Questões de Concurso
Sobre inteligencia artificial em engenharia de software
Foram encontradas 537 questões
Ano: 2024
Banca:
CESPE / CEBRASPE
Órgão:
ANATEL
Prova:
CESPE / CEBRASPE - 2024 - ANATEL - Especialista em Regulação de Serviços Públicos de Telecomunicações – Especialidade: Ciências de Dados |
Q3022073
Engenharia de Software
A respeito de KNN (k-nearest neighbours), SVM (support vector machines), deep learning e técnicas de agrupamento, julgue o item a seguir.
O SVM classifica os dados encontrando uma linha ou
hiperplano ideal; essa linha de separação é encontrada entre
duas classes distintas pela análise dos dois pontos, um de
cada grupo, mais próximos da outra classe.
Ano: 2024
Banca:
CESPE / CEBRASPE
Órgão:
ANATEL
Prova:
CESPE / CEBRASPE - 2024 - ANATEL - Especialista em Regulação de Serviços Públicos de Telecomunicações – Especialidade: Ciências de Dados |
Q3022072
Engenharia de Software
A respeito de KNN (k-nearest neighbours), SVM (support vector machines), deep learning e técnicas de agrupamento, julgue o item a seguir.
Uma das formas de se realizar um agrupamento é por meio
de técnicas de agrupamento baseadas em hierarquia, em que
se pode criar estrutura hierárquica de acordo com a
proximidade entre os indivíduos, o que resulta em uma
árvore binária.
Ano: 2024
Banca:
CESPE / CEBRASPE
Órgão:
ANATEL
Prova:
CESPE / CEBRASPE - 2024 - ANATEL - Especialista em Regulação de Serviços Públicos de Telecomunicações – Especialidade: Ciências de Dados |
Q3022071
Engenharia de Software
A respeito de KNN (k-nearest neighbours), SVM (support vector machines), deep learning e técnicas de agrupamento, julgue o item a seguir.
SVM é um algoritmo de aprendizado de máquina
supervisionado que pode ser usado para desafios de
classificação ou regressão.
Ano: 2024
Banca:
CESPE / CEBRASPE
Órgão:
ANATEL
Prova:
CESPE / CEBRASPE - 2024 - ANATEL - Especialista em Regulação de Serviços Públicos de Telecomunicações – Especialidade: Ciências de Dados |
Q3022070
Engenharia de Software
A respeito de KNN (k-nearest neighbours), SVM (support vector machines), deep learning e técnicas de agrupamento, julgue o item a seguir.
KNN é um algoritmo de aprendizado supervisionado não
paramétrico que não pode ser utilizado em problemas de
classificação, uma vez que seu objetivo é prever valores
numéricos e não valores categóricos.
Ano: 2024
Banca:
CESPE / CEBRASPE
Órgão:
ANATEL
Prova:
CESPE / CEBRASPE - 2024 - ANATEL - Especialista em Regulação de Serviços Públicos de Telecomunicações – Especialidade: Ciências de Dados |
Q3022069
Engenharia de Software
A respeito de KNN (k-nearest neighbours), SVM (support vector machines), deep learning e técnicas de agrupamento, julgue o item a seguir.
Deep learning é um tipo de aprendizado de máquina que usa
redes neurais artificiais para permitir que sistemas digitais
aprendam e tomem decisões com base em dados não
estruturados e não rotulados.
Ano: 2024
Banca:
CESPE / CEBRASPE
Órgão:
TCE-PR
Prova:
CESPE / CEBRASPE - 2024 - TCE-PR - Auditor de Controle Externo – Área: Informática |
Q3011936
Engenharia de Software
Assinale a opção em que é corretamente apresentado o método de aprendizagem de máquina em que o algoritmo tem a capacidade de selecionar quais dados serão utilizados para o treinamento.
Ano: 2024
Banca:
CESPE / CEBRASPE
Órgão:
TCE-PR
Prova:
CESPE / CEBRASPE - 2024 - TCE-PR - Auditor de Controle Externo – Área: Informática |
Q3011935
Engenharia de Software
No processo de classificação do aprendizado de máquina, a etapa que inicia o processo é conhecida como
Ano: 2024
Banca:
FGV
Órgão:
EPE
Prova:
FGV - 2024 - EPE - Analista de Gestão Corporativa - Tecnologia da Informação (Ciência de Dados) |
Q2847417
Engenharia de Software
O treinamento em redes neurais artificiais é, essencialmente, um
problema de otimização, em que se busca minimizar o erro entre
as predições do modelo neural e os valores alvo preexistentes no
conjunto de dados de treinamento.
Com respeito aos métodos relacionados à otimização de parâmetros em redes neurais artificiais, analise as afirmativas a seguir.
I. No algoritmo backpropagation, a aplicação da regra da cadeia é fundamental para o cálculo dos gradientes dos erros com respeito aos pesos (parâmetros) da rede neural artificial.
II. O método do gradiente (também chamado de método do máximo declive ou Gradient Descent – GD) escolhe aleatoriamente um pequeno número de instâncias de dados de treinamento a cada passo, aumentando a velocidade inicial de minimização das métricas de erro.
III. As técnicas de regularização L1 (Lasso) e L2 (Ridge) podem ser utilizadas para mitigar problemas relacionados a inicialização indevida de pesos (parâmetros) em redes neurais.
Está correto o que se afirma em
Com respeito aos métodos relacionados à otimização de parâmetros em redes neurais artificiais, analise as afirmativas a seguir.
I. No algoritmo backpropagation, a aplicação da regra da cadeia é fundamental para o cálculo dos gradientes dos erros com respeito aos pesos (parâmetros) da rede neural artificial.
II. O método do gradiente (também chamado de método do máximo declive ou Gradient Descent – GD) escolhe aleatoriamente um pequeno número de instâncias de dados de treinamento a cada passo, aumentando a velocidade inicial de minimização das métricas de erro.
III. As técnicas de regularização L1 (Lasso) e L2 (Ridge) podem ser utilizadas para mitigar problemas relacionados a inicialização indevida de pesos (parâmetros) em redes neurais.
Está correto o que se afirma em
Ano: 2024
Banca:
FGV
Órgão:
EPE
Prova:
FGV - 2024 - EPE - Analista de Gestão Corporativa - Tecnologia da Informação (Ciência de Dados) |
Q2847411
Engenharia de Software
As técnicas de aprendizado supervisionado estão baseadas na
determinação de modelos capazes de otimizar o mapeamento
entre entradas e saídas de um conjunto de dados. Por vezes, o
processo de treinamento pode gerar modelos muito complexos
que “aprendem” o ruído existente nos conjuntos de dados,
caracterizando o fenômeno de sobreajuste ou overfitting.
Um método que pode ajudar a mitigar a ocorrência do overfitting consiste em
I. dividir o conjunto de dados em k partes;
II. utilizar uma das partes para teste e as outras k-1 para treinamento;
III. repetir o processo para cada uma das k partes do conjunto de dados; e
IV. avaliar a média das métricas de performance para o modelo.
O método acima é chamado de
Um método que pode ajudar a mitigar a ocorrência do overfitting consiste em
I. dividir o conjunto de dados em k partes;
II. utilizar uma das partes para teste e as outras k-1 para treinamento;
III. repetir o processo para cada uma das k partes do conjunto de dados; e
IV. avaliar a média das métricas de performance para o modelo.
O método acima é chamado de
Ano: 2024
Banca:
FGV
Órgão:
EPE
Prova:
FGV - 2024 - EPE - Analista de Gestão Corporativa - Tecnologia da Informação (Ciência de Dados) |
Q2847390
Engenharia de Software
Há uma família de modelos de IA generativa que tem dois modelos
treinados em conjunto: o gerador e o discriminador.
O gerador tenta criar dados falsos que sejam indistinguíveis dos dados reais, enquanto que o discriminador tenta distinguir entre dados reais e falsos. O treinamento é um jogo min-max, em que o gerador melhora suas habilidades para enganar o discriminador, e o discriminador melhora suas habilidades para detectar dados falsos.
Assinale a opção que apresenta as características do modelo de IA generativa descritas no texto.
O gerador tenta criar dados falsos que sejam indistinguíveis dos dados reais, enquanto que o discriminador tenta distinguir entre dados reais e falsos. O treinamento é um jogo min-max, em que o gerador melhora suas habilidades para enganar o discriminador, e o discriminador melhora suas habilidades para detectar dados falsos.
Assinale a opção que apresenta as características do modelo de IA generativa descritas no texto.
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área de Informática - Web Design |
Q2745884
Engenharia de Software
O uso de Inteligência Artificial generativa é de grande utilidade
para desenvolvedores web, por permitir a criação rápida de
ilustrações e gráficos de alta qualidade. Por exemplo, uma das
ferramentas mais populares atualmente é a aplicação Crayion,
anteriormente conhecida como DALL-E mini, por ser uma
ferramenta de acesso livre com interface amigável. No entanto,
essas ferramentas podem frustrar os usuários por apresentarem
limitações que inviabilizam o uso dos elementos visuais criados a
partir de seus resultados.
A respeito das tendências no uso de IA generativa em design
web, avalie as afirmativas a seguir:
I. Há limitações éticas relacionadas à reprodução de potenciais vieses discriminatórios, provenientes das bases de dados de treinamento das redes generativas.
II. Sua principal vantagem consiste na eliminação de elementos de propriedade intelectual protegida nas imagens geradas, garantindo aos desenvolvedores a não-obrigatoriedade de pagamentos de direitos autorais.
III. Há preocupações com relação à geração de imagens extremamente realistas e com o potencial uso dos chamados “deepfakes” em campanhas de desinformação.
Está correto o que se afirma em
I. Há limitações éticas relacionadas à reprodução de potenciais vieses discriminatórios, provenientes das bases de dados de treinamento das redes generativas.
II. Sua principal vantagem consiste na eliminação de elementos de propriedade intelectual protegida nas imagens geradas, garantindo aos desenvolvedores a não-obrigatoriedade de pagamentos de direitos autorais.
III. Há preocupações com relação à geração de imagens extremamente realistas e com o potencial uso dos chamados “deepfakes” em campanhas de desinformação.
Está correto o que se afirma em
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área de Informática - Web Design |
Q2745883
Engenharia de Software
Diversas ferramentas de IA generativa têm sido utilizadas em
desenvolvimento web, com foco especial na personalização de
experiências do usuário. Em geral, a personalização de
experiências se baseia no processamento de dados coletados dos
usuários.
A respeito dos benefícios relacionados ao uso de técnicas de IA generativa para personalização das experiências dos usuários, avalie as afirmativas a seguir:
I. Os usuários tendem, predominantemente, a se sentir mais valorizados ao receberem conteúdos alinhados a suas preferências e necessidades.
II. Os usuários tendem, predominantemente, a se sentir mais seguros com relação à proteção e à utilização ética e moralmente correta de seus dados privados.
III. Os usuários podem receber conteúdos dinâmicos, mais adequados às configurações de seus dispositivos.
Está correto o que se afirma em
A respeito dos benefícios relacionados ao uso de técnicas de IA generativa para personalização das experiências dos usuários, avalie as afirmativas a seguir:
I. Os usuários tendem, predominantemente, a se sentir mais valorizados ao receberem conteúdos alinhados a suas preferências e necessidades.
II. Os usuários tendem, predominantemente, a se sentir mais seguros com relação à proteção e à utilização ética e moralmente correta de seus dados privados.
III. Os usuários podem receber conteúdos dinâmicos, mais adequados às configurações de seus dispositivos.
Está correto o que se afirma em
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área de Informática - Analista de Sistemas |
Q2705526
Engenharia de Software
O desenvolvimento de algoritmos de Inteligência Artificial
generativa está relacionado a aspectos éticos com impactos
sociais, culturais e econômicos. Entre as diretrizes presentes em
diversos instrumentos regulatórios relacionados à IA generativa,
destaca-se a priorização de abordagens considerando os aspectos
que formam a matriz FAT.
O acrônimo FAT é formado pelos seguintes princípios éticos relacionados ao desenvolvimento de algoritmos:
O acrônimo FAT é formado pelos seguintes princípios éticos relacionados ao desenvolvimento de algoritmos:
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área de Informática - Analista de Sistemas |
Q2705525
Engenharia de Software
O campo da inteligência artificial generativa é dedicado ao
desenvolvimento de algoritmos capazes de gerar novas instâncias
de dados. Suas aplicações incluem, por exemplo, a criação de
textos, imagens, áudio e vídeo. As redes generativas adversárias
(Generative Adversarial Networks – GANs) são um exemplo de IA
generativa que possuem arquitetura baseada em duas redes,
chamadas geradora e discriminadora, que competem entre si.
Um dos principais problemas das GANs ocorre quando a rede geradora produz apenas uma quantidade limitada de tipos de dados, mesmo que seus dados de treinamento sejam mais ricos e diversificados. Isso ocorre porque a rede geradora consegue “enganar” a rede discriminadora mais facilmente quando dados daqueles tipos específicos são produzidos.
A esse fenômeno dá-se o nome de
Um dos principais problemas das GANs ocorre quando a rede geradora produz apenas uma quantidade limitada de tipos de dados, mesmo que seus dados de treinamento sejam mais ricos e diversificados. Isso ocorre porque a rede geradora consegue “enganar” a rede discriminadora mais facilmente quando dados daqueles tipos específicos são produzidos.
A esse fenômeno dá-se o nome de
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área de Informática - Analista de Sistemas |
Q2705524
Engenharia de Software
Em processamento de linguagem natural (Natural Language
Processing - NLP), é fundamental que sejam utilizadas técnicas
para representar palavras numericamente como vetores.
As representações numéricas são importantes para capturar
relações semânticas entre as palavras, permitindo, por exemplo,
processamentos para a detecção de similaridades entre palavras
e o desenvolvimento de chatbots.
Entre as técnicas de NLP para a representação numérica de palavras destacam-se as seguintes:
Entre as técnicas de NLP para a representação numérica de palavras destacam-se as seguintes:
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área de Informática - Analista de Sistemas |
Q2705523
Engenharia de Software
Alguns dos primeiros modelos de linguagem de larga escala
desenvolvidos tendiam a gerar resultados incorretos com excesso
de confiança, caracterizando o que se convencionou chamar de
alucinações dos modelos. Uma estratégia de mitigação das
alucinações é o uso da técnica de Geração Aumentada por
Recuperação, ou Retrieval-Augmented Generation (RAG).
A respeito da RAG, avalie as afirmativas a seguir.
I. Baseia-se na combinação de sistemas de recuperação de informações e de modelos generativos capazes de produzir novos textos.
II. Permite aos modelos buscarem informações relevantes em bases de dados mais confiáveis durante o processamento das consultas dos usuários (user queries), viabilizando melhor adequação a contextos e melhor qualidade das respostas.
III. Não altera os parâmetros dos modelos generativos, e, portanto, não influencia o treinamento das redes neurais com informações recuperadas de bases de dados externas.
Está correto o que se afirma em
A respeito da RAG, avalie as afirmativas a seguir.
I. Baseia-se na combinação de sistemas de recuperação de informações e de modelos generativos capazes de produzir novos textos.
II. Permite aos modelos buscarem informações relevantes em bases de dados mais confiáveis durante o processamento das consultas dos usuários (user queries), viabilizando melhor adequação a contextos e melhor qualidade das respostas.
III. Não altera os parâmetros dos modelos generativos, e, portanto, não influencia o treinamento das redes neurais com informações recuperadas de bases de dados externas.
Está correto o que se afirma em
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área de Informática - Analista de Sistemas |
Q2705522
Engenharia de Software
As arquiteturas de modelos de linguagem de larga escala (Large
Language Models – LLM) surgiram recentemente, revolucionando
a área de inteligência artificial nas áreas de processamento e
geração de texto. A arquitetura desses modelos baseia-se,
majoritariamente, nas redes neurais do tipo transformers.
Relacione as arquiteturas a seguir as suas características principais.
1. BERT
2. GPT
3. T5
( ) Utiliza decoders das redes transformer para prever novos tokens a partir de uma sequência, tornando-se ideal para a geração de textos.
( ) Utiliza encoders das redes transformer para "entender" o contexto de frases, tornando-se ideal para classificação de textos.
( ) Utiliza encoders e decoders das redes transformer, sendo adaptável a situações em que seja necessário gerar novos textos ou processar textos para "entender" o contexto das frases.
( ) Em comparação com as outras arquiteturas, tem menor necessidade de fine-tuning para melhora de performance.
A relação correta, na ordem apresentada, é
Relacione as arquiteturas a seguir as suas características principais.
1. BERT
2. GPT
3. T5
( ) Utiliza decoders das redes transformer para prever novos tokens a partir de uma sequência, tornando-se ideal para a geração de textos.
( ) Utiliza encoders das redes transformer para "entender" o contexto de frases, tornando-se ideal para classificação de textos.
( ) Utiliza encoders e decoders das redes transformer, sendo adaptável a situações em que seja necessário gerar novos textos ou processar textos para "entender" o contexto das frases.
( ) Em comparação com as outras arquiteturas, tem menor necessidade de fine-tuning para melhora de performance.
A relação correta, na ordem apresentada, é
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área de Informática - Analista de Sistemas |
Q2705521
Engenharia de Software
Alguns algoritmos de aprendizado de máquina servem para
agrupar instâncias de dados em clusters, podendo ser utilizados
para tarefas como segmentação de imagens, ou segmentação
social (por exemplo, para agrupamento de clientes em uma
mesma categoria.
Dois dos mais populares algoritmos são o K-means e o DBSCAN. A respeito desses algoritmos, relacione-os com suas principais características:
1. K-means
2. DBSCAN
( ) Precisa da definição de um número inicial de agrupamentos.
( ) Mais robusto à ocorrência de outliers, por sua provável localização em regiões de baixa densidade de dados.
( ) Precisa da definição do número mínimo de vizinhos e do raio da vizinhança para determinar limites dos agrupamentos.
( ) Determina centróides dos agrupamentos e agrupa as instâncias de dados em função de uma métrica de distância entre as instâncias e os centróides.
Das opções a seguir, aquela que indica a relação correta na sequência apresentada é
Dois dos mais populares algoritmos são o K-means e o DBSCAN. A respeito desses algoritmos, relacione-os com suas principais características:
1. K-means
2. DBSCAN
( ) Precisa da definição de um número inicial de agrupamentos.
( ) Mais robusto à ocorrência de outliers, por sua provável localização em regiões de baixa densidade de dados.
( ) Precisa da definição do número mínimo de vizinhos e do raio da vizinhança para determinar limites dos agrupamentos.
( ) Determina centróides dos agrupamentos e agrupa as instâncias de dados em função de uma métrica de distância entre as instâncias e os centróides.
Das opções a seguir, aquela que indica a relação correta na sequência apresentada é
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área de Informática - Analista de Sistemas |
Q2705519
Engenharia de Software
Diferentes técnicas de classificação são utilizadas em aprendizado
de máquina para organizar e categorizar dados de acordo com
características predefinidas.
Com respeito a técnicas de classificação em aprendizado de máquina, analise as afirmativas a seguir:
I. A regressão logística determina um hiperplano no espaço n- dimensional para separar as instâncias de dados de entrada em partições de acordo com suas classes.
II. As máquinas de vetores de suporte (Support Vector Machines - SVM) consistem em uma abordagem probabilística, determinando uma distribuição de probabilidades de que uma nova instância de dados de entrada pertença as respectivas classes.
III. O algoritmo K vizinhos mais próximos (K Nearest Neighbors - KNN) classifica uma nova instância de dados de entrada conforme a classe das instâncias mais próximas já observadas.
Está correto o que se afirma em
Com respeito a técnicas de classificação em aprendizado de máquina, analise as afirmativas a seguir:
I. A regressão logística determina um hiperplano no espaço n- dimensional para separar as instâncias de dados de entrada em partições de acordo com suas classes.
II. As máquinas de vetores de suporte (Support Vector Machines - SVM) consistem em uma abordagem probabilística, determinando uma distribuição de probabilidades de que uma nova instância de dados de entrada pertença as respectivas classes.
III. O algoritmo K vizinhos mais próximos (K Nearest Neighbors - KNN) classifica uma nova instância de dados de entrada conforme a classe das instâncias mais próximas já observadas.
Está correto o que se afirma em
Ano: 2024
Banca:
IADES
Órgão:
BRB
Prova:
IADES - 2024 - BRB - Analista de Tecnologia da Informação |
Q2589860
Engenharia de Software
Texto associado
Texto hipotético para responder às questões 37 e 38.
João foi selecionado por sua chefia para liderar um projeto de criação de uma inteligência artificial que fosse capaz de classificar, a partir de fotos obtidas pelas câmeras de segurança de cada agência, se, ao entrar na agência, a pessoa está utilizando algum tipo de chapéu, óculos, ambos ou nenhum acessório. Uma base de dados com amostras em quantidade e qualidade suficientes foi fornecida para João. Sendo assim, ele optou por seguir com uma abordagem baseada em modelos de redes neurais.
Ao analisar a base de dados, João notou que havia imagens anotadas com a classe esperada (target preenchido) e também algumas imagens que possuíam o campo de classe esperada vazio. Primeiramente, ele considerou descartar as imagens que não possuíam a classe esperada preenchida, mas, após breve reflexão e muitas pesquisas, decidiu adotar a seguinte estratégia: utilizar as imagens que possuíam a classe esperada para treinar um modelo inicial de classificação. Esse modelo seria usado para predizer as classes das imagens com tal campo vazio. A partir desse ponto, todas as imagens teriam uma classe associada e, assim, todas poderiam ser utilizadas para treinar o modelo final. Essa abordagem é conhecida como aprendizado
Conheça nossos planos