Questões de Concurso
Sobre inteligencia artificial em engenharia de software
Foram encontradas 758 questões
Ano: 2024
Banca:
FGV
Órgão:
DATAPREV
Prova:
FGV - 2024 - DATAPREV - ATI - Desenvolvimento de Software |
Q3086019
Engenharia de Software
A Inteligência Artificial (IA) é uma área da ciência da computação
que visa desenvolver sistemas capazes de realizar tarefas que
normalmente exigiriam inteligência humana.
O conceito que está mais diretamente relacionado ao desenvolvimento de sistemas que aprendem com os dados e melhoram seu desempenho ao longo do tempo é o de
O conceito que está mais diretamente relacionado ao desenvolvimento de sistemas que aprendem com os dados e melhoram seu desempenho ao longo do tempo é o de
Ano: 2024
Banca:
FGV
Órgão:
Prefeitura de Vitória - ES
Prova:
FGV - 2024 - Prefeitura de Vitória - ES - Analista em Gestão Pública - Estatístico |
Q3052459
Engenharia de Software
A otimização de hiperparâmetros é crucial na construção de
modelos de Machine Learning, pois pode afetar significativamente
o desempenho do modelo. Diversas técnicas de busca são usadas
para encontrar a melhor combinação de hiperparâmetros, e
entender quais são eficazes para esse propósito é essencial para
aprimorar a precisão do modelo.
A técnica apropriada na otimização de hiperparâmetros para um modelo de aprendizado supervisionado, considerando tanto a eficiência quanto a eficácia é a
A técnica apropriada na otimização de hiperparâmetros para um modelo de aprendizado supervisionado, considerando tanto a eficiência quanto a eficácia é a
Ano: 2024
Banca:
FGV
Órgão:
Prefeitura de Vitória - ES
Prova:
FGV - 2024 - Prefeitura de Vitória - ES - Analista em Gestão Pública - Estatístico |
Q3052458
Engenharia de Software
No processamento de linguagem natural (PLN), a redução de
dimensionalidade é vital para simplificar dados textuais e melhorar
o desempenho dos algoritmos de aprendizado de máquina.
Diversos métodos são usados para esse fim, cada um com suas
próprias características.
Na redução de dimensionalidade em PLN, a técnica utilizada é chamada
Na redução de dimensionalidade em PLN, a técnica utilizada é chamada
Ano: 2024
Banca:
FGV
Órgão:
Prefeitura de Vitória - ES
Prova:
FGV - 2024 - Prefeitura de Vitória - ES - Analista em Gestão Pública - Estatístico |
Q3052456
Engenharia de Software
No aprendizado de máquina, técnicas de classificação e
agrupamento têm objetivos distintos.
Assinale a opção que descreve corretamente uma diferença fundamental entre técnicas de agrupamento e técnicas de classificação.
Assinale a opção que descreve corretamente uma diferença fundamental entre técnicas de agrupamento e técnicas de classificação.
Ano: 2024
Banca:
IF-SP
Órgão:
IF-SP
Prova:
IF-SP - 2024 - IF-SP - Professor EBTT - Controle e Automação |
Q3048293
Engenharia de Software
Redes Neurais Artificiais são técnicas computacionais que utilizam um modelo matemático inspirado no neurônio biológico, obtendo aprendizado pela experiência. Encontra aplicações em visão computacional, automação residencial e industrial, robótica, microeletrônica, entre outros. A respeito de redes neurais MLP (Multi-layer Perceptron), analise as afirmativas:
I. Os parâmetros a serem definidos para a execução de uma rede MLP são número de camadas, número de neurônios em cada camada, taxa de aprendizado e função de ativação;
II. São redes recorrentes;
III. Os neurônios da camada oculta são capazes de capturar a não-linearidade dos dados;
IV. Geralmente utiliza-se a função sigmóide como função de ativação nas camadas oculta e de saída.
As afirmativas corretas são:
Ano: 2024
Banca:
IF-SP
Órgão:
IF-SP
Prova:
IF-SP - 2024 - IF-SP - Professor EBTT - Controle e Automação |
Q3048291
Engenharia de Software
Redes Neurais Artificiais são consideradas
como a tecnologia mais avançada para a descoberta de padrões em dados. Têm sido utilizadas para
resolver uma grande diversidade de aplicações,
tais como tradução de idiomas, reconhecimento de
fala e legendagem de imagens, além de aplicações
no mercado de ações por grandes empresas como
IBM, Google e Microsoft. Redes Neurais podem
ser definidas como processadores paralelamente
distribuídos, constituídos de unidades de processamento simples, que têm a capacidade natural de
armazenar conhecimento experimental e torná-lo
disponível para uso. Com respeito à arquitetura de
redes neurais artificiais, uma rede auto-realiamentada se refere a uma:
Ano: 2024
Banca:
CESGRANRIO
Órgão:
BNDES
Prova:
CESGRANRIO - 2024 - BNDES - Analista - Ciência de Dados (Manhã) |
Q3048126
Engenharia de Software
Em aplicações modernas de Processamento de Linguagem Natural, usando Grandes Modelos de Linguagem
(Large Language Models – LLM) é comum a necessidade de usar informações relevantes que estão em documentos novos e privados, que não foram usados no pré-treinamento dos modelos de LLM. Considerando que esses documentos podem ser longos e em grande quantidade, que o tamanho do contexto usado na chamada à
Application Programming Interface (API) da LLM é limitado, e ainda pensando que os custos de processar
são muitas vezes calculados por quantidade de tokens, foi desenvolvida a técnica conhecida como Retrieval
Augmented Generation (RAG).
Considerando-se esse contexto, qual é a característica da técnica RAG?
Considerando-se esse contexto, qual é a característica da técnica RAG?
Ano: 2024
Banca:
CESGRANRIO
Órgão:
BNDES
Prova:
CESGRANRIO - 2024 - BNDES - Analista - Ciência de Dados (Manhã) |
Q3048122
Engenharia de Software
Um pesquisador de ciência de dados foi encarregado de
analisar a capacidade de um modelo de aprendizado de
máquina em prever se um cliente é bom pagador. Para
isso, possuía um conjunto de dados de testes rotulado,
sobre o qual aplicou o modelo e obteve a matriz de confusão a seguir:
Considerando-se esse contexto, quais são, respectivamente, os valores aproximados, em 2 casas decimais, da precisão (precision) e da revocação (recall) obtidos pelo modelo?
Considerando-se esse contexto, quais são, respectivamente, os valores aproximados, em 2 casas decimais, da precisão (precision) e da revocação (recall) obtidos pelo modelo?
Ano: 2024
Banca:
CESGRANRIO
Órgão:
BNDES
Prova:
CESGRANRIO - 2024 - BNDES - Analista - Ciência de Dados (Manhã) |
Q3048120
Engenharia de Software
Uma equipe de desenvolvimento de Inteligência Artificial
(IA) em uma empresa de tecnologia está implementando
um sistema de recomendação baseado em aprendizado
de máquina. Durante o processo de implementação, a
equipe precisa estar atenta aos potenciais riscos e vulnerabilidades associados ao uso da IA. O sistema utiliza
grandes volumes de dados históricos de clientes para treinar seus modelos. Há uma preocupação com a possibilidade de invasores manipularem a entrada de dados para
enganar o modelo e gerar saídas indesejadas ou incorretas. A equipe deve também garantir que o modelo não
exponha dados sensíveis dos clientes.
Considere as seguintes afirmativas com relação à mitigação dos riscos identificados:
I - adotar uma abordagem de fairness-aware learning para corrigir potenciais vieses no modelo, garantindo que as recomendações sejam justas para todos os grupos de usuários.
II - implementar métodos de robustness testing para simular ataques adversariais e avaliar a resiliência do modelo, e realizar auditorias regulares para identificar e corrigir vieses algorítmicos.
III - implementar técnicas de data augmentation para aumentar a diversidade dos dados de treinamento, reduzindo o risco de viés algorítmico, e adotar uma estratégia de monitoramento contínuo para detectar e mitigar ataques adversariais.
IV - utilizar técnicas de differential privacy durante o treinamento do modelo para proteger dados sensíveis e garantir que as previsões do modelo não revelem informações específicas dos clientes.
Estão corretas as seguintes afirmativas:
Considere as seguintes afirmativas com relação à mitigação dos riscos identificados:
I - adotar uma abordagem de fairness-aware learning para corrigir potenciais vieses no modelo, garantindo que as recomendações sejam justas para todos os grupos de usuários.
II - implementar métodos de robustness testing para simular ataques adversariais e avaliar a resiliência do modelo, e realizar auditorias regulares para identificar e corrigir vieses algorítmicos.
III - implementar técnicas de data augmentation para aumentar a diversidade dos dados de treinamento, reduzindo o risco de viés algorítmico, e adotar uma estratégia de monitoramento contínuo para detectar e mitigar ataques adversariais.
IV - utilizar técnicas de differential privacy durante o treinamento do modelo para proteger dados sensíveis e garantir que as previsões do modelo não revelem informações específicas dos clientes.
Estão corretas as seguintes afirmativas:
Ano: 2024
Banca:
CESGRANRIO
Órgão:
BNDES
Prova:
CESGRANRIO - 2024 - BNDES - Analista - Ciência de Dados (Manhã) |
Q3048116
Engenharia de Software
Ao avaliar a performance de diversos modelos preditivos para um problema de regressão e outro de classificação, várias
métricas podem ser utilizadas para determinar qual modelo oferece o melhor desempenho. Considere as métricas para
regressão e classificação, bem como as técnicas de detecção de overfitting e underfitting.
Nesse contexto, quais métricas devem ser utilizadas para determinar qual modelo oferece o melhor desempenho?
Nesse contexto, quais métricas devem ser utilizadas para determinar qual modelo oferece o melhor desempenho?
Ano: 2024
Banca:
CESGRANRIO
Órgão:
BNDES
Prova:
CESGRANRIO - 2024 - BNDES - Analista - Ciência de Dados (Manhã) |
Q3048113
Engenharia de Software
Como parte do processo de desenvolvimento de uma aplicação para analisar grandes volumes de textos, diversas tarefas
de Processamento de Linguagem Natural (NLP, sigla em inglês) estão sendo implementadas para melhorar a eficácia e a
precisão dessa aplicação.
Diante disso, para a aplicação dessas tarefas, é necessário
Diante disso, para a aplicação dessas tarefas, é necessário
Ano: 2024
Banca:
CESGRANRIO
Órgão:
BNDES
Prova:
CESGRANRIO - 2024 - BNDES - Analista - Ciência de Dados (Manhã) |
Q3048112
Engenharia de Software
Uma equipe de cientistas de dados está desenvolvendo um modelo preditivo e deseja otimizar seus hiperparâmetros para
maximizar a performance do modelo.
Considerando-se as técnicas de otimização de hiperparâmetros, para encontrar a configuração de hiperparâmetros, essa equipe de cientistas deverá
Considerando-se as técnicas de otimização de hiperparâmetros, para encontrar a configuração de hiperparâmetros, essa equipe de cientistas deverá
Ano: 2024
Banca:
FGV
Órgão:
Prefeitura de Macaé - RJ
Prova:
FGV - 2024 - Prefeitura de Macaé - RJ - Analista Previdenciário - Especialidade: Analista de Sistemas |
Q3047976
Engenharia de Software
Large Language Models (LLMs) são um tipo de modelo IA
projetado para lidar com tarefas de processamento de linguagem
natural (PLN) em uma escala muito grande. Esses modelos são
treinados com enormes quantidades de dados textuais e são
capazes de entender e gerar texto em linguagem natural de forma
altamente sofisticada.
Em relação aos Large Language Models (LLMs), como o GPT, a abordagem mais relevante para melhorar a capacidade do modelo de gerar respostas coerentes e contextualmente apropriadas em conversas prolongadas, entre as listadas, é
Em relação aos Large Language Models (LLMs), como o GPT, a abordagem mais relevante para melhorar a capacidade do modelo de gerar respostas coerentes e contextualmente apropriadas em conversas prolongadas, entre as listadas, é
Ano: 2024
Banca:
FGV
Órgão:
Prefeitura de Macaé - RJ
Prova:
FGV - 2024 - Prefeitura de Macaé - RJ - Analista Previdenciário - Especialidade: Analista de Sistemas |
Q3047975
Engenharia de Software
Processamento de Linguagem Natural (PLN) é uma subárea da
inteligência artificial (IA) que se ocupa da interação entre
computadores e linguagem humana. O objetivo do PLN é permitir
que os computadores compreendam, interpretem, e gerem
linguagem natural de maneira que seja útil e significativa. É um
campo interdisciplinar que combina linguística, ciência da
computação e aprendizado de máquina. Em Processamento de
Linguagem Natural (PLN), assinale a técnica mais adequada, entre
as listadas, para capturar a dependência contextual de palavras em
uma frase, permitindo que o modelo compreenda o significado
baseado no contexto.
Ano: 2024
Banca:
FGV
Órgão:
Prefeitura de Macaé - RJ
Prova:
FGV - 2024 - Prefeitura de Macaé - RJ - Analista Previdenciário - Especialidade: Analista de Sistemas |
Q3047974
Engenharia de Software
Deep learning (aprendizado profundo) é uma subárea do
aprendizado de máquina que se concentra em algoritmos
baseados em redes neurais artificiais profundas. Essas redes
neurais têm várias camadas intermediárias entre a entrada e a
saída, permitindo que o sistema aprenda representações de dados
em múltiplos níveis de abstração.
Em deep learning, o seguinte conceito se refere ao processo de ajustar os pesos de uma rede neural durante o treinamento, de modo a minimizar a função de perda:
Em deep learning, o seguinte conceito se refere ao processo de ajustar os pesos de uma rede neural durante o treinamento, de modo a minimizar a função de perda:
Ano: 2024
Banca:
FGV
Órgão:
Prefeitura de Macaé - RJ
Prova:
FGV - 2024 - Prefeitura de Macaé - RJ - Analista Previdenciário - Especialidade: Analista de Sistemas |
Q3047973
Engenharia de Software
Das técnicas apresentadas a seguir, a mais adequada para
identificar agrupamentos (clusters) em um conjunto de dados não
rotulado em um problema de aprendizado de máquina não
supervisionado é
Ano: 2024
Banca:
FGV
Órgão:
Prefeitura de Macaé - RJ
Prova:
FGV - 2024 - Prefeitura de Macaé - RJ - Analista Previdenciário - Especialidade: Analista de Sistemas |
Q3047972
Engenharia de Software
Aprendizado de Máquina (Machine Learning) é uma subárea da
inteligência artificial (IA) que se concentra em desenvolver
algoritmos e modelos que permitem que os sistemas aprendam e
façam previsões ou decisões baseadas em dados. O Aprendizado
de Máquina pode ser dividido em aprendizado supervisionado,
aprendizado não supervisionado e aprendizado por reforço.
No contexto de aprendizado de máquina supervisionado, das técnicas a seguir, a mais apropriada para lidar com um problema de regressão no qual o objetivo é prever um valor numérico contínuo é
No contexto de aprendizado de máquina supervisionado, das técnicas a seguir, a mais apropriada para lidar com um problema de regressão no qual o objetivo é prever um valor numérico contínuo é
Q3047600
Engenharia de Software
Redes neurais profundas (do inglês Deep
Neural Network - DNN) são um tipo de rede neural artificial cuja estrutura possui múltiplas camadas ocultas entre a camada de entrada e a camada
de saída, cada uma com seus próprios pesos e bias.
As múltiplas camadas proporcionam que as DNNs
aprendam representações complexas dos dados, apresentando bons resultados para tarefas complexas como o processamento de linguagem natural,
o reconhecimento ou classificação de imagens ou
áudio, por exemplo. Especificamente para o problema de classificação de imagens de cães e gatos,
qual dos algoritmos abaixo é utilizado para ajustar
os pesos das conexões e bias em uma rede neural
e que pode melhorar na acurácia da classificação
das imagens?
Q3047593
Engenharia de Software
Overfitting ocorre quando um modelo de
aprendizado de máquina se ajusta tão bem aos
dados de treinamento que começa a capturar não
apenas os padrões gerais, mas também os ruídos
e variações específicas desses dados. Isso resulta
em um modelo que tem um desempenho excelente
nos dados de treinamento, mas que não consegue realizar generalizações para novos dados. Qual das
seguintes abordagens é mais eficaz para mitigar o
problema de overfitting em modelos de aprendizado de máquina?
Ano: 2024
Banca:
CESGRANRIO
Órgão:
BNDES
Prova:
CESGRANRIO - 2024 - BNDES - Analista - Análise de Sistemas - Suporte (Manhã) |
Q3046146
Engenharia de Software
Uma empresa de TI adotou a tecnologia de IA para automação de infraestrutura. Para esse caso, incluiu-se um stack de tecnologia na infraestrutura de IA para acelerar o desenvolvimento e a implantação de aplicações, utilizando camadas para essa implantação. Uma dessas camadas consiste em componentes de hardware e software necessários para criar e treinar modelos de IA, tais como processadores especializados, GPUs e ferramentas de otimização e implantação (por software).
A camada que cria e treina esses modelos é a de
Conheça nossos planos