A arquitetura de uma Rede Neural Multicamadas (MLP) processa vetores de características de dimensão fixa, onde cada entrada é tratada como um evento independente. Não há, em seu design fundamental, um mecanismo para reter estado ou memória entre processamentos de amostras distintas. Esta ausência de dependência temporal ou sequencial impõe restrições em domínios onde a ordem dos dados é semanticamente crucial. Em tarefas como a análise de séries temporais financeiras ou o processamento de linguagem natural, o valor ou significado de um elemento é frequentemente condicionado por seus antecessores e sucessores na sequência.Fonte: LIPTON, Z. C.; BERKOWITZ, J.; ELKAN, C. A Critical Review of Recurrent Neural Networks for Sequence Learning. Cornell University, 2015. Disponível em: https://arxiv.org/abs/1506.00019. Acesso em: 01 out. 2025.Uma empresa de energia pretende criar um modelo para prever o consumo de eletricidade para a próxima hora, com base nos registros de consumo e temperatura das últimas 24 horas. A equipe de dados decide modelar o problema alimentando uma MLP padrão com um vetor contendo as 24 leituras de consumo e as 24 de temperatura. Quanto à decisão estratégica a liderança do projeto deveria tomar ao avaliar a adequação desta abordagem, assinale a alternativa correta: A) Aceitar a abordagem com MLP, pois o Teorema da Aproximação Universal garante que a rede pode aprender qualquer função, incluindo as que governam séries temporais. B) Manter a abordagem com MLP, mas decidir por normalizar os dados de entrada, pois a diferença de escala entre consumo (kWh) e temperatura (°C) é a principal fonte de erro. C) Aprovar a abordagem, mas recomendar o uso de uma MLP profunda com muitas camadas para capturar as complexas interações entre todas as 48 variáveis de entrada. D) Rejeitar a abordagem com MLP e decidir pela exploração de arquiteturas como Redes Neurais Recorrentes (RNNs) ou LSTMs, que são projetadas para modelar dependências em dados sequenciais. E) Modificar a abordagem para que a MLP preveja cada hora futura de forma independente, treinando 24 modelos MLP distintos, um para cada hora do dia.