Tendo o texto como referência inicial, julgue o item subsecutivo, a respeito de aprendizado de máquina.  

Modelos preditivos dispensam validação em um conjunto separado de dados porque a acurácia calculada durante o treinamento já representa a capacidade real do modelo de prever eventos futuros. 

Tendo o texto como referência inicial, julgue o item subsecutivo, a respeito de aprendizado de máquina.  

A aprendizagem por reforço se diferencia da aprendizagem supervisionada, pois se baseia em feedback avaliativo, em vez de exemplos rotulados ou especificação da ação correta por um supervisor externo, para julgar a qualidade das ações.  

Tendo o texto como referência inicial, julgue o item subsecutivo, a respeito de aprendizado de máquina.  

O aprendizado por reforço é essencialmente uma forma de aprendizagem não supervisionada, pois seu objetivo principal é descobrir padrões ocultos e agrupamento nos dados, sem uso de rótulos; nesse paradigma, a recompensa funciona como um critério secundário de avaliação.

Em relação a MLOps (machine learning operations), julgue o item a seguir.  

A construção de um repositório estruturado de versionamento e governança de modelos é uma prática recomendada em MLOps para garantir rastreabilidade, controle de implantação e execução segura de rollbacks.  

Em relação a MLOps (machine learning operations), julgue o item a seguir.  

MLOps é um conjunto de práticas de engenharia que padronizam, automatizam e monitoram o ciclo de vida de modelos de aprendizado de máquina com o objetivo de garantir reprodutibilidade, escalabilidade, governança e operação contínua dos sistemas de IA. 

Em relação a MLOps (machine learning operations), julgue o item a seguir.  

A orquestração em MLOps concentra-se principalmente na etapa de treinamento dos modelos, não tendo relação direta com o deploy nem com o monitoramento de serviços em produção.  

Acerca de aplicações do processamento de linguagem natural (PNL) e da teoria de sistemas multiagentes, julgue o item subsequente.  

O Word2Vec é um modelo de aprendizado profundo que utiliza redes neurais com várias camadas e mecanismos de atenção para aprender representações distribuídas de palavras a partir de grandes corpora textuais. 

Acerca de aplicações do processamento de linguagem natural (PNL) e da teoria de sistemas multiagentes, julgue o item subsequente.  

Sistemas multiagentes são adequados para problemas que exigem solução distribuída, autonomia local e coordenação entre entidades independentes, como logística, simulação social e controle de tráfego.

Acerca de aplicações do processamento de linguagem natural (PNL) e da teoria de sistemas multiagentes, julgue o item subsequente.  

Modelos de PLN como transformers eliminam a necessidade de pré-processamento do texto, pois operam diretamente sobre o texto original. 

Acerca de aplicações do processamento de linguagem natural (PNL) e da teoria de sistemas multiagentes, julgue o item subsequente.  

Modelos supervisionados de reconhecimento de entidades nomeadas dependem de textos previamente anotados com categorias como pessoa, organização e local para que o algoritmo aprenda a identificar esses tipos de informação em novos textos. 

Acerca de aplicações do processamento de linguagem natural (PNL) e da teoria de sistemas multiagentes, julgue o item subsequente.  

Emergência é uma propriedade-chave de sistemas multiagentes que deve ser intencionalmente projetada pelo desenvolvedor como parte central do comportamento coletivo desejado para os agentes inteligentes. 

No que se refere a ética, transparência e responsabilidade no uso de IA, julgue o próximo item.  

Explicabilidade diz respeito às propriedades internas do modelo de IA que permitem compreender como ele funciona. 

No que se refere a ética, transparência e responsabilidade no uso de IA, julgue o próximo item.  

Há discriminação algorítmica quando um sistema de IA usa, para uma tomada de decisão, sem justificativa válida, a informação de que alguém pertence a um grupo social (ou características que funcionam como proxies), de modo a gerar desvantagens sistemáticas para esse grupo em contextos em que esse critério não deveria influenciar a decisão.

No que se refere a ética, transparência e responsabilidade no uso de IA, julgue o próximo item.  

Explicabilidade e interpretabilidade tratam do desafio de entender como os modelos de aprendizado de máquina funcionam, devido especialmente à natureza de “caixa-preta” de muitos modelos, que pode tornar difícil ou impossível a capacidade de explicar uma previsão ou decisão.