que usa dados
rotulados.
2. c) Uma rede neural com várias camadas de processamento, usada para aprender 
representações de alto nível dos dados.
Justificativa: Redes neurais profundas (DNNs) consistem em múltiplas camadas de 
neurônios, permitindo aprender representações complexas de dados, como imagens
ou texto.
3. c) Identifica padrões locais, como bordas e formas, em imagens.
Justificativa: As camadas convolucionais em redes neurais convolucionais são 
responsáveis por identificar padrões e características locais em imagens, como 
bordas e texturas.
4. b) Para identificar obstáculos e tomar decisões em tempo real durante a direção.
Justificativa: Carros autônomos utilizam IA para identificar obstáculos, tomar 
decisões em tempo real e controlar a navegação do veículo de forma autônoma.
5. b) Sistemas que geram decisões ou previsões, mas fornecem uma explicação clara 
de como essas decisões são tomadas.
Justificativa: IA explicável busca tornar as decisões de IA compreensíveis, 
explicando claramente como um modelo chegou a uma conclusão.
6. c) Encontrar a melhor correspondência entre entrada e saída para dados contínuos.
Justificativa: Algoritmos de regressão são usados para prever valores contínuos 
baseados em variáveis de entrada.
7. c) O modelo aprende tão bem os dados de treinamento que não consegue se 
adaptar a novos dados.
Justificativa: O overfitting ocorre quando um modelo é excessivamente ajustado aos 
dados de treinamento, o que prejudica sua capacidade de generalizar para dados 
novos.
8. a) O aprendizado supervisionado aprende com dados rotulados, enquanto o 
aprendizado por reforço aprende com base em recompensas e penalidades.
Justificativa: A principal diferença é que no aprendizado supervisionado o modelo é 
treinado com dados rotulados, enquanto no aprendizado por reforço o agente 
aprende a tomar decisões através de recompensas e punições.
9. b) Energia, com otimização de consumo e distribuição.
Justificativa: A IA tem sido aplicada na indústria de energia para otimizar o consumo 
de energia e melhorar a eficiência na distribuição e uso de recursos.
10. b) O algoritmo tende a gerar resultados distorcidos com base em preconceitos 
presentes nos dados de treinamento.
Justificativa: O viés algorítmico ocorre quando um modelo reflete preconceitos 
presentes nos dados de treinamento, o que pode levar a decisões injustas ou 
distorcidas.