As Redes Neurais Artificiais têm sido amplamente utilizadas em sistemas inteligentes capazes de reconhecer padrões complexos em aplicações industriais, médicas e financeiras. Em muitos desses problemas, as relações entre as variáveis não podem ser representadas de forma linear, exigindo arquiteturas computacionais mais sofisticadas. Considere a situação a seguir. Uma empresa do setor automobilístico está desenvolvendo um sistema de visão computacional para identificar falhas em peças metálicas durante a linha de produção. Nos testes iniciais, os engenheiros utilizaram um Perceptron de camada única, porém o sistema apresentou baixa capacidade de classificação quando submetido a imagens com padrões mais complexos e não lineares. Após análise técnica, a equipe decidiu utilizar uma Rede Neural Perceptron Multicamadas (MLP), incorporando novas estruturas entre os dados de entrada e a saída final da rede. A principal vantagem dessa arquitetura está relacionada à existência de: A) menor quantidade de conexões sinápticas em comparação às redes simples. B) camadas intermediárias (ocultas) capazes de extrair características e modelar relações não lineares. C) um único neurônio central responsável por todo o processamento da rede. D) saídas exclusivamente booleanas, independentes de pesos e funções de ativação. E) processamento puramente mecânico, sem necessidade de treinamento computacional.