Prova_ Desafios e Perspectivas em Inteligência Artificial e Aprendizado de Máquina

Prévia do material em texto

Prova: Desafios e Perspectivas em Inteligência 
Artificial e Aprendizado de Máquina
Introdução
Esta prova analisa os desafios enfrentados por desenvolvedores e usuários de IA, bem 
como as possibilidades futuras. Serão abordados temas como algoritmos, impactos sociais 
e éticos e limitações técnicas.
Questão 1
Qual é a principal limitação dos modelos baseados em aprendizado supervisionado?
a) A dificuldade de coletar dados não rotulados.
b) A necessidade de grandes quantidades de dados rotulados para o treinamento.
c) A impossibilidade de usar algoritmos genéricos.
d) A restrição a tarefas de visão computacional.
e) A incapacidade de processar grandes volumes de dados.
Questão 2
O que é gradient descent em aprendizado de máquina?
a) Um método para calcular o erro absoluto do modelo.
b) Um algoritmo para encontrar o mínimo de uma função de custo.
c) Um processo de aumentar a complexidade de redes neurais.
d) Um método para identificar dados ruidosos em conjuntos de treinamento.
e) Uma técnica usada para normalizar dados categóricos.
Questão 3
Como o dropout é utilizado em redes neurais?
a) Para reduzir o tamanho do conjunto de treinamento.
b) Para desativar nós aleatórios durante o treinamento, prevenindo overfitting.
c) Para normalizar as saídas da rede.
d) Para aumentar a precisão de modelos supervisionados.
e) Para identificar valores discrepantes nos dados.
Questão 4
Qual das alternativas é um impacto ético positivo do uso de IA?
a) Substituir integralmente os profissionais em todos os setores.
b) Melhorar a acessibilidade para pessoas com deficiências.
c) Automatizar completamente todos os setores industriais.
d) Reduzir o acesso a sistemas complexos.
e) Ampliar preconceitos sociais e econômicos.
Questão 5
Qual é um exemplo clássico de classificação binária?
a) Previsão de temperatura em graus Celsius.
b) Identificação de e-mails como spam ou não spam.
c) Agrupamento de clientes com base no comportamento.
d) Reconhecimento de padrões em séries temporais.
e) Previsão de preços de imóveis.
Questão 6
O que caracteriza o aprendizado não supervisionado?
a) Não requer rótulos nos dados de entrada.
b) Depende exclusivamente de redes convolucionais.
c) É orientado por feedback em tempo real.
d) Usa recompensas e punições como estímulos.
e) Baseia-se apenas em dados tabulares.
Questão 7
Qual é um exemplo de uso de IA no setor agrícola?
a) Previsão meteorológica manual.
b) Sensores automatizados para monitoramento de solo e clima.
c) Impressão de rótulos de embalagens.
d) Substituição de ferramentas manuais por IA.
e) Construção de sistemas sem supervisão.
Questão 8
O que define o conceito de bias-variance tradeoff?
a) A escolha entre redes rasas e redes profundas.
b) O equilíbrio entre erro de treinamento e erro de validação.
c) A prioridade de normalizar dados antes do treinamento.
d) A redução de dados desbalanceados em treinamento supervisionado.
e) A avaliação de hiperparâmetros ideais para redes neurais.
Questão 9
Por que a explicabilidade é um desafio para modelos de Deep Learning?
a) Porque são baseados em regras explícitas e previsíveis.
b) Porque possuem estruturas simples e de fácil interpretação.
c) Porque funcionam como uma “caixa preta”, dificultando a compreensão do processo de 
decisão.
d) Porque dependem exclusivamente de estatísticas simples.
e) Porque não podem ser ajustados para diferentes tarefas.
Questão 10
Qual é a principal aplicação de redes neurais convolucionais?
a) Análise de texto em linguagem natural.
b) Processamento de dados tabulares.
c) Reconhecimento de padrões visuais em imagens.
d) Controle de dispositivos autônomos.
e) Otimização de processos industriais.
Respostas e Justificativas
1. b) A necessidade de grandes quantidades de dados rotulados para o treinamento.
Justificativa: Modelos supervisionados dependem de dados rotulados, cuja obtenção
pode ser trabalhosa.
2. b) Um algoritmo para encontrar o mínimo de uma função de custo.
Justificativa: Gradient descent é uma técnica essencial para ajustar os pesos do 
modelo e minimizar erros.
3. b) Para desativar nós aleatórios durante o treinamento, prevenindo overfitting.
Justificativa: O dropout promove a generalização do modelo ao evitar dependência 
excessiva de nós específicos.
4. b) Melhorar a acessibilidade para pessoas com deficiências.
Justificativa: IA pode ser usada para criar ferramentas como leitores de tela e 
tradutores automáticos.
5. b) Identificação de e-mails como spam ou não spam.
Justificativa: Essa tarefa é um exemplo clássico de classificação binária, pois tem 
apenas duas categorias.
6. a) Não requer rótulos nos dados de entrada.
Justificativa: O aprendizado não supervisionado trabalha com dados brutos para 
identificar padrões ocultos.
7. b) Sensores automatizados para monitoramento de solo e clima.
Justificativa: IA auxilia no uso eficiente de recursos e na melhoria da produção 
agrícola.
8. b) O equilíbrio entre erro de treinamento e erro de validação.
Justificativa: O bias-variance tradeoff lida com o desafio de criar modelos 
equilibrados em termos de erro.
9. c) Porque funcionam como uma “caixa preta”, dificultando a compreensão do 
processo de decisão.
Justificativa: Modelos profundos possuem estruturas complexas que dificultam a 
explicação de suas decisões.
10. c) Reconhecimento de padrões visuais em imagens.
Justificativa: Redes convolucionais são amplamente usadas em visão 
computacional, como em sistemas de reconhecimento facial.