Questões de Concurso
Sobre inteligencia artificial em engenharia de software
Foram encontradas 769 questões
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área Administrativa - Ciência de Dados |
Q2571747
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.
Assinale a opção que indica a relação correta, na sequência apresentada.
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.
Assinale a opção que indica a relação correta, na sequência apresentada.
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área Administrativa - Ciência de Dados |
Q2571732
Engenharia de Software
Ao se utilizar bancos de dados reais no treinamento de métodos
de aprendizado de máquina é normal se deparar com entradas
que possuem um ou mais parâmetros (campos) ausentes.
Com relação às estratégias para lidar com dados ausentes, analise as afirmativas a seguir.
I. Só é possível realizar imputation quando o atributo (feature) ausente é numérico. II. Ao utilizar o k-nearest neighbors (KNN) para fazer o imputation é uma boa estratégia primeiro fazer a normalização ou padronização dos dados. III. Ao se trabalhar com bancos de dados com poucas amostras (itens), uma estratégia usualmente utilizada para lidar com as amostras) que possuem valores ausentes é a remoção.
Está correto o que se afirma em
Com relação às estratégias para lidar com dados ausentes, analise as afirmativas a seguir.
I. Só é possível realizar imputation quando o atributo (feature) ausente é numérico. II. Ao utilizar o k-nearest neighbors (KNN) para fazer o imputation é uma boa estratégia primeiro fazer a normalização ou padronização dos dados. III. Ao se trabalhar com bancos de dados com poucas amostras (itens), uma estratégia usualmente utilizada para lidar com as amostras) que possuem valores ausentes é a remoção.
Está correto o que se afirma em
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área Administrativa - Ciência de Dados |
Q2571731
Engenharia de Software
O tratamento dos dados influencia diretamente no desempenho
de muitos algoritmos de aprendizado de máquina.
A respeito de métodos de normalização e padronização numéricos é correto afirmar que
A respeito de métodos de normalização e padronização numéricos é correto afirmar que
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área Administrativa - Ciência de Dados |
Q2571730
Engenharia de Software
Alguns algoritmos de aprendizado de máquina foram
desenvolvidos para trabalhar com atributos discretos. Porém,
dados coletados no mundo real muitas vezes são contínuos.
Nesses casos, podemos usar métodos de discretização no tratamento dos dados. Um desses métodos de discretização consiste em estabelecer os limites das partições de forma que cada partição tenha aproximadamente o mesmo número de elementos.
O método acima descrito é o
Nesses casos, podemos usar métodos de discretização no tratamento dos dados. Um desses métodos de discretização consiste em estabelecer os limites das partições de forma que cada partição tenha aproximadamente o mesmo número de elementos.
O método acima descrito é o
Ano: 2024
Banca:
FGV
Órgão:
TCE-PA
Prova:
FGV - 2024 - TCE-PA - Auditor de Controle Externo - Área de Planejamento - Economia |
Q2571534
Engenharia de Software
Modelos de aprendizagem de máquina são, em geral, avaliados
com métricas que indicam os quão poderosos e relevantes eles
são.
Entre exemplos de métricas de avaliação utilizadas para modelos de classificação binária, são citados:
• taxa de precisão (razão entre verdadeiros positivos e o total dos verdadeiros positivos e falsos positivos);
• taxa de sensibilidade (razão entre verdadeiros positivos e o total dos verdadeiros positivos e falsos negativos, também conhecida por recall); e
• escore F1 (F1-score, também chamado de F-measure), que relaciona as taxas de precisão e de sensibilidade.
Suponha a existência de um modelo de classificação binária cuja taxa de precisão é de 90,00% e cuja taxa de sensibilidade é de 75,00%. Utilize aproximação de duas casas decimais. O escore F1 referente a esse modelo é
Entre exemplos de métricas de avaliação utilizadas para modelos de classificação binária, são citados:
• taxa de precisão (razão entre verdadeiros positivos e o total dos verdadeiros positivos e falsos positivos);
• taxa de sensibilidade (razão entre verdadeiros positivos e o total dos verdadeiros positivos e falsos negativos, também conhecida por recall); e
• escore F1 (F1-score, também chamado de F-measure), que relaciona as taxas de precisão e de sensibilidade.
Suponha a existência de um modelo de classificação binária cuja taxa de precisão é de 90,00% e cuja taxa de sensibilidade é de 75,00%. Utilize aproximação de duas casas decimais. O escore F1 referente a esse modelo é
Ano: 2024
Banca:
CESGRANRIO
Órgão:
CNU
Prova:
CESGRANRIO - 2024 - CNU - Bloco 2 - Tecnologia, Dados e Informação - tarde |
Q2570896
Engenharia de Software
Considere as duas situações a seguir.
Situação 1
Um órgão do governo está lidando com um grande conjunto de dados contendo informações sobre as declarações fiscais históricas dos cidadãos, bem como erros e discrepâncias que tenham eventualmente sido encontrados nessas declarações. O órgão deseja desenvolver um modelo que possa prever se uma nova declaração fiscal provavelmente contém erros ou discrepâncias, auxiliando na identificação de casos potenciais para investigação adicional.
Situação 2
O departamento de transporte de uma cidade tem acesso a uma grande quantidade de imagens de câmeras de tráfego e deseja entender padrões e pontos de congestionamento na rede viária da cidade, sem categorias ou rótulos predefinidos.
Os modelos que endereçam a situação 1 e a situação 2 são:
Situação 1
Um órgão do governo está lidando com um grande conjunto de dados contendo informações sobre as declarações fiscais históricas dos cidadãos, bem como erros e discrepâncias que tenham eventualmente sido encontrados nessas declarações. O órgão deseja desenvolver um modelo que possa prever se uma nova declaração fiscal provavelmente contém erros ou discrepâncias, auxiliando na identificação de casos potenciais para investigação adicional.
Situação 2
O departamento de transporte de uma cidade tem acesso a uma grande quantidade de imagens de câmeras de tráfego e deseja entender padrões e pontos de congestionamento na rede viária da cidade, sem categorias ou rótulos predefinidos.
Os modelos que endereçam a situação 1 e a situação 2 são:
Ano: 2024
Banca:
CESGRANRIO
Órgão:
CNU
Prova:
CESGRANRIO - 2024 - CNU - Bloco 2 - Tecnologia, Dados e Informação - tarde |
Q2570891
Engenharia de Software
Em um projeto de desenvolvimento de um sistema de
visão computacional para identificar e classificar diferentes tipos de objetos em imagens de tráfego urbano, uma
equipe de engenheiros optou por utilizar uma rede neural.
Para garantir eficiência computacional e uma eficaz propagação do gradiente durante o treinamento do modelo,
cada nó da rede foi implementado utilizando a função de
ativação ReLU.
A propriedade principal da função ReLU é
A propriedade principal da função ReLU é
Ano: 2024
Banca:
CESPE / CEBRASPE
Órgão:
SEPLAG-CE
Prova:
CESPE / CEBRASPE - 2024 - SEPLAG-CE - Analista de Gestão Pública - Área de Atuação: Ciência da Computação |
Q2557063
Engenharia de Software
Julgue o item a seguir, a respeito de RPA (robotic process automation).
RPA é o processo pelo qual um bot usa uma combinação de
automação, visão computacional e aprendizado de máquina
para automatizar tarefas repetitivas e de alto volume,
baseadas em regras e acionadas por gatilhos.
Ano: 2024
Banca:
CESPE / CEBRASPE
Órgão:
SEPLAG-CE
Prova:
CESPE / CEBRASPE - 2024 - SEPLAG-CE - Analista de Gestão Pública - Área de Atuação: Ciência da Computação |
Q2557062
Engenharia de Software
Julgue o item a seguir, a respeito de RPA (robotic process automation).
O objetivo da implementação de RPA nos chatbots é reduzir
cada vez mais a intervenção humana, o que pode garantir
agilidade e comodidade ao consumidor na hora de esclarecer
suas dúvidas.
Ano: 2024
Banca:
IBADE
Órgão:
PRODEST-ES
Prova:
IBADE - 2024 - PRODEST-ES - Analista de Tecnologia da Informação - Infraestrututa de TIC |
Q2541967
Engenharia de Software
O aprendizado de máquina teve seus fundamentos
baseados em dois métodos conhecidos como:
Q2536568
Engenharia de Software
Uma empresa de marketing digital está explorando o uso de inteligência artificial (IA) generativa para melhorar
suas campanhas publicitárias. A equipe está discutindo como essa tecnologia pode ser utilizada para criar
conteúdo personalizado e interativo para seus clientes, além de otimizar o processo criativo, economizando tempo
e recursos. Assinale a alternativa CORRETA, que traz a aplicação da IA generativa mais adequada para uma
empresa de marketing digital que deseja melhorar suas campanhas publicitárias.
Ano: 2024
Banca:
FGV
Órgão:
MF
Prova:
FGV - 2024 - MF - Auditor Federal de Finanças e Controle - Área de Tecnologia da Informação (Transformação Digital) - manhã |
Q2534615
Engenharia de Software
No campo de desenvolvimento de tecnologias para realidade
virtual (VR), a seguinte técnica é empregada para otimizar o
processamento gráfico, concentrando os recursos de renderização
na área da visão onde o olhar do usuário está focado, enquanto
reduz a qualidade gráfica nas periferias da visão, resultando em
uma experiência de alta qualidade visual com menor demanda
computacional:
Ano: 2024
Banca:
FGV
Órgão:
MF
Prova:
FGV - 2024 - MF - Auditor Federal de Finanças e Controle - Área de Tecnologia da Informação (Transformação Digital) - manhã |
Q2534606
Engenharia de Software
Em um projeto de pesquisa avançado na área de reabilitação física,
uma equipe multidisciplinar está desenvolvendo uma solução
inovadora baseada em Visão Computacional e IA para auxiliar na
recuperação de pacientes que sofreram lesões
musculoesqueléticas.
A tecnologia precisa capturar e analisar os movimentos do corpo humano, avaliando a execução correta dos exercícios e sugerindo ajustes para garantir a eficácia da reabilitação. A tecnologia deve, ainda, ser capaz de interpretar a complexidade dos movimentos humanos, identificando posições e partes específicas do corpo e garantindo que os pacientes mantenham a postura adequada durante toda a sessão de exercícios.
Com base nessas informações, assinale a técnica de visão computacional e Inteligência Artificial fundamental para o desenvolvimento desse sistema.
A tecnologia precisa capturar e analisar os movimentos do corpo humano, avaliando a execução correta dos exercícios e sugerindo ajustes para garantir a eficácia da reabilitação. A tecnologia deve, ainda, ser capaz de interpretar a complexidade dos movimentos humanos, identificando posições e partes específicas do corpo e garantindo que os pacientes mantenham a postura adequada durante toda a sessão de exercícios.
Com base nessas informações, assinale a técnica de visão computacional e Inteligência Artificial fundamental para o desenvolvimento desse sistema.
Ano: 2024
Banca:
FGV
Órgão:
MF
Prova:
FGV - 2024 - MF - Auditor Federal de Finanças e Controle - Área de Tecnologia da Informação (Transformação Digital) - manhã |
Q2534604
Engenharia de Software
No contexto do Processamento de Linguagem Natural, a geração
aumentada de recuperação (ou RAG, do inglês RetrievalAugmented Generation) é uma técnica que visa a melhorar a
acurácia e a confiabilidade de modelos de IA Generativa.
O objetivo principal dessa técnica é
O objetivo principal dessa técnica é
Ano: 2024
Banca:
FGV
Órgão:
MF
Prova:
FGV - 2024 - MF - Auditor Federal de Finanças e Controle - Área de Tecnologia da Informação (Transformação Digital) - manhã |
Q2534603
Engenharia de Software
Assinale a opção que corresponde à rede neural especialmente
projetada para superar o problema do desvanecimento
do gradiente em sequências longas, empregando células
de memória capazes de manter informações por períodos
extensos, tornando-a ideal para processar e prever eventos em
dados de série temporal com dependências de longo prazo.
Ano: 2024
Banca:
FGV
Órgão:
MF
Prova:
FGV - 2024 - MF - Auditor Federal de Finanças e Controle - Área de Tecnologia da Informação (Transformação Digital) - manhã |
Q2534602
Engenharia de Software
No estudo avançado da Inteligência Artificial (IA), pesquisadores e
desenvolvedores exploram as nuances e os potenciais futuros da
tecnologia, distinguindo entre Inteligência Artificial Estreita (ANI),
Geral (AGI) e Superinteligente (ASI). Cada uma dessas categorias
representa um marco distinto no desenvolvimento da IA, com
implicações profundas para a sociedade, economia e filosofia.
Acerca do tema, avalie se as seguintes afirmações são verdadeiras (V) ou falsas (F).
( ) ANI, embora seja a forma mais comum de IA atualmente, possui capacidades de aprendizado e adaptação que permitem a transição natural para AGI sem intervenção humana direta, já que se baseia em algoritmos que podem evoluir autonomamente.
( ) AGI representa um ponto de inflexão teórico na pesquisa de IA, onde máquinas adquirem a habilidade de realizar qualquer tarefa cognitiva humana, incluindo aquelas que exigem compreensão emocional e social, algo que ainda não foi alcançado devido às limitações atuais da tecnologia e compreensão da consciência.
( ) ASI, como conceito, introduz a possibilidade de uma IA com capacidades que transcendem amplamente a inteligência humana, incluindo a habilidade de gerar inovações científicas e tecnológicas de forma independente, levantando preocupações éticas e existenciais sobre o controle humano sobre tais entidades.
As afirmações são, respectivamente,
Acerca do tema, avalie se as seguintes afirmações são verdadeiras (V) ou falsas (F).
( ) ANI, embora seja a forma mais comum de IA atualmente, possui capacidades de aprendizado e adaptação que permitem a transição natural para AGI sem intervenção humana direta, já que se baseia em algoritmos que podem evoluir autonomamente.
( ) AGI representa um ponto de inflexão teórico na pesquisa de IA, onde máquinas adquirem a habilidade de realizar qualquer tarefa cognitiva humana, incluindo aquelas que exigem compreensão emocional e social, algo que ainda não foi alcançado devido às limitações atuais da tecnologia e compreensão da consciência.
( ) ASI, como conceito, introduz a possibilidade de uma IA com capacidades que transcendem amplamente a inteligência humana, incluindo a habilidade de gerar inovações científicas e tecnológicas de forma independente, levantando preocupações éticas e existenciais sobre o controle humano sobre tais entidades.
As afirmações são, respectivamente,
Ano: 2024
Banca:
FGV
Órgão:
MF
Prova:
FGV - 2024 - MF - Auditor Federal de Finanças e Controle - Área de Tecnologia da Informação (Transformação Digital) - manhã |
Q2534596
Engenharia de Software
Na trajetória evolutiva da Inteligência Artificial (IA), diversos
marcos e transições têm delineado seu progresso e desafios.
Nesse contexto, avalie se as afirmativas a seguir, que
destacam momentos críticos na história da IA, são verdadeiras (V)
ou falsas (F).
( ) Os Invernos da IA representam períodos de avanço tecnológico acelerado e investimento maciço em pesquisa de IA, marcados pela rápida adoção de tecnologias de IA em diversos setores sem qualquer ceticismo ou crítica.
( ) Introduzida em 2012, AlexNet é uma rede neural convolucional que competiu no desafio ImageNet, marcando um ponto de inflexão significativo para o campo do Deep Learning ao demonstrar a capacidade das redes neurais profundas em tarefas de visão computacional.
( ) O aprendizado de máquina (Machine Learning) foi abandonado nos anos 90 e 2000 devido à falta de progresso teórico e prático, com a comunidade de IA se movendo unicamente para o estudo teórico da computação.
( ) O lançamento do GPT-3 pela OpenAI representou um avanço substancial na geração automática de texto, oferecendo capacidades impressionantes de geração de linguagem natural e abrindo novas possibilidades para a aplicação de IA em diversos domínios.
As afirmativas são, respectivamente,
( ) Os Invernos da IA representam períodos de avanço tecnológico acelerado e investimento maciço em pesquisa de IA, marcados pela rápida adoção de tecnologias de IA em diversos setores sem qualquer ceticismo ou crítica.
( ) Introduzida em 2012, AlexNet é uma rede neural convolucional que competiu no desafio ImageNet, marcando um ponto de inflexão significativo para o campo do Deep Learning ao demonstrar a capacidade das redes neurais profundas em tarefas de visão computacional.
( ) O aprendizado de máquina (Machine Learning) foi abandonado nos anos 90 e 2000 devido à falta de progresso teórico e prático, com a comunidade de IA se movendo unicamente para o estudo teórico da computação.
( ) O lançamento do GPT-3 pela OpenAI representou um avanço substancial na geração automática de texto, oferecendo capacidades impressionantes de geração de linguagem natural e abrindo novas possibilidades para a aplicação de IA em diversos domínios.
As afirmativas são, respectivamente,
Ano: 2024
Banca:
FGV
Órgão:
TCE-GO
Prova:
FGV - 2024 - TCE-GO - Analista de Controle Externo - Tecnologia da Informação |
Q2524568
Engenharia de Software
A inteligência artificial generativa (IA generativa) é um campo da
inteligência artificial que se concentra na capacidade de criar
novos conteúdos e ideias de forma autônoma. Em vez de
simplesmente responder a comandos ou fornecer respostas
predefinidas, uma IA generativa tem a capacidade de gerar
conteúdos originais em uma variedade de formas, como texto,
imagens, áudio e vídeo.
São exemplos de categorias amplas de modelos de IA generativa
São exemplos de categorias amplas de modelos de IA generativa
Ano: 2024
Banca:
FGV
Órgão:
TCE-GO
Prova:
FGV - 2024 - TCE-GO - Analista de Controle Externo - Tecnologia da Informação |
Q2524566
Engenharia de Software
O Processamento de Linguagem Natural (PLN) é uma área de
estudo dedicada à pesquisa e desenvolvimento de métodos e
sistemas que visam compreender e processar a linguagem humana
por meio de computadores.
São paradigmas de PLN:
São paradigmas de PLN:
Ano: 2024
Banca:
FGV
Órgão:
TCE-GO
Prova:
FGV - 2024 - TCE-GO - Analista de Controle Externo - Tecnologia da Informação |
Q2524564
Engenharia de Software
Os modelos de aprendizado de máquina desempenham um papel
fundamental na análise e interpretação de dados em uma
variedade de domínios.
Uma característica dos modelos de aprendizado de máquina supervisionados e não supervisionados é que modelos supervisionados
Uma característica dos modelos de aprendizado de máquina supervisionados e não supervisionados é que modelos supervisionados
Conheça nossos planos