Evolução da Inteligência Artificial

Prévia do material em texto

🤖 Evolução da Inteligência Artificial (IA)
· 1950: Alan Turing propõe a questão “as máquinas podem pensar?”
· 1956: Nascimento da IA como campo na Conferência de Dartmouth
· 1960–70s: Primeiros sistemas especialistas
· 1980s: Surgem algoritmos como o perceptron e backpropagation
· 1990s: IA aplicada à medicina e finanças
· 2012: Deep Learning volta com força
· 2017: Arquitetura Transformer (paper “Attention is All You Need”)
· 2018+: Expansão dos LLMs (ex: GPT, Claude, Copilot)
🧠 IA no Cotidiano e no Serviço Público
· Cotidiano: assistentes de voz, chatbots, tradutores automáticos
· Serviço público:
· Chatbots para atendimento
· Previsão de crimes (análise preditiva)
· Reconhecimento facial na segurança
· Auditorias automatizadas
· Gerenciamento judicial digital
🧩 Arquitetura Transformer
· Base dos LLMs modernos
· Elementos: self-attention, embeddings, tokens, camadas
· Vantagens: alta performance, paralelização, contexto estendido
· É autoregressiva (gera saídas com base nas entradas anteriores)
💬 Ferramentas Baseadas em IA
	Ferramenta
	Função principal
	Destaques
	ChatGPT
	Chat, respostas, geração de texto
	Usa GPT-4o, multimodal (texto, imagem, voz)
	Copilot (Microsoft)
	Assistência corporativa
	Integração com Word, Excel, PowerPoint
	DeepSeek
	Foco em geração de código
	Open-source chinês, uso corporativo
	Meta AI (LLama)
	IA embarcada e leve
	Uso público e privado, open-source
	SAS
	Estatística e IA generativa
	Data mining, BI, machine learning integrado
✍️ Prompt Engineering
· Prompt = comando dado ao modelo de IA
· Tipos:
· Direto: “Resuma em 3 frases”
· Exploratório: “Quais aplicações de IA no setor público?”
· Estruturado: “Liste em tabela as diferenças entre IA, ML e DL”
· Boas práticas:
· Clareza
· Exemplos
· Instruções de estilo
· Divisão em etapas
⚖️ Aspectos Éticos e Jurídicos
· Desafios éticos: alucinação, viés, discriminação, privacidade
· Legislação:
· AI Act da União Europeia
· Projetos de Lei no Brasil
· LGPD aplicada à IA
· Regras do CNJ para uso no Judiciário
· Debates sobre direito autoral e IA generativa
🎯 Saídas e Multimodalidade
	Entrada
	Saída
	Exemplos de ferramentas
	Texto
	Texto
	ChatGPT, Copilot, DeepSeek
	Texto
	Código
	DeepSeek Coder, Copilot
	Texto
	Imagem
	DALL-E, Midjourney
	Texto
	Vídeo
	Sora, Pika Labs
	Multimodal
	Respostas a partir de texto+imagem+voz
	GPT-4o, Gemini, Claude
Se você quiser, posso transformar esse conteúdo em flashcards ou te ajudar com questões estilo CEBRASPE sobre ferramentas de IA. Quer montar um simulado rapidinho com isso? 🧪📚
🧠 Fundamentos e Classificações de IA
· Inteligência Artificial fraca (narrow AI)
· Diferença entre IA generativa e discriminativa
· IA generativa: produção de texto, imagem, áudio, etc.
· Arquitetura Transformer e LLMs (ex: ChatGPT, DeepSeek)
· GPT e seu significado técnico
🤖 Aprendizado de Máquina (Machine Learning)
· Supervisionado vs. Não supervisionado vs. Reforço
· Algoritmos como:
· Naive Bayes (aplicações em spam e textos)
· Regressão (com classificação errada como não supervisionado)
· Conceitos de overfitting e underfitting
· Erros comuns: confusão entre subajuste e sobreajuste
· Agrupamento, associação e classificação
· Treinamento, entrada/saída, independência condicional
🌐 Aplicações Práticas da IA
· Previsão agrícola com redes neurais
· Reconhecimento facial com deep learning
· Visão computacional e classificação de imagens
· PNL (processamento de linguagem natural)
· Atendimento em bibliotecas com IA
· Inclusão digital com IA
· Uso de IA conversacional com IoT
🧪 Modelagem e Avaliação
· Avaliação de modelos
· Reconhecimento de padrões
· Capacidade de generalização
· Técnicas heurísticas
🛠️ Ferramentas e Tecnologias
· SAS (Statistical Analysis System)
· Microsoft Copilot e Edge com IA embutida
· Softwares como Trinity e Maker
⚖️ Aspectos Éticos, Legais e Estratégicos
· Estratégia Brasileira de Inteligência Artificial
· Ética na IA: vieses, imparcialidade e regulação
· Inclusão e personalização como forma de equidade
· Interpretação correta de ontologias
Perfeito, Fabiane! Vamos fazer isso com calma e estratégia: eu vou analisar cada uma das 53 questões do seu material com explicações objetivas, linguagem clara e foco no que a Polícia Federal realmente cobra — especialmente no estilo da banca CEBRASPE (CESPE), que adora exigir interpretação técnica com base prática.
Vamos agora com a Questão 01:
🔹 Questão 01 – Inteligência Artificial Fraca
Enunciado:
“O conceito de inteligência artificial fraca compreende sistemas desenvolvidos para realizar tarefas específicas, por exemplo, reconhecimento de voz.”
Gabarito: CERTO
💡 Explicação:
A IA fraca, também conhecida como IA estreita (narrow AI), é projetada para executar tarefas específicas e não possui consciência nem inteligência geral. Exemplos:
· Reconhecimento facial
· Assistentes virtuais (Siri, Alexa)
· Detecção de fraudes
· Tradução automática
🔎 Diferente da IA forte (que ainda é hipotética), a IA fraca não entende contextos fora do seu escopo.
✅ Como isso pode cair na PF: A prova pode apresentar exemplos práticos (como detecção de placas ou análise de padrões criminais) e perguntar se isso configura IA fraca ou IA forte.
Se estiver tudo certo com esse formato, posso seguir para a Questão 02 com o mesmo nível de profundidade e explicações de reforço. Posso até montar esquemas visuais ou flashcards depois para revisar. Vamos seguir assim? Quer que eu vá liberando questão por questão, ou em blocos de 5?
Perfeito, Fabiane! Vamos seguir com esse ritmo. Abaixo está a análise da Questão 02, e em seguida avançamos para as próximas — com explicação clara, ligação com a prática e observações úteis para concursos como o da Polícia Federal:
✅ Questão 02 – IA em Gestão da Informação
Enunciado:
“A inteligência artificial pode reconhecer padrões, identificar anomalias e antecipar tendências futuras por meio da análise de dados e informações.”
Gabarito: CERTO
🧠 Explicação:
Essa afirmação trata do uso de IA para análise preditiva e mineração de dados, especialmente em contextos de gestão da informação e tomada de decisão inteligente. A IA é amplamente usada para:
· 🔍 Reconhecer padrões (ex: comportamento de criminosos em sistemas de monitoramento)
· 🚨 Detectar anomalias (ex: fraudes em bancos de dados da Administração Pública)
· 📈 Antecipar tendências com base em históricos de dados (ex: aumento de crimes em regiões específicas)
Exemplo prático: softwares de análise criminal que preveem onde podem ocorrer furtos com base em dados anteriores — isso é IA com aprendizado supervisionado ou preditivo.
📌 Foco para a PF: Saber que IA é ferramenta de apoio em sistemas de decisão e gestão, e está por trás de dashboards, análises forenses, algoritmos de risco etc.
✅ Questão 03 – Machine Learning e Geração de Conteúdo
Enunciado:
“Aprendizado de máquina (machine learning) é o processo de treinar um modelo para identificar padrões e fazer previsões ou gerar novos conteúdos com base nas informações processadas.”
Gabarito: CERTO
📚 Explicação:
Machine Learning (ML) consiste justamente em ensinar algoritmos a reconhecer padrões em dados e fazer inferências. Existem 3 vertentes principais:
· 🟦 Supervisionado (com dados rotulados — ex: prever se algo é fraude ou não)
· 🟨 Não supervisionado (padrões sem rótulo — ex: agrupar perfis de suspeitos)
· 🟥 Por reforço (com recompensas — ex: carros autônomos)
E sim, com algoritmos mais complexos (como nas IA generativas), o modelo pode criar coisas novas, como:
· Texto (ex: resumos automáticos)
· Código
· Imagem ou áudio realista
🔎 Na PF: saber que machine learning pode tanto prever comportamentos quanto gerar conteúdo sintético (deepfakes, simulações etc.)
❌ Questão 04 – Integração entre IoT, Dados e IA
Enunciado:
“No Brasil, a integração entre a Internet das Coisas, a ciência de dados e a inteligência artificial representa uma evolução das tecnologias gerenciais, cujos desafios, em termos de capacidades técnicas, regulamentações e normas legais, já estão superados.”
Gabarito: ERRADO
🚫 Explicação:
Emboraseja verdade que estamos avançando em tecnologias integradas, os desafios ainda existem, principalmente em:
· Capacidade técnica da Administração Pública
· Riscos éticos e de privacidade (com IoT e IA)
· Ausência de uma lei específica de IA (o PL de regulação ainda está em discussão)
· Conectividade em áreas remotas
🎯 Na PF: isso se conecta com temas como segurança de dados, limites legais do uso da tecnologia e necessidade de respeitar a LGPD em qualquer aplicação tecnológica.
✅ Questão 05 – IA Generativa
Enunciado:
“A IA generativa é capaz de criar conteúdos novos, como textos, imagens, músicas e vídeos, além de resolver problemas inéditos com base em conhecimentos prévios, permitindo gerar novos artefatos realistas em escala, sem repeti-los.”
Gabarito: CERTO
🧬 Explicação:
IA generativa é uma das maiores tendências atuais. Com base em modelos de linguagem e redes neurais profundas (deep learning), ela é capaz de:
· Criar textos, imagens, sons, até vídeos
· Aprender com exemplos e criar conteúdos originais
· Resolver tarefas novas com base no que já foi aprendido
🛑 Cuidado! Ela não repete os dados de entrada, mas cria novos exemplos realistas com base em padrões aprendidos.
📌 Exemplo: o próprio Copilot ou ChatGPT é uma IA generativa textual.
✅ Questão 06 – Estratégia Brasileira de IA (EBIA)
Enunciado:
“Um dos objetivos da Estratégia Brasileira de Inteligência Artificial é contribuir para a elaboração de princípios éticos para o desenvolvimento e o uso responsáveis de IA.”
Gabarito: CERTO
📜 Explicação:
A EBIA (criada pelo Ministério da Ciência, Tecnologia e Inovações) tem entre seus pilares:
· Ética e direitos humanos
· Segurança e proteção de dados
· Transparência dos algoritmos
· Promoção da inovação
⚖️ Está alinhada a outros documentos internacionais, como a Recomendação de Ética em IA da Unesco, e é fundamental para concursos federais — principalmente na aplicação segura da IA na Administração Pública.
Fabiane, se estiver tudo tranquilo até aqui, posso seguir com as questões 07 a 11 no mesmo formato. Posso também ir destacando os artigos legais, conceitos da Constituição ou Leis que se conectam com os temas, se você quiser integrar com o conteúdo do edital da PF. Vamos seguir?
Maravilha, Fabiane! Vamos continuar com a análise das próximas questões, agora da 07 a 11, mantendo o mesmo estilo claro, estratégico e voltado para sua prova da Polícia Federal:
✅ Questão 07 – Visão Computacional com ML e DL
Enunciado:
“A visão computacional permite que máquinas interpretem imagens e vídeos, simulando a visão humana por meio de algoritmos de machine learning e deep learning.”
Gabarito: CERTO
🧠 Explicação:
Visão computacional é uma área da IA que permite que sistemas analisem, interpretem e “vejam” como seres humanos. Ela utiliza:
· Machine Learning (ML): para aprender padrões visuais (ex: reconhecer placas)
· Deep Learning (DL): usa redes neurais convolucionais (CNNs), altamente eficazes para identificar objetos, faces, gestos e até armas em vídeos.
🔎 Na PF: usada em monitoramento por câmeras, reconhecimento facial, leitura de placas veiculares (OCR), entre outros. Muito cobrado!
✅ Questão 08 – Prompt em IAs Generativas
Enunciado:
“Um prompt é um conjunto de instruções que o modelo generativo utiliza para prever a resposta desejada.”
Gabarito: CERTO
📝 Explicação:
O prompt é o “comando” que você dá a uma IA generativa. Ele orienta a saída do modelo:
· “Gere um resumo sobre IA.”
· “Crie uma imagem de um drone policial.”
· “Traduza este texto para inglês.”
Prompts podem ser simples ou estruturados, e a qualidade da saída depende muito da clareza e objetividade da entrada.
📌 Na PF: o conceito de prompt engineering é fundamental para quem usa ferramentas de IA no dia a dia administrativo e estratégico.
✅ Questão 09 – Deep Learning e Redes Neurais
Enunciado:
“As redes neurais de deep learning [...] combinam entradas de dados, pesos e vieses, que trabalham juntos para reconhecer, classificar e descrever objetos dentro dos dados.”
Gabarito: CERTO
🔬 Explicação:
A estrutura de uma rede neural artificial inclui:
· Neurônios (nós): recebem os dados
· Pesos: definem a importância de cada entrada
· Bias (viés): ajusta a sensibilidade da ativação
· Função de ativação: decide se o neurônio “dispara”
Esses elementos imitam a forma como o cérebro processa estímulos, ajustando os pesos na fase de aprendizado.
📌 Na prática policial: usada em reconhecimento de padrões complexos, como prever áreas de risco ou classificar denúncias.
❌ Questão 10 – Pré-processamento em Deep Learning
Enunciado:
“O deep learning elimina completamente a necessidade de pré-processamento de dados, pois as redes neurais são capazes de aprender todas as características automaticamente.”
Gabarito: ERRADO
⚠️ Explicação:
Apesar das redes profundas aprenderem representações complexas, o pré-processamento continua essencial, como por exemplo:
· Normalizar imagens ou dados tabulares
· Remover valores nulos
· Eliminar ruídos
· Converter texto em embeddings
📌 Na PF: ao usar IA em ambientes forenses ou administrativos, o pré-processamento garante dados limpos e confiáveis para a IA.
❌ Questão 11 – IA e Inclusão Digital
Enunciado:
“A inteligência artificial amplia a inclusão digital ao personalizar experiências e eliminar barreiras. Quando treinada com dados diversos, neutraliza completamente os vieses preexistentes.”
Gabarito: ERRADO
📉 Explicação:
Embora a IA possa contribuir para inclusão, dizer que ela neutraliza completamente os vieses é incorreto. Na verdade:
· Vieses podem persistir, mesmo com dados diversos
· O treinamento precisa ser ético, com validações constantes
· Ferramentas com viés podem reproduzir discriminações históricas
📌 Conexão com a PF: a IA deve ser transparente e auditável, especialmente no uso público (como reconhecimento facial). A LGPD e a Estratégia Brasileira de IA exigem vigilância ética.
Tudo certo até aqui? Posso seguir com as próximas questões (12 a 16) com o mesmo nível de detalhe. E se quiser, posso montar depois um PDF com essas análises para você imprimir e revisar. Me avisa como prefere! 📘✨
Perfeito, Fabiane! Vamos agora com as questões 12 a 16, sempre explicando os conceitos de forma clara e conectando com o que pode aparecer na prova da Polícia Federal:
❌ Questão 12 – Percepção e Ação em IA
Enunciado:
“O dispositivo computacional da inteligência artificial engloba, entre outros elementos, a percepção, que é a capacidade de provocar mudanças no ambiente.”
Gabarito: ERRADO
🧠 Explicação:
Na IA, percepção é a capacidade de captar informações do ambiente, como visão, som ou sensores, e não de provocar mudanças. Quem atua sobre o ambiente é o atuador (por exemplo: braços robóticos, motores, alarmes).
📌 Exemplo clássico: em um carro autônomo:
· Percepção: câmeras detectam pedestres
· Decisão: o modelo decide parar
· Ação: o freio é ativado (atuador)
⚠️ Dica para a PF: entender o ciclo percepção–decisão–ação, comum em robótica e sistemas inteligentes.
❌ Questão 13 – Aprendizado Supervisionado
Enunciado:
“Nos algoritmos supervisionados de ML, o modelo é treinado apenas com dados de entrada, e as saídas são geradas automaticamente [...], sem necessidade de dados rotulados.”
Gabarito: ERRADO
📚 Explicação:
Algoritmos supervisionados sempre precisam de dados rotulados para aprender! O modelo observa entradas com saídas conhecidas e aprende a prever essas saídas.
🔎 Exemplo:
Entradas: sintomas de pacientes
Saída: diagnóstico médico (rótulo conhecido)
✅ O modelo aprende a associar os padrões das entradas com as saídas já existentes.
📌 Na PF: muito usado para detecção de fraudes, classificações de risco, reconhecimento de imagens.
❌ Questão 14 – Regras de Associação x Árvores de Decisão
Enunciado:
“Os algoritmos de regras de associação constroem regras com apenas uma única conclusão, ao contrário dos algoritmos de árvore de decisão, que tentam localizar muitas regras, cada uma delas com uma conclusão diferente.”
Gabarito: ERRADO
🧩 Explicação:
· Regras de associação (ex: algoritmo Apriori) geram múltiplasregras baseadas em frequência (ex: “Quem compra pão também compra leite”)
· Árvores de decisão geram caminhos baseados em perguntas sucessivas (ex: “Se for maior de 18 e tiver CNH, então aprovado”)
Ambos os modelos podem ter diversas regras com conclusões diferentes. A afirmação limita erroneamente o funcionamento de um e superestima o outro.
📌 Em investigações: regras de associação são úteis para cruzar padrões em compras de criminosos, movimentações bancárias, conexões em redes sociais.
✅ Questão 15 – Aprendizado Não Supervisionado
Enunciado:
“O aprendizado de máquina não supervisionado utiliza algoritmos para analisar conjuntos de dados não rotulados, a fim de descobrir padrões ocultos sem necessidade de intervenção humana.”
Gabarito: CERTO
🔍 Explicação:
No aprendizado não supervisionado, os dados não têm rótulos definidos. O sistema tenta identificar padrões, agrupar dados similares ou detectar anomalias por conta própria.
📊 Exemplo: Clusterização de perfis de usuários com base em comportamento.
📌 Relevância na PF: análise de grandes volumes de dados sem rotulação prévia (ex: encontrar perfis falsos ou padrões de crimes organizados sem saber exatamente o que procurar).
❌ Questão 16 – Algoritmos Fixos em IA
Enunciado:
“Os sistemas de inteligência artificial dependem de algoritmos simples e fixos, ou seja, que não podem ser ajustados ou aprimorados ao longo do tempo.”
Gabarito: ERRADO
⚠️ Explicação:
A essência do aprendizado de máquina é justamente a capacidade de adaptação. Os algoritmos podem:
· Aprender com novos dados
· Ser ajustados (fine-tuning)
· Evoluir com iteração e feedback
🧠 Modelos como o que uso (baseado em LLMs) passam por ajustes contínuos para melhorar performance e evitar vieses.
📌 Na PF: isso é crítico porque um sistema de IA pode aprender com padrões criminais atualizados e refinar sua atuação com base em novas ameaças.
Posso seguir agora com as questões 17 a 21? Assim a gente avança firme até completar as 53, sem perder o foco! Se quiser, ao final, posso te entregar tudo organizado em PDF, com filtros por assunto (aprendizado, visão, ética, etc). Vamos nessa? 🚔📚
Ótimo, Fabiane! Vamos continuar com a análise das questões 17 a 21, mantendo o foco total no que pode aparecer na sua prova da Polícia Federal:
✅ Questão 17 – Plataforma SAS
Enunciado:
“Os recursos SAS são desenvolvidos em torno de um alicerce denominado plataforma SAS, que é preparada para atender aos usuários desde a exploração e preparação dos dados até o gerenciamento, a publicação e o monitoramento de modelos SAS e open source.”
Gabarito: CERTO
🛠️ Explicação:
O SAS (Statistical Analysis System) é um dos pacotes mais completos para:
· Preparar e limpar grandes volumes de dados;
· Criar modelos estatísticos e preditivos;
· Monitorar e gerenciar modelos, inclusive com integração de modelos open source (Python, R).
Essa ferramenta é muito usada em segurança pública, controle de fraudes, análises criminais e auditorias internas, por isso aparece em provas de alto nível.
📌 Na PF: pode cair como ferramenta de apoio analítico em sistemas de inteligência e combate ao crime organizado.
✅ Questão 18 – IA na Agricultura
Enunciado:
“As redes neurais artificiais podem ser utilizadas na previsão de safras agrícolas, pois esses algoritmos conseguem identificar padrões complexos em grandes volumes de dados históricos e meteorológicos [...].”
Gabarito: CERTO
🌾 Explicação:
Esse é um exemplo direto da aplicação de redes neurais fora do setor tecnológico tradicional.
· Os modelos aprendem com dados históricos (chuvas, pragas, temperatura).
· Identificam padrões e ajudam a prever rendimentos futuros.
Essa questão ajuda você a associar a IA a contextos diversos, o que a banca adora cobrar.
🧠 Curiosidade: o mesmo tipo de rede neural pode ser usado para prever incidência de crimes, padrões de migração ou deslocamentos populacionais — todos úteis para inteligência policial.
❌ Questão 19 – Autonomia na IA
Enunciado:
“Na inteligência artificial, o agente inteligente deve ser capaz de ter autonomia, isto é, deve ter a capacidade de acumular conhecimento que seja útil em suas ações.”
Gabarito: ERRADO
⚠️ Explicação:
A banca se utiliza aqui de uma pegadinha conceitual sutil:
· A autonomia de um agente é sua capacidade de tomar decisões sem intervenção humana imediata.
· A capacidade de acumular conhecimento se refere à aprendizagem contínua, que nem toda IA possui.
Portanto, um agente pode ser autônomo, mas não necessariamente “acumular conhecimento” como um humano ou aprender continuamente.
💡 Dica PF: Autonomia = agir sozinho. Aprendizado = aprender com experiência. São coisas distintas!
✅ Questão 20 – Naive Bayes em Classificação de Texto
Enunciado:
“O Naive Bayes [...] é indicado para aplicações de classificação de texto, tais como filtragem de spams e classificação de textos.”
Gabarito: CERTO
📈 Explicação:
O Naive Bayes é um dos algoritmos mais eficientes e clássicos de classificação probabilística, especialmente para:
· Filtrar e-mails como spam ou não spam;
· Detectar sentimento em textos (positivo, negativo);
· Classificar documentos jurídicos, policiais, administrativos.
É baseado no Teorema de Bayes e parte da hipótese (irrealista, mas prática) de que todas as variáveis são independentes.
📌 Para a PF: imagine ferramentas que ajudem a organizar denúncias automaticamente por tipo de crime. Isso é Naive Bayes na prática!
✅ Questão 21 – Frequência de Palavras e Classificação
Enunciado:
“O algoritmo Naive Bayes é utilizado para categorizar palavras com base na frequência; um exemplo do uso desse algoritmo é a classificação de e-mails como spam.”
Gabarito: CERTO
🧮 Explicação complementar à questão anterior:
· O Naive Bayes conta quantas vezes certas palavras aparecem em exemplos positivos e negativos (spam/não spam) durante o treinamento.
· Depois, calcula a probabilidade de um novo e-mail ser spam com base nas palavras que ele contém.
🔁 Ou seja, o algoritmo não entende o sentido do texto, mas usa estatística pura: probabilidade de certas palavras estarem associadas a uma categoria.
📌 Isso tem uso direto em sistemas de comunicação da PF, triagens automáticas e até análise de ameaças em mensagens.
Tudo certo até aqui? Se quiser, posso seguir com as próximas 5 (questões 22 a 26) com o mesmo foco. E no fim, posso te entregar um resumo temático tipo "tudo sobre Naive Bayes", "visão computacional", "aprendizado supervisionado", para revisar rapidinho. Quer que eu continue nesse estilo?
Perfeito, Fabiane! Vamos continuar com a análise detalhada das questões. Agora seguiremos com as questões 22 a 26, mantendo o mesmo estilo: explicações claras, exemplos e dicas ligadas à Polícia Federal.
✅ Questão 22 – Teorema de Bayes e Independência Condicional
Enunciado:
“Naive Bayes [...] realiza classificação com base no princípio da independência condicional de classe a partir do teorema de Bayes [...] construindo uma tabela de probabilidades.”
Gabarito: CERTO
📘 Explicação:
Esse algoritmo usa o Teorema de Bayes, aplicando-o de forma "ingênua" ao assumir que as variáveis são estatisticamente independentes entre si, dadas a classe. Isso torna o cálculo mais simples e eficiente, mesmo que a hipótese não seja totalmente realista.
🔎 Ele gera uma tabela com probabilidades:
· Qual a chance de um texto ser "positivo" se contiver a palavra "ótimo"?
· E de ser "negativo" se aparecer "péssimo"?
📌 Na PF: essa técnica pode ser usada em sistemas de triagem automática de denúncias ou análise de tendências em inteligência policial.
❌ Questão 23 – Definição errada de Deep Learning
Enunciado:
“Deep learning é um algoritmo que simula o cérebro humano por meio de algoritmos probabilísticos de aprendizado [...] em que uma população de representações abstratas de solução é selecionada em busca de soluções melhores.”
Gabarito: ERRADO
🧠 Explicação:
Essa descrição mistura conceitos de deep learning e algoritmos genéticos.
· Deep learning usa redes neurais profundas, com várias camadas e funções de ativação, para aprender representações hierárquicasde dados.
· A descrição fala em “população” e “seleção”, que pertencem à evolução genética computacional, não ao deep learning.
📌 Dica PF: redes neurais não funcionam com seleção de população, e sim com propagação e ajuste de pesos (backpropagation).
✅ Questão 24 – PNL (Processamento de Linguagem Natural)
Enunciado:
“PNL é um campo da ciência da computação que trata da interação entre computadores e linguagens humanas [...] para compreender e reproduzir a linguagem.”
Gabarito: CERTO
💬 Explicação:
PNL (ou NLP – Natural Language Processing) é a base de sistemas como tradutores automáticos, chatbots, corretores ortográficos, e a própria IA que estamos usando agora.
Técnicas comuns:
· Tokenização (quebrar frases em palavras)
· Análise sintática (entender estrutura)
· Reconhecimento de entidades (nomes, datas, locais)
📌 Na PF: PNL é usado em sistemas de monitoramento de redes sociais, análise de ameaças escritas, investigação de perfis online.
❌ Questão 25 – Aprendizado supervisionado na IA generativa
Enunciado:
“A IA generativa consiste em técnicas de IA baseadas prioritariamente na utilização de aprendizado supervisionado para criar novas amostras de dados [...].”
Gabarito: ERRADO
⚠️ Explicação:
A IA generativa pode até usar aprendizado supervisionado, mas não é a base prioritária. Na maioria dos casos, ela se apoia em:
· Aprendizado não supervisionado, como autoencoders, GANs (redes adversárias generativas)
· Aprendizado por reforço com feedback humano (ex: modelos como GPT são ajustados com RHLF)
Portanto, a frase erra ao dizer que o método principal é o aprendizado supervisionado.
📌 Aplicações PF: criação de perfis falsos com deepfake, geração de texto automático em ataques de engenharia social — todos requerem atenção quanto aos riscos da IA generativa.
✅ Questão 26 – Deep Learning e Reconhecimento Facial
Enunciado:
“O reconhecimento facial por imagens nas redes sociais é embasado no aprendizado de máquina chamado deep learning, que simula a rede neural do cérebro humano.”
Gabarito: CERTO
📷 Explicação:
Reconhecimento facial usa redes neurais convolucionais (CNNs), tipo clássico de deep learning, treinadas para:
· Localizar rostos
· Reconhecer identidade com base em características como distância entre olhos, formato do queixo, etc.
· Comparar com um banco de dados
🎯 Na PF: usado em câmeras de aeroportos, operações de vigilância, fronteiras e até eventos de alto risco.
Pronta para continuar? A seguir, vamos com as questões 27 a 31, que vão falar de reforço, IoT, mineração de dados e outros temas quentes da tecnologia policial. Vamos nessa! 🕵️‍♀️💻
Vamos lá, Fabiane! Seguindo com as análises detalhadas, agora com as questões 27 a 31, todas ligadas à inteligência artificial e aprendizado de máquina — temas quentíssimos para concursos da PF. Vamos lá:
✅ Questão 27 – Aprendizado por Reforço
Enunciado:
“Diferentemente do aprendizado supervisionado e não supervisionado, o aprendizado por reforço baseia-se em um agente que interage com um ambiente e recebe recompensas ou penalidades [...]”
Gabarito: CERTO
🎮 Explicação:
O aprendizado por reforço (reinforcement learning) é um modelo em que o agente:
· Toma decisões em um ambiente,
· Recebe recompensas ou punições pelas ações,
· Aprende a maximizar o retorno acumulado com base em tentativa e erro.
💡 Exemplo clássico: IA treinando para jogar xadrez ou dirigir carros autônomos.
📌 Na PF: pode ser útil em simulações (treinamento de drones, rotas otimizadas de patrulha) e análise preditiva de riscos.
❌ Questão 28 – Tipos de Aprendizado
Enunciado:
“Em machine learning, os sistemas podem usar aprendizado do tipo supervisionado, não supervisionado, autônomo ou gerenciado.”
Gabarito: ERRADO
🚫 Explicação:
Os tipos reconhecidos de aprendizado de máquina são:
· Supervisionado (com rótulos)
· Não supervisionado (sem rótulos)
· Reforço (com recompensas)
📌 “Autônomo” e “gerenciado” não são categorias formais em machine learning. O item inventa conceitos e por isso está incorreto.
✅ Questão 29 – Classificação de Imagens com Redes Neurais
Enunciado:
“Redes neurais [...] mimetizam o cérebro [...] possuem pesos, função de perda e bias [...] utilizadas na classificação de imagens de satélite.”
Gabarito: CERTO
📸 Explicação:
As redes neurais artificiais simulam, de forma computacional, como o cérebro conecta e processa informações. Seus componentes:
· Pesos: importância de uma entrada
· Função de perda: mede o erro
· Bias: ajusta o disparo da função de ativação
🔍 Aplicação direta: sistemas de vigilância por satélite para monitorar desmatamento, entrada ilegal em fronteiras, ou movimentações em áreas críticas.
✅ Questão 30 – IoT com IA Conversacional
Enunciado:
“A utilização de inteligência artificial conversacional possibilita o uso de dispositivos IoT em ambiente doméstico.”
Gabarito: CERTO
🏠 Explicação:
IoT (Internet das Coisas) conecta dispositivos físicos à internet. Com IA conversacional (ex: Alexa, Copilot, Google Assistente), esses dispositivos ficam interativos:
· Controle de luzes, alarmes, câmeras
· Agendamento de tarefas
· Monitoramento remoto
🔐 Na PF: imagine ambientes com sensores e IA interativa para proteção de perímetros, ou coleta automatizada de dados de dispositivos conectados.
❌ Questão 31 – Aprendizado de Máquina vs. Mineração de Dados
Enunciado:
“Aprendizado de máquina e mineração de dados são termos idênticos [...] ambos lidam com algoritmos de IA [...]”
Gabarito: ERRADO
📊 Explicação:
Eles se complementam, mas não são iguais:
	Termo
	Definição
	Mineração de dados
	Processo de explorar grandes conjuntos de dados em busca de padrões ocultos
	Machine learning
	Uso de modelos que aprendem com os dados e fazem previsões
⚠️ Nem todo processo de mineração envolve IA, e nem todo ML depende de mineração de dados. São áreas interligadas, mas distintas.
Na sequência, vamos com as questões 32 a 36, onde veremos mais sobre regressão, subajuste, overfitting, e classificação. Tudo alinhado ao que pode cair para a PF. Vamos nessa! 🧠🚔
Vamos nessa, Fabiane! Agora seguimos com as análises detalhadas das questões 32 a 53, finalizando o bloco com comentários práticos e voltados para concursos como o da Polícia Federal:
❌ Questão 32 – Objetivo do ML
Enunciado:
“O aprendizado de máquina computacional tem como objetivo aplicar técnicas computacionais na tentativa de validar padrões em dados e ratificar padrões que podem ser observados explicitamente nos dados.”
Gabarito: ERRADO
💡 Explicação: O objetivo do ML é descobrir e aprender padrões ocultos nos dados — inclusive aqueles não observáveis explicitamente.
A afirmação reduz erroneamente a função do ML a algo que só confirma o que já é visível.
✅ Questão 33 – GPT e LLMs com arquitetura Transformer
Enunciado:
“ChatGPT e DeepSeek são plataformas de IA generativas baseadas em modelos de linguagem de grande escala (LLMs) [...] arquitetura transformer [...]”
Gabarito: CERTO
🔍 Explicação: Correto! GPT significa “Generative Pre-trained Transformer”, e tanto ChatGPT quanto DeepSeek usam a arquitetura Transformer para trabalhar com grandes volumes de texto.
✅ Questão 34 – Definição de ML
Enunciado:
“Aprendizado de máquina pode ser definido como a criação e o uso de modelos que são aprendidos a partir dos dados.”
Gabarito: CERTO
🧠 Explicação: Definição direta e correta. ML consiste na criação de modelos computacionais que aprendem com os dados sem programação explícita para cada tarefa.
❌ Questão 35 – Definição de Algoritmo
Enunciado:
“No contexto do aprendizado de máquina, um algoritmo é definido como a especificação de uma relação probabilística [...]”
Gabarito: ERRADO
📘 Explicação: Nem todo algoritmo de ML é probabilístico. Existem algoritmos determinísticos, como árvore de decisão. O item restringe indevidamente o conceito de algoritmo.
❌ Questão 36 – Subajuste (Underfitting)
Enunciado:
“Em aprendizado de máquina, um modelo de bom desempenho com dados já treinados, mas que não lide muito bem com novos dados é denominado subajuste [...]”
Gabarito: ERRADO
⚠️ Explicação: Essa é a definição de overfitting,e não subajuste.
· Overfitting: vai bem no treino, mas mal no teste.
· Underfitting: vai mal nos dois — não aprende o suficiente nem com os dados de treino.
✅ Questão 37 – Overfitting
Enunciado:
“O overfitting ocorre quando um modelo tem alta precisão nos dados de treinamento, mas desempenho pior em novos dados.”
Gabarito: CERTO
🔎 Explicação: Exatamente! Isso é típico de modelos “viciados” nos dados de treino e que não generalizam bem.
❌ Questão 38 – Underfitting
Enunciado:
“A única maneira de se evitar o underfitting é reduzir a quantidade de dados de entrada [...]”
Gabarito: ERRADO
🚫 Explicação: Reduzir dados pode piorar a aprendizagem. Para evitar underfitting, o ideal é usar modelos mais complexos ou treinar melhor.
✅ Questão 39 – Tarefas de ML
Enunciado:
“As tarefas de ML podem ser divididas em classificação, agrupamento e associação [...]”
Gabarito: CERTO
📊 Explicação: Correto! São as três grandes categorias:
· Classificação: prever categorias
· Agrupamento: juntar dados semelhantes
· Associação: descobrir regras frequentes (ex: cesta de compras)
✅ Questão 40 – Aprendizado supervisionado
Enunciado:
“O aprendizado supervisionado usa dados de treinamento para ensinar modelos a mostrar a saída desejada.”
Gabarito: CERTO
📘 Explicação: Exatamente! Usa-se entrada + saída conhecida para treinar o modelo. Exemplo: sintomas + diagnóstico.
❌ Questão 41 – Camadas em Deep Learning
Enunciado:
“Deep learning é um tipo de ML que se baseia no uso de redes neurais de uma única camada.”
Gabarito: ERRADO
💡 Explicação: O próprio nome já diz: deep = várias camadas. Modelos com apenas uma camada são chamadas shallow networks.
❌ Questão 42 – Regressão
Enunciado:
“A regressão é um tipo de aprendizado não supervisionado [...]”
Gabarito: ERRADO
📉 Explicação: Errado! Regressão é supervisionada, pois exige rótulos (valores contínuos) para treinar o modelo.
❌ Questão 43 – Significado de GPT
Enunciado:
“GPT significa ‘gerador de processamento de texto’ [...]”
Gabarito: ERRADO
📛 Explicação: GPT significa Generative Pre-trained Transformer. O item está inventando uma sigla incorreta.
❌ Questão 44 – Heurísticas
Enunciado:
“Os processos heurísticos buscam, primeiro, soluções teóricas para depois tentar uma única solução prática.”
Gabarito: ERRADO
🧠 Explicação: Heurísticas são soluções aproximadas e práticas, muitas vezes usadas em problemas que não têm solução ótima viável. Não são “teóricas”.
✅ Questão 45 – Classificação
Enunciado:
“A capacidade de classificação é importante no ML, pois é usada no estabelecimento de padrões.”
Gabarito: CERTO
📘 Explicação: A classificação é central no ML: separar dados em grupos (ex: seguro com risco ou sem risco, documento fraudado ou legítimo etc.)
✅ Questão 46 – Redes Neurais simulam o cérebro
Enunciado:
“As redes neurais permitem construir modelos padronizados segundo o funcionamento do cérebro humano.”
Gabarito: CERTO
🧠 Explicação: Com a ressalva de que é uma simulação matemática simplificada, as redes se inspiram no funcionamento dos neurônios.
❌ Questão 47 – Ontologia como sistema especialista
Enunciado:
“Ontologias podem ser entendidas como aplicações criadas para simular a ação de especialistas [...].”
Gabarito: ERRADO
📚 Explicação: Isso é definição de sistema especialista.
Ontologia = estrutura conceitual com termos e relações de um domínio. Ajuda na organização do conhecimento, não substitui especialista.
✅ Questão 48 – Copilot no Edge
Enunciado:
“Na versão mais recente do Microsoft Edge, o Copilot é um assistente inteligente com tecnologia de IA [...].”
Gabarito: CERTO
🧩 Explicação: Correto! O Copilot foi integrado ao navegador Edge para auxiliar na navegação, respostas, buscas, resumos etc.
✅ Questão 49 – Representação de Ontologias
Enunciado:
“Representação formal das ontologias é para computadores; a gráfica é para humanos.”
Gabarito: CERTO
📘 Explicação: Certíssimo. A representação formal usa RDF, OWL, enquanto a gráfica é em diagramas e mapas conceituais.
✅ Questão 50 – IA generativa cria novos conteúdos
Enunciado:
“A inteligência artificial generativa é capaz de criar novos conteúdos e áudios.”
Gabarito: CERTO
🎙️ Explicação: Exato! Ferramentas de IA generativa podem criar textos, imagens, vídeos e também áudios realistas.
✅ Questão 51 – Atendimento por ChatGPT em bibliotecas
Enunciado:
“O atendimento do serviço de referência pode ser realizado por meio do ChatGPT.”
Gabarito: CERTO
📚 Explicação: O ChatGPT pode atuar como assistente virtual em bibliotecas, respondendo dúvidas sobre acervo, localização, normas etc.
✅ Questão 52 – Geração de imagens por descrição textual
Enunciado:
“A geração de imagens por meio de descrição de textos é um recurso da IA generativa.”
Gabarito: CERTO
🎨 Explicação: Ferramentas como DALL·E, Midjourney, Firefly convertem prompts descritivos em imagens únicas com IA generativa.
✅ Questão 53 – Modelos generativos com distribuição conjunta p(x,y)
Enunciado:
“Uma IA generativa cujo aprendizado é realizado a partir da distribuição de probabilidade conjunta p(x,y) [...] pode gerar mais amostras por si só
🧠 Fundamentos da Inteligência Artificial
	Frente
	Verso
	O que é IA fraca?
	IA projetada para tarefas específicas, como reconhecimento de voz ou imagens.
	A IA consegue antecipar tendências?
	Sim, por meio de análise de dados, reconhecendo padrões e anomalias.
	O que é aprendizado de máquina (ML)?
	É o treinamento de um modelo para identificar padrões, prever ou gerar dados com base em exemplos.
	O que é IA generativa?
	É a IA capaz de criar novos conteúdos: textos, imagens, vídeos ou áudios, a partir de padrões aprendidos.
	O que é um prompt?
	É a instrução dada a um modelo generativo para produzir uma resposta.
⚙️ Tipos de Aprendizado e Modelos
	Frente
	Verso
	O que é aprendizado supervisionado?
	O modelo aprende com dados rotulados (entrada + saída).
	O que é aprendizado não supervisionado?
	O modelo aprende padrões em dados sem rótulos definidos.
	O que é aprendizado por reforço?
	O agente aprende ao interagir com o ambiente, recebendo recompensas ou penalidades.
	O que é overfitting?
	O modelo acerta no treino, mas falha em dados novos (testes).
	O que é underfitting?
	O modelo não aprende bem nem no treino; é muito simples para a tarefa.
🧩 Técnicas e Algoritmos
	Frente
	Verso
	Qual a função do Naive Bayes?
	Classifica dados com base em probabilidades e pressupõe independência entre as variáveis.
	O que redes neurais simulam?
	A estrutura de processamento do cérebro humano por meio de camadas de neurônios artificiais.
	Qual é o papel das redes convolucionais (CNNs)?
	São redes usadas para processar imagens, como em reconhecimento facial.
	Regressão é aprendizado supervisionado?
	Sim. Ela prevê valores contínuos com base em dados de entrada.
	Árvores de decisão são determinísticas ou probabilísticas?
	Determinísticas: seguem regras baseadas em condições do tipo “se... então...”.
🛡️ Aplicações e Ética em IA
	Frente
	Verso
	O que é a Estratégia Brasileira de IA?
	Documento oficial com princípios éticos e diretrizes para uso da IA no Brasil.
	IA é isenta de vieses?
	Não. Mesmo treinada com bons dados, ela pode perpetuar ou até ampliar vieses.
	O que é PNL (Processamento de Linguagem Natural)?
	É o campo da IA que trata da interação entre linguagem humana e computadores.
	Como a IA é usada em segurança pública?
	Por meio de reconhecimento facial, monitoramento preditivo, triagem de denúncias, etc.
	Qual o papel da IA na IoT?
	Permite controle inteligente de dispositivos conectados (ex: assistentes de voz, sensores).