Questões de Engenharia de Software - Inteligencia Artificial para Concurso

Q4240123

Ano: 2026 Banca: FCC Órgão: TJ-CE Prova: FCC - 2026 - TJ-CE - Analista Judiciário - Área Técnico Administrativa - Especialidade: Sistemas da Informação |

Q4240123 Engenharia de Software

Uma equipe de inovação de um Tribunal de Justiça está desenvolvendo uma solução baseada em Processamento de Linguagem Natural (PLN) para auxiliar magistrados e servidores na análise de documentos processuais. Durante a definição da arquitetura, foram discutidas diferentes formas de utilização do PLN em atividades relacionadas ao tratamento de textos jurídicos. Considerando os fundamentos do Processamento de Linguagem Natural e suas aplicações no contexto jurídico, uma utilização dessa tecnologia é empregar técnicas capazes de identificar padrões linguísticos em documentos jurídicos,

A

dispensando etapas de treinamento ou adaptação dos modelos aos dados utilizados na aplicação.

B

restringindo a análise textual à identificação de termos e relações previamente especificadas para o domínio jurídico.

C

prescindindo da organização prévia dos documentos em estruturas rígidas, convertendo textos não estruturados em representações para análise computacional.

D

substituindo a interpretação contextual dos textos pela aplicação de regras fixas definidas previamente.

E

eliminando ambiguidades semânticas por meio da associação direta entre termos e significados previamente catalogados.

Incorreta. Gabarito oficial da banca:

Veja esse conteúdo explicado passo a passo em nossos cursos. Buscar curso

Parabéns! Você acertou!

Mandou bem! Revise esse tema nos nossos cursos. Buscar curso

Q4240121

Ano: 2026 Banca: FCC Órgão: TJ-CE Prova: FCC - 2026 - TJ-CE - Analista Judiciário - Área Técnico Administrativa - Especialidade: Sistemas da Informação |

Q4240121 Engenharia de Software

Uma equipe de inovação de um órgão público está desenvolvendo um assistente baseado em modelos de linguagem para auxiliar servidores na consulta de atos normativos, resoluções internas e manuais administrativos. Durante os testes, observou-se que o modelo gerava respostas plausíveis, porém ocasionalmente apresentava informações desatualizadas ou não respaldadas pelos documentos institucionais. Para reduzir esse comportamento, foi proposta a adoção da arquitetura Retrieval-Augmented Generation (RAG). Diante dos fundamentos dessa arquitetura, seu objetivo é recuperar documentos potencialmente relevantes durante a consulta,

A

armazenando-os em uma memória persistente para reexecutar o treinamento completo do modelo antes da geração da resposta.

B

associando os documentos recuperados ao contexto da consulta em substituição ao conhecimento dodo modelo.

C

incorporando seu conteúdo ao contexto fornecido ao modelo de linguagem antes da geração da resposta.

D

atualizando os pesos do modelo de linguagem com as informações recuperadas antes da geração da resposta.

E

substituindo a etapa de geração por um mecanismo de busca responsável pela apresentação direta dos trechos encontrados.

Incorreta. Gabarito oficial da banca:

Errou um tema comum da banca? Veja o que mais costuma cair no Raio-X. Ver raio-X

Parabéns! Você acertou!

Essa questão segue o padrão da banca! Veja o que mais costuma cair. Ver raio-X

Q4222040

Ano: 2026 Banca: Rede Sarah Órgão: APS Prova: Rede Sarah - 2026 - APS - Engenheiro de Manutenção - Especialista de Manutenção |

Q4222040 Engenharia de Software

Em um hospital da Rede Sarah, foi implantada uma plataforma de inteligência artificial integrada ao sistema de gestão da manutenção. O sistema passou a:
I. estimar a probabilidade de falha de chillers a partir de dados históricos de operação e monitoramento;
II. identificar automaticamente pontos de corrosão em tubulações por meio da análise de imagens capturadas por drones durante inspeções; e
III. definir diariamente a sequência de atendimento às ordens de serviço, considerando a localização das equipes, a criticidade dos equipamentos e o tempo estimado de deslocamento.
As funcionalidades descritas em I, II e III correspondem, respectivamente, a

A

algoritmos preditivos, visão computacional e otimização de rotas.

B

mineração de dados, internet das coisas (IoT) e computação em nuvem.

C

aprendizado supervisionado, processamento de linguagem natural e georreferenciamento.

D

manutenção baseada em condição, aprendizado não supervisionado e realidade aumentada.

Incorreta. Gabarito oficial da banca:

Errou um tema comum da banca? Veja o que mais costuma cair no Raio-X. Ver raio-X

Parabéns! Você acertou!

Essa questão segue o padrão da banca! Veja o que mais costuma cair. Ver raio-X

Q4218187

Ano: 2026 Banca: FGV Órgão: MPE-ES Prova: FGV - 2026 - MPE-ES - Agente Especializado - Cientista de Dados e Inteligência de Negócios |

Q4218187 Engenharia de Software

No contexto da IA Generativa, assinale a opção que melhor explica o conceito de embedding.

A

Embeddings são os pesos dos modelos de LLM.

B

Embeddings são as representações vetoriais densas.

C

É o processo de transferência de aprendizado em que o modelo de linguagem recebe um novo treinamento sobre o treinamento já existente.

D

É o mecanismo que permite a conexão direta do LLM com bancos de dados relacionais externos, realizando consultas SQL automáticas para atualizar o conhecimento do modelo.

E

É a segmentação do texto bruto em unidades menores, como palavras ou subpalavras, com o objetivo de definir o tamanho da janela de contexto que será processada pelo modelo de linguagem.

Incorreta. Gabarito oficial da banca:

Veja como esse erro impacta seu desempenho geral. Ver estatísticas

Parabéns! Você acertou!

Esse acerto melhora seu desempenho! Veja suas estatísticas

Q4218181

Ano: 2026 Banca: FGV Órgão: MPE-ES Prova: FGV - 2026 - MPE-ES - Agente Especializado - Cientista de Dados e Inteligência de Negócios |

Q4218181 Engenharia de Software

Sobre o treinamento de redes neurais profundas, assinale a opção que indica a principal finalidade da técnica conhecida como dropout.

A

Evitar a explosão de gradientes por meio da limitação do valor dos gradientes durante o treinamento.

B

Reduzir o overfitting por meio da desativação aleatória de neurônios durante o treinamento.

C

Melhorar a generalização do modelo por meio da remoção de partes aleatórias das imagens durante o treino.

D

Acelerar a convergência do modelo por meio da substituição da função de ativação por uma função linear.

E

Otimizar o desempenho do modelo por meio do ajuste automático de hiperparâmetros com base no erro observado.

Incorreta. Gabarito oficial da banca:

Esse erro também aparece no seu Resumão. Veja o que melhorar

Parabéns! Você acertou!

Esse acerto está no seu Resumão. Ver Resumão da semana

Q4213465

Ano: 2026 Banca: Instituto Consulplan Órgão: Prefeitura de Vitória - ES Prova: Instituto Consulplan - 2026 - Prefeitura de Vitória - ES - Analista em Tecnologia da Informação - Infraestrutura e Suporte |

Q4213465 Engenharia de Software

Durante a fase de homologação de um assistente baseado em IA generativa contratado por determinada prefeitura municipal, a ferramenta foi integrada ao portal interno para auxiliar servidores na consulta a normas, procedimentos administrativos e abertura de chamados. Em uma simulação de uso, o assistente informou a um servidor que certo requerimento poderia ser deferido com base em uma portaria revogada e apresentou como vigente um procedimento que não constava na base normativa atualizada. O contrato previa apoio à consulta e organização de informações, mas não autorizava decisão administrativa automatizada nem dispensa de validação humana. Após o registro da ocorrência, a equipe responsável precisou avaliar o episódio sob três perspectivas: gestão do projeto; fiscalização da contratação de TI; e riscos próprios de modelos de linguagem de grande porte. Considerando fundamentos de gerenciamento de projetos, contratação pública de TI e riscos de IA generativa, assinale a providência tecnicamente correta.

A

A ocorrência transfere ao fornecedor a responsabilidade integral pela conformidade da solução, pois a Administração contratou serviço especializado de IA; a fiscalização contratual deve limitar-se à verificação de disponibilidade da plataforma e ao recebimento da ferramenta, cabendo ao usuário final validar o conteúdo antes de utilizar a resposta.

B

A ocorrência deve ser solucionada pela ampliação da capacidade computacional e pela extensão do prazo contratual, pois respostas alucinatórias decorrem principalmente de insuficiência de processamento; nesse caso, a análise de caminho crítico deve priorizar aquisição de infraestrutura, sem necessidade de revisar requisitos funcionais, base normativa ou critérios de medição.

C

A ocorrência caracteriza inconsistência esperada durante a fase de homologação e deve ser aceita como variação normal de desempenho, mantendo-se o cronograma e os critérios de aceite originalmente definidos; em projetos com IA generativa, a EAP deve concentrar-se na implantação técnica, deixando validação jurídica, qualidade das respostas e riscos de alucinação para a etapa posterior de operação assistida.

D

A ocorrência deve ser registrada como limitação típica de LLMs e tratada na matriz de riscos do projeto e da contratação, com revisão dos requisitos, critérios de aceite, controles de validação humana, registros de auditoria, base de conhecimento utilizada e indicadores de qualidade das respostas; a fiscalização contratual deve acompanhar as correções e verificar se a entrega continua aderente ao objeto contratado.

Incorreta. Gabarito oficial da banca:

Errou um tema comum da banca? Veja o que mais costuma cair no Raio-X. Ver raio-X

Parabéns! Você acertou!

Essa questão segue o padrão da banca! Veja o que mais costuma cair. Ver raio-X

Q4202321

Ano: 2026 Banca: FUNDATEC Órgão: Prefeitura de Caxias do Sul - RS Prova: FUNDATEC - 2026 - Prefeitura de Caxias do Sul - RS - Auditor Fiscal da Receita Municipal - Bloco 2 |

Q4202321 Engenharia de Software

O clustering (agrupamento) é uma técnica de aprendizado de máquina usada para agrupar objetos, dados e observações com base em semelhanças e padrões, sendo classificada como um tipo de aprendizado:

A

Por reforço.

B

Não supervisionado.

C

Supervisionado.

D

Semissupervisionado.

Incorreta. Gabarito oficial da banca:

Errou um tema comum da banca? Veja o que mais costuma cair no Raio-X. Ver raio-X

Parabéns! Você acertou!

Essa questão segue o padrão da banca! Veja o que mais costuma cair. Ver raio-X

Q4193530

Ano: 2026 Banca: UFU-MG Órgão: UFU-MG Prova: UFU-MG - 2026 - UFU-MG - Técnico de Tecnologia da Informação |

Q4193530 Engenharia de Software

A convergência entre a inteligência artificial (IA) e as plataformas de integração tem sido fundamental para a automação de processos e a agilidade no desenvolvimento de soluções. Diante desse cenário, analise as asserções.

I. O MCP (Model Context Protocol) estabelece um padrão aberto de modelo capaz de sugerir trechos de código e funções completas. O MCP atua de forma consultiva na resolução de dúvidas e no suporte a fluxos rotineiros, como a geração de testes unitários, a depuração de sistemas e a análise de perfil.
II. O protocolo MCP (Model Context Protocol) é um padrão aberto que permite que os modelos de IA interajam com ferramentas e serviços externos por meio de uma interface unificada, proporcionando otimização do desenvolvimento de sistemas e na automação de fluxos de trabalho.
III. O MCP (Model Context Protocol) estabelece um padrão de segurança e conformidade para o desenvolvimento de LLMs (modelos de linguagem de grande porte), assegurando a interoperabilidade técnica para a integração desses modelos em cenários de alta complexidade.
IV. Agentes de IA acoplados à IDE (Integrated Development Environment) transformam requisitos de alto nível, descritos em linguagem natural, em ações concretas na base de código. O agente orquestra desde o planejamento e edição de scripts até a execução de comandos de terminal e integração de ferramentas.

Assinale a alternativa que apresenta apenas asserções corretas.

A

I e II

B

I e III

C

II e IV

D

III e IV

Incorreta. Gabarito oficial da banca:

Treine mais com um simulado focado no seu concurso. Criar simulado

Parabéns! Você acertou!

Está mandando bem! Treine mais em um simulado completo. Criar simulado

Q4181547

Ano: 2026 Banca: FGV Órgão: TJ-RJ Prova: FGV - 2026 - TJ-RJ - Analista Judiciário - Tecnologia da Informação - Engenheiro de Dados |

Q4181547 Engenharia de Software

Uma fintech desenvolveu um pipeline ponta a ponta (end-to-end) de machine learning para detecção de fraudes em transações financeiras. O pipeline inclui as seguintes etapas:

(1) ingestão de dados em tempo real via streaming;
(2) feature engineering com agregações temporais (médias móveis de 7 e 30 dias);
(3) predição usando um modelo de gradient boosting;
(4) deployment em arquitetura de microsserviços.

Após três meses em produção, o time de MLOps observou degradação gradual no F1-score de 0.89 para 0.72, enquanto o monitoramento revelou que as distribuições das features agregadas apresentavam mudanças estatisticamente significativas (p < 0.01 no teste de Kolmogorov-Smirnov), embora as features brutas individuais permanecessem estáveis.

Considerando as melhores práticas de pipelines de ML em produção e estratégias de deployment, a equipe deve:

A

descartar as features agregadas temporais do pipeline, pois são a causa do data drift observado, e retreinar o modelo usando apenas as features brutas individuais que permaneceram estáveis;

B

implementar apenas alertas de monitoramento mais sensíveis para detectar drift precocemente, mantendo o pipeline atual inalterado, pois o F1-score de 0.72 ainda é considerado aceitável para aplicações de detecção de fraudes em produção;

C

adotar estratégia de deployment blue-green para testar um novo modelo treinado com dados recentes em paralelo com o modelo atual, direcionando gradualmente o tráfego para o novo modelo enquanto monitora métricas de desempenho e features drift;

D

implementar um sistema de retreinamento automático com janela deslizante que periodicamente atualiza o modelo com dados recentes, mantendo as features agregadas mas recalculando-as sobre períodos mais curtos para reduzir latência conceitual;

E

aumentar a complexidade do modelo substituindo gradient boosting por deep learning com redes neurais recorrentes, pois modelos mais complexos são mais robustos a drift e podem capturar padrões temporais automaticamente sem feature engineering.

Incorreta. Gabarito oficial da banca:

Veja esse conteúdo explicado passo a passo em nossos cursos. Buscar curso

Parabéns! Você acertou!

Mandou bem! Revise esse tema nos nossos cursos. Buscar curso

Q4181545

Ano: 2026 Banca: FGV Órgão: TJ-RJ Prova: FGV - 2026 - TJ-RJ - Analista Judiciário - Tecnologia da Informação - Engenheiro de Dados |

Q4181545 Engenharia de Software

O desempenho de modelos de aprendizado de máquina está intrinsecamente relacionado ao equilíbrio entre viés e variância. Modelos com alto viés tendem a simplificar excessivamente o problema, resultando em subajuste (underfitting), enquanto modelos com alta variância podem capturar ruído nos dados de treinamento, levando ao sobreajuste (overfitting). Para mitigar esses problemas, diversas técnicas de regularização podem ser empregadas, ajustando a complexidade do modelo e melhorando sua capacidade de generalização.

Considerando os conceitos de compensação viés-variância, sobreajuste, subajuste e técnicas de regularização, é correto afirmar que:

A

o aumento do parâmetro de regularização (lambda ou alpha) reduz o viés do modelo ao permitir que ele capture padrões mais complexos, sendo recomendado para corrigir problemas de underfitting em redes neurais profundas;

B

a regularização L1 (Lasso) e a regularização L2 (Ridge) produzem resultados idênticos em termos de seleção de features, diferindo apenas na velocidade de convergência do algoritmo de otimização durante o treinamento;

C

a validação cruzada (cross-validation) é uma técnica de regularização que modifica a função de perda adicionando um termo de penalização aos coeficientes do modelo, reduzindo assim a variância sem alterar o viés;

D

modelos com sobreajuste apresentam alto viés e baixa variância, razão pela qual técnicas de regularização são aplicadas para aumentar a complexidade do modelo e melhorar seu desempenho no conjunto de treinamento;

E

o aumento do parâmetro de regularização (lambda ou alpha) em modelos regularizados reduz a complexidade efetiva do modelo, aumentando o viés e reduzindo a variância, sendo uma estratégia eficaz contra overfitting, mas que pode levar a underfitting se aplicado excessivamente.

Incorreta. Gabarito oficial da banca:

Errou um tema comum da banca? Veja o que mais costuma cair no Raio-X. Ver raio-X

Parabéns! Você acertou!

Essa questão segue o padrão da banca! Veja o que mais costuma cair. Ver raio-X

Q4104671

Ano: 2026 Banca: FCC Órgão: MPE-AL Prova: FCC - 2026 - MPE-AL - Analista do Ministério Público - Especialidade: Desenvolvimento de Sistemas |

Q4104671 Engenharia de Software

Uma Secretaria Estadual de Saúde implantou um sistema de apoio à decisão para triagem automática da prioridade das solicitações de exames especializados recebidas por meio do portal eletrônico do cidadão. A base histórica disponível contém milhares de solicitações já analisadas por médicos reguladores, devidamente rotuladas conforme o grau de prioridade atribuído à época. A equipe técnica pretende desenvolver automaticamente a categoria de novos solicitações, reduzindo o tempo de resposta e aumentando a eficiência e assertividade da urgência no contexto de atendimento público.

Diante dos fundamentos de Inteligência Artificial e Aprendizado de Máquina, a abordagem adequada para resolver o problema descrito é

A

treinar um modelo de classificação supervisionada utilizando os dados históricos rotulados para prever a categoria de prioridade das novas solicitações.

B

aplicar um método de redução de dimensionalidade para identificar padrões ocultos e, isoladamente, determinar a prioridade do atendimento.

C

aplicar um algoritmo de clusterização não supervisionada para agrupar solicitações semelhantes e, posteriormente, definir manualmente as prioridades.

D

utilizar um modelo de regressão linear para estimar o tempo de espera do paciente e, a partir disso, inferir a prioridade emergente.

E

empregar técnicas de aprendizado por reforço para que o sistema aprenda a priorizar casos com base em recompensas associadas ao tempo de atendimento.

Incorreta. Gabarito oficial da banca:

Errou um tema comum da banca? Veja o que mais costuma cair no Raio-X. Ver raio-X

Parabéns! Você acertou!

Essa questão segue o padrão da banca! Veja o que mais costuma cair. Ver raio-X

Q4088847

Ano: 2026 Banca: FGV Órgão: TCE-SC Prova: FGV - 2026 - TCE-SC - Auditor Fiscal de Controle Externo - Direito |

Q4088847 Engenharia de Software

O TCE-SC desenvolveu um modelo de IA para detectar fraudes em licitações. Durante o treinamento, o modelo apresentou 99% de acerto na base de dados histórica, mas, ao ser aplicado em dados novos de 2026, a precisão caiu para 55%.
Esse fenômeno técnico, no qual o modelo decora os dados de treinamento mas falha em generalizar para dados novos, é conhecido como

A

Underfitting.

B

Overfitting.

C

Normalização de Dados.

D

Aprendizado não supervisionado.

E

Regressão Logística.

Incorreta. Gabarito oficial da banca:

Salve essa questão em um caderno para revisar depois. Adicionar a um caderno

Parabéns! Você acertou!

Mantenha o ritmo! Salve no caderno para revisar depois. Adicionar a um caderno

Q4088604

Ano: 2026 Banca: FGV Órgão: TCE-SC Prova: FGV - 2026 - TCE-SC - Auditor Fiscal de Controle Externo - Ciências da Computação, Sistemas de Informação, Engenharia de Computação e Engenharia de Software |

Q4088604 Engenharia de Software

O TCE-SC está a implementar um assistente virtual para auxiliar os auditores na consulta de normas jurídicas complexas. Para evitar alucinações do modelo de linguagem (LLM) e garantir que as respostas sejam baseadas estritamente no repositório de resoluções do Tribunal, a equipe técnica optou pela arquitetura Retrieval-Augmented Generation (RAG).
No fluxo de funcionamento de um sistema RAG, o papel fundamental do Vector Database é

A

armazenar as representações matemáticas dos documentos para permitir a busca por similaridade semântica.

B

realizar a tradução juramentada dos termos técnicos para linguagem natural.

C

armazenar o código-fonte do modelo pré-treinado para ajuste fino.

D

substituir completamente o LLM na geração do texto final da resposta.

E

gerir o histórico de conversas do usuário em formato de texto estruturado JSON.

Incorreta. Gabarito oficial da banca:

Esse erro também aparece no seu Resumão. Veja o que melhorar

Parabéns! Você acertou!

Esse acerto está no seu Resumão. Ver Resumão da semana

Q3978273

Ano: 2026 Banca: CESPE / CEBRASPE Órgão: SEDUC-PI Prova: CESPE / CEBRASPE - 2026 - SEDUC-PI - Professor da Educação Básica - Disciplina: Informática |

Q3978273 Engenharia de Software

Durante uma aula de cultura digital, os alunos utilizaram uma IA generativa para criar imagens com o seguinte comando: uma pessoa liderando uma reunião de negócios. A constatação dos alunos foi de que 90% dos resultados retratavam homens brancos. O professor, então, decide promover o uso crítico da informação e explicar a origem desse viés algorítmico.

Com base nessa situação hipotética, assinale a opção que apresenta uma explicação correta dada pelo professor.

A

O resultado caracteriza um deepfake estatístico, pois a IA generativa tende a sofrer alucinações que distorcem a realidade social representada nas imagens produzidas.

B

A tecnologia opera com neutralidade matemática, refletindo fielmente a estatística atual do mercado de trabalho global.

C

A natureza aleatória do funcionamento do algoritmo causou o padrão, pois, diante de comandos genéricos, o sistema realiza um sorteio imparcial de imagens do banco de dados.

D

Os modelos de IA reproduzem padrões e estereótipos presentes nos bancos de dados (datasets) massivos usados em seu treinamento.

E

As ferramentas de IA têm por padrão oferecer resultados técnicos, sem fazer juízo de valor sobre diretrizes de ética e inclusão.

Incorreta. Gabarito oficial da banca:

Treine mais com um simulado focado no seu concurso. Criar simulado

Parabéns! Você acertou!

Está mandando bem! Treine mais em um simulado completo. Criar simulado

Q3973779

Ano: 2026 Banca: CESPE / CEBRASPE Órgão: IPAAM Prova: CESPE / CEBRASPE - 2026 - IPAAM - Analista Ambiental – Especialidade: Análise de Sistemas |

Q3973779 Engenharia de Software

No IPAAM, analistas ambientais desenvolvem um sistema para análise preditiva de desmatamento na Amazônia, utilizando técnicas de aprendizado de máquina. Nesse contexto, o modelo treinado classifica áreas de floresta como suscetíveis ou não a degradação, com base em dados geoespaciais e históricos.
No processo de treinamento do modelo de classificação, o método utilizado para ajustar os parâmetros e minimizar erros de predição envolve

A

treinamento iterativo em todo o dataset, sem conjunto de validação separado para otimização.

B

separação estratificada dos dados, garantindo-se equilíbrio de classes apenas no conjunto de teste.

C

aplicação de validação cruzada k-fold adaptada para séries temporais, preservando-se dependência sequencial.

D

divisão aleatória dos dados em grupos para validação cruzada, sem se considerar ordem temporal.

E

uso exclusivo de divisão treino/teste com proporção fixa 80/20, ignorando-se validação intermediária.

Incorreta. Gabarito oficial da banca:

Treine mais com um simulado focado no seu concurso. Criar simulado

Parabéns! Você acertou!

Está mandando bem! Treine mais em um simulado completo. Criar simulado

Q3972258

Ano: 2026 Banca: IDECAN Órgão: PC-SC Prova: IDECAN - 2026 - PC-SC - Agente de Polícia Civil |

Q3972258 Engenharia de Software

Em um relatório elaborado por uma unidade de análise, um agente cruza registros de ligações telefônicas, dados de localização de dispositivos móveis e históricos de antecedentes criminais, identificando padrões que permitem antecipar a ocorrência de novos delitos em determinada região. A alternativa que corretamente descreve o produto final desse processo analítico é:

A

Metadado.

B

Dado.

C

Informação.

D

Inteligência.

E

Conhecimento.

Incorreta. Gabarito oficial da banca:

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

Parabéns! Você acertou!

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

Q3926898

Ano: 2026 Banca: FCC Órgão: SEFAZ-SP Prova: FCC - 2026 - SEFAZ-SP - Auditor Fiscal da Receita Estadual - AFRE - Tecnologia da Informação e Comunicação - Conhecimentos Especificos (P3) |

Q3926898 Engenharia de Software

Uma Secretaria da Fazenda pretende, ao mesmo tempo:

I. prever o valor de arrecadação mensal de ICMS para os próximos meses;
II. classificar cada declaração de contribuinte em “alto risco” ou “baixo risco” para fins de seleção de auditoria.

Considerando os tipos de modelos de aprendizado de maquina, a combinação de tarefas que está conceitualmente alinhada com esses objetivos é:

A

I - Classificação supervisionada; II - Regressão supervisionada.

B

I - Regressão supervisionada; II - Classificação supervisionada.

C

I - Clustering; II - Regressão supervisionada.

D

I - Regressão não supervisionada; II - Classificação não supervisionada.

E

I - Principal Component Analysis (PCA); II - Rede neural não supervisionada.

Incorreta. Gabarito oficial da banca:

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

Parabéns! Você acertou!

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

Q3922604

Ano: 2026 Banca: FCPC Órgão: UFCA Prova: FCPC - 2026 - UFCA - Analista de Tecnologia da Informação / Área: Arquitetura e Desenvolvimento de Sistemas – Back-End |

Q3922604 Engenharia de Software

Em alguns sistemas de IA, o modelo aprende a escolher ações a partir da experiência, recebendo feedback quantitativo após cada interação, ajustando sua política de decisão ao longo do tempo, sem depender de dados rotulados previamente.
Esse paradigma de aprendizado de máquina é conhecido como:

A

Aprendizado generativo.

B

Aprendizado por reforço.

C

Aprendizado supervisionado.

D

Aprendizado não supervisionado.

Incorreta. Gabarito oficial da banca:

Salve essa questão em um caderno para revisar depois. Adicionar a um caderno

Parabéns! Você acertou!

Mantenha o ritmo! Salve no caderno para revisar depois. Adicionar a um caderno

Q3922597

Ano: 2026 Banca: FCPC Órgão: UFCA Prova: FCPC - 2026 - UFCA - Analista de Tecnologia da Informação / Área: Arquitetura e Desenvolvimento de Sistemas – Back-End |

Q3922597 Engenharia de Software

Redes neurais profundas e modelos de linguagem de grande escala (LLMs) representam avanços significativos no campo da inteligência artificial, sendo empregados em diferentes tipos de aplicações computacionais. Considerando as características estruturais e funcionais dessas abordagens, assinale a alternativa correta.

A

O deep learning refere-se a modelos estatísticos lineares aprimorados, que não dependem de aprendizado de representações hierárquicas.

B

Redes neurais profundas distinguem-se das redes rasas apenas pelo tamanho do conjunto de dados de treinamento, mantendo a mesma quantidade de camadas internas.

C

Modelos de linguagem de grande escala são implementados com redes neurais profundas, como arquiteturas baseadas em transformadores, capazes de aprender representações distribuídas de sequências textuais.

D

Nos modelos de linguagem de grande escala, os tokens são mapeados para embeddings semânticos estáticos e independentes de contexto, os quais são combinados segundo regras linguísticas explícitas para produzir a interpretação do texto.

Incorreta. Gabarito oficial da banca:

Salve essa questão em um caderno para revisar depois. Adicionar a um caderno

Parabéns! Você acertou!

Mantenha o ritmo! Salve no caderno para revisar depois. Adicionar a um caderno

Q3882858

Ano: 2026 Banca: FGV Órgão: AL-RO Prova: FGV - 2026 - AL-RO - Analista Legislativo (Engenharia de Computação) |

Q3882858 Engenharia de Software

Após treinar um modelo de Deep Learning para classificar documentos sigilosos versus documentos públicos, o Engenheiro da Computação precisa avaliar o desempenho do modelo. O custo de classificar erroneamente um documento sigiloso como público (Falso Negativo) é muito maior do que o custo de classificar um documento público como sigiloso (Falso Positivo).

A métrica de classificação mais crítica a ser maximizada nesse cenário de alto custo de Falsos Negativos é a(o)

A

Accuracy.

B

Recall.

C

Especificidade.

D

F1-Score.

E

Precision.

Incorreta. Gabarito oficial da banca:

Salve essa questão em um caderno para revisar depois. Adicionar a um caderno

Parabéns! Você acertou!

Mantenha o ritmo! Salve no caderno para revisar depois. Adicionar a um caderno

Questões de Concurso Comentadas sobre inteligencia artificial em engenharia de software

Foram encontradas 651 questões