Responsible AI (IA Responsável) e Explainable AI (IA Explicável) são conceitos importantes no desenvolvimento de sistemas de inteligência artificial. A IA Explicável refere-se à capacidade de explicar como uma decisão foi tomada pelo modelo de IA, permitindo que os usuários entendam o processo de tomada de decisão. Já a IA Responsável envolve garantir que a IA seja desenvolvida e implementada de forma ética e legalmente responsável.

Nesse contexto, sobre Responsible AI, assinale a afirmativa incorreta.

Luiz, médico dermatologista, criou um modelo de IA para auxiliar na detecção de câncer de pele com visão computacional. Como um modelo de classificação binária, ele terá 4 possíveis saídas: verdadeiro positivo (paciente com câncer, detectado corretamente), verdadeiro negativo (paciente sem câncer, detectado corretamente), falso positivo (paciente sem câncer, detectado incorretamente) e falso negativo (paciente com câncer, não detectado pelo modelo).

Levando em consideração que um modelo de IA seria utilizado como uma ferramenta de auxílio ao diagnóstico de câncer de pele, os erros de “tipo 1” (falso positivo) seriam tolerados, já que haveria uma análise posterior realizada por um médico especialista. No entanto, os erros “tipo 2” (falso negativo) seriam os mais críticos, uma vez que podem resultar em um diagnóstico tardio ou falho, comprometendo a saúde do paciente. Tomando o cenário como base, julgue os itens a seguir:

I. A métrica mais importante nesse caso seria a Sensibilidade (Recall ou Revocação);

II. A métrica mais importante nesse caso seria a Precisão (Precision);

III. Ao ajustar o modelo para minimizar erros de "tipo 2", geralmente os erros de "tipo 1" tendem a aumentar;

IV. Luiz deveria submeter seu modelo a um treinamento mais longo, independentemente do overfitting.

Estão corretas as afirmativas 

No contexto dos algoritmos utilizados em análise de dados, considere os passos a seguir:

1. recebe os dados de treinamento como entrada, que incluem atributos e categorias;

2. calcula a probabilidade de cada categoria ocorrer com base na quantidade de exemplos de cada categoria no conjunto de dados;

3. calcula a probabilidade condicional para cada atributo, ou seja, a probabilidade de um atributo dada uma categoria;

4. para uma nova entrada, calcula a probabilidade de cada categoria dada a entrada;

5. seleciona a categoria com a maior probabilidade condicional como a previsão para a nova entrada;

6. repete os passos 4 e 5 para todas as entradas desconhecidas.

Assinale o algoritmo que é implementado nos passos acima.

Assinale a alternativa que indica o tipo de aprendizagem que consiste em adquirir novos fatos ou habilidades, transformando e aumentando o conhecimento existente que tem forte semelhança com o novo conceito ou habilidade desejada em uma forma eficaz e útil na nova situação, requerendo mais inferência por parte do aluno do que aprender de cór (aprendizado por memorização) ou aprender com a instrução.

Sobre as redes neurais convolucionais (CNNs) é correto afirmar que

No processamento de linguagem natural, é preciso realizar transformações de textos em números, geralmente vetores ou matrizes, de forma que sirvam de entrada para os algoritmos computacionais de aprendizado de máquina.
obre esses algoritmos de extração de características de textos, assinale a afirmativa incorreta.

Sobre modelos de otimização de redes neurais, assinale a afirmativa incorreta. 

Sobre a divisão e tratamento de dados, assinale a afirmativa correta.

A recente explosão de machine learning e deep learning tornou os tensores populares. TensorFlow e PyTorch são dois frameworks com suporte a API de tensor.
Em relação aos tensores, assinale a opção incorreta.

Machine Learning é um subconjunto da Inteligência Artificial que utiliza dados e algoritmos para imitar o raciocínio humano. Em relação aos algoritmos de machine learning, assinale a afirmativa incorreta.

Existem diversas metodologias já desenvolvidas, e em desenvolvimento, de modelos de classificação supervisionada. Nesse sentindo, a melhor metodologia é aquela que se ajusta melhor aos seus dados e que é capaz de trazer as melhores respostas de acordo com o seu objetivo. A vantagem e desvantagem listada abaixo nos itens I e II, respectivamente, entre os diversos modelos de Classificação Supervisionada, referem-se a:

I. Controle de Overfitting. II. Interpretabilidade das variáveis.

 A respeito dos conceitos de Deep Learning, analisar os itens abaixo:

I. Redes profundas híbridas se destacam pela discriminação que é assistida, muitas vezes de forma significativa, com os resultados de redes profundas generativas ou não supervisionadas. Isso pode ser alcançado por meio de uma melhor otimização e regularização das redes profundas supervisionadas. A proposta dessa rede também pode ser alcançada quando critérios discriminativos para a aprendizagem supervisionada são usados para estimar os parâmetros em qualquer das redes profundas generativas ou não supervisionadas.
II. Em termos de topologia, para implementar uma RNA, deve-se definir diferentes variáveis, dentre as quais: o número de nós na camada de entrada, o número de camadas escondidas, o número de neurônios a serem colocados nessas camadas, e o número de neurônios na camada de saída.
III. As redes neurais com treinamento não supervisionado, os algoritmos de agrupamento e a mineração de dados com regras de associação possuem a grande vantagem de que não é necessário conhecer a classe de saída de cada item de dado e, alguns casos, nem a quantidade de classes de saída.

Está(ão) CORRETO(S):

 As fases do CRISP-DM não são necessariamente executadas em sequência, uma vez que durante o processo podem ocorrer alterações e ser modificada a sequência. A formação de hipóteses em cima do que se aprendeu com os dados, é executada em qual fase do CRISP-DM?

Uma rede neural é um modelo preditivo motivado pela forma como o cérebro funciona. Redes neurais artificiais são formadas por neurônios artificiais, que desenvolvem cálculos similares sobre suas entradas. Elas podem resolver uma variedade de problemas, tais como o reconhecimento de caligrafia e a detecção facial, entre outros. São geralmente representadas por meio de um grafo orientado, onde os vértices representam os neurônios e as arestas representam as sinapses. Podem ser classificadas em três categorias específicas: Redes Neurais Feed-Forward, Redes Recorrentes e Redes Conectadas Simetricamente. Dentro dessas categorias, existem diversos tipos de arquiteturas.

Assinale a alternativa que define corretamente uma Rede Neural Perceptron Multicamadas.

O Processamento de Linguagem Natural (PLN) é a subárea da Inteligência Artificial responsável por estudar a capacidade e as limitações de uma máquina de entender a linguagem dos seres humanos. Para poder realizar essa modelagem, são necessários pré-processamentos que abstraem e estruturam a língua, deixando apenas aquilo que representa uma informação relevante. Uma das etapas desse processo compreende a normalização. Uma tarefa que pode ser realizada dentro do processo de normalização é denominada de tokenização lexical. Considere a seguinte sentença:

A área de Ciência de Dados é muito interessante!

Assinale a alternativa correta que representa o resultado da tokenização lexical para essa sentença.

Machine Learning, ou aprendizado de máquina, é um subcampo da inteligência artificial baseada na ideia de que os sistemas podem aprender a identificar padrões e tomar decisões, por meio da análise de dados. De acordo com o tipo de técnica utilizada no processo de aprendizagem, existem vários algoritmos que podem ser aplicados para gerar o modelo de aprendizado. Os parâmetros desse modelo podem ser atualizados por meio de técnicas de otimização. Com base nessas informações, assinale a alternativa correta.

Nos modelos de aprendizado de máquina, existem dois problemas básicos que devem ser considerados. O primeiro problema é o sobreajuste (overfitting) que acontece quando se tem um modelo com bom desempenho com os dados treinados, mas que não trabalha bem com novos dados. Já o segundo problema, é o sub-ajuste (underfitting) que já sequer trabalhar com os dados de treino e, consequentemente, na aplicação em si. Para isso, é necessário implementar modelos que sejam equilibrados para atender as demandas. Considerando essas afirmações e a figura a seguir, selecione a alternativa que melhor associa o problema com os dados dispostos no espaço com a solução equilibrada, com sub-ajuste e sobreajuste de acordo com sua indicação (I, II e III).



Fonte: IFSP, 2022.

No aprendizado de máquina, o algoritmo de classificação considerado mais rudimentar e simples, que cria o modelo simplesmente baseado na moda da classe, ou seja, classifica todas as instâncias de acordo com a classe dominante, é conhecido como

Sobre o processamento morfológico de imagens, considere as afirmativas a seguir.
I - A morfologia matemática é fundamentada na teoria dos conjuntos e tem como exemplos de operadores morfológicos a erosão, a dilatação, a abertura e o fechamento. II - As operações morfológicas em imagens binárias ocorrem de forma diferente das operações morfológicas em imagens tons de cinza. III - A dilatação e a erosão morfológica em imagens tons de cinza podem ser usadas em conjunto com a subtração de imagens para obter o gradiente morfológico da imagem.
Está(ão) correta(s)