Questões de Engenharia de Software - Inteligencia Artificial para Concurso - Página 4

Q3874748

Ano: 2026 Banca: FGV Órgão: TJ-RJ Prova: FGV - 2026 - TJ-RJ - Analista Judiciário - Tecnologia da Informação - Analista de Inteligência Artificial |

Q3874748 Engenharia de Software

No contexto dos principais paradigmas de aprendizado de máquina, relacione os tipos de aprendizado a seguir com as técnicas correspondentes.

1. Aprendizado supervisionado
2. Aprendizado não supervisionado
3. Aprendizado semisupervisionado

( ) Uso de algoritmos de clustering como k-means ou clustering hierárquico para agrupar observações com base em medidas de similaridade, sem rótulos de saída.
( ) Emprego de algoritmos de propagação de rótulos (label propagation ou label spreading), combinando um pequeno conjunto de exemplos rotulados com um grande volume de dados não rotulados para melhorar a generalização.
( ) Utilização de k-vizinhos mais próximos (k-NN) para classificar exemplos, tomando como referência os rótulos dos vizinhos mais próximos no conjunto de treino.

A sequência correta é:

A

1, 2 e 3;

B

1, 3 e 2;

C

2, 1 e 3;

D

2, 3 e 1;

E

3, 1 e 2.

Incorreta. Gabarito oficial da banca:

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

Parabéns! Você acertou!

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

Q3874746

Ano: 2026 Banca: FGV Órgão: TJ-RJ Prova: FGV - 2026 - TJ-RJ - Analista Judiciário - Tecnologia da Informação - Analista de Inteligência Artificial |

Q3874746 Engenharia de Software

Uma fintech desenvolveu um pipeline ponta a ponta (end-to-end) de machine learning para detecção de fraudes em transações financeiras.
O pipeline inclui as seguintes etapas:

(1) ingestão de dados em tempo real via streaming;
(2) feature engineering com agregações temporais (médias móveis de 7 e 30 dias);
(3) predição usando um modelo de gradient boosting;
(4) deployment em arquitetura de microsserviços.

Após três meses em produção, o time de MLOps observou degradação gradual no F1-score de 0.89 para 0.72, enquanto o monitoramento revelou que as distribuições das features agregadas apresentavam mudanças estatisticamente significativas (p < 0.01 no teste de Kolmogorov-Smirnov), embora as features brutas individuais permanecessem estáveis.
Considerando as melhores práticas de pipelines de ML em produção e estratégias de deployment, a equipe deve:

A

descartar as features agregadas temporais do pipeline, pois são a causa do data drift observado, e retreinar o modelo usando apenas as features brutas individuais que permaneceram estáveis;

B

implementar apenas alertas de monitoramento mais sensíveis para detectar drift precocemente, mantendo o pipeline atual inalterado, pois o F1-score de 0.72 ainda é considerado aceitável para aplicações de detecção de fraudes em produção;

C

adotar estratégia de deployment blue-green para testar um novo modelo treinado com dados recentes em paralelo com o modelo atual, direcionando gradualmente o tráfego para o novo modelo enquanto monitora métricas de desempenho e features drift;

D

implementar um sistema de retreinamento automático com janela deslizante que periodicamente atualiza o modelo com dados recentes, mantendo as features agregadas mas recalculando-as sobre períodos mais curtos para reduzir latência conceitual;

E

aumentar a complexidade do modelo substituindo gradient boosting por deep learning com redes neurais recorrentes, pois modelos mais complexos são mais robustos a drift e podem capturar padrões temporais automaticamente sem feature engineering.

Incorreta. Gabarito oficial da banca:

Veja como esse erro impacta seu desempenho geral. Ver estatísticas

Parabéns! Você acertou!

Esse acerto melhora seu desempenho! Veja suas estatísticas

Q3874745

Ano: 2026 Banca: FGV Órgão: TJ-RJ Prova: FGV - 2026 - TJ-RJ - Analista Judiciário - Tecnologia da Informação - Analista de Inteligência Artificial |

Q3874745 Engenharia de Software

Uma empresa de e-commerce implantou um modelo de machine learning para prever a probabilidade de churn, métrica que indica a rotatividade ou evasão de clientes. Após seis meses em produção, a equipe de dados observou que, embora as distribuições estatísticas das features de entrada permanecessem estáveis (mesmas médias, mesmos desvios-padrão e mesmas distribuições), o relacionamento entre essas features e a variável-alvo (churn) havia mudado significativamente devido a alterações no comportamento dos consumidores causadas por novas políticas de fidelização da empresa.
Diante desse cenário, é correto afirmar que o modelo:

A

requer apenas ajustes nos hiperparâmetros através de validação cruzada com os dados históricos originais, mantendo a mesma arquitetura e features do pipeline de produção atual;

B

está sofrendo de concept drift, uma vez que a relação entre as features e o target mudou, requerendo retreinamento do modelo com dados recentes que reflitam o novo comportamento dos clientes;

C

não apresenta problemas, pois as distribuições estatísticas das features permanecem estáveis, e mudanças em políticas internas da empresa não afetam a capacidade preditiva de modelos já treinados;

D

está sofrendo de data drift, pois as características dos dados de entrada mudaram ao longo do tempo, sendo necessário realizar feature engineering adicional para capturar as novas políticas de fidelização;

E

apresenta tanto data drift quanto concept drift simultaneamente, sendo necessário reprojetar completamente o pipeline de machine learning incluindo nova coleta de dados e arquitetura de modelo.

Incorreta. Gabarito oficial da banca:

Salve essa questão em um caderno para revisar depois. Adicionar a um caderno

Parabéns! Você acertou!

Mantenha o ritmo! Salve no caderno para revisar depois. Adicionar a um caderno

Q3874744

Ano: 2026 Banca: FGV Órgão: TJ-RJ Prova: FGV - 2026 - TJ-RJ - Analista Judiciário - Tecnologia da Informação - Analista de Inteligência Artificial |

Q3874744 Engenharia de Software

O desempenho de modelos de aprendizado de máquina está intrinsecamente relacionado ao equilíbrio entre viés e variância. Modelos com alto viés tendem a simplificar excessivamente o problema, resultando em subajuste (underfitting), enquanto modelos com alta variância podem capturar ruído nos dados de treinamento, levando ao sobreajuste (overfitting). Para mitigar esses problemas, diversas técnicas de regularização podem ser empregadas, ajustando a complexidade do modelo e melhorando sua capacidade de generalização.
Considerando os conceitos de compensação viés-variância, sobreajuste, subajuste e técnicas de regularização, é correto afirmar que:

A

o aumento do parâmetro de regularização (lambda ou alpha) reduz o viés do modelo ao permitir que ele capture padrões mais complexos, sendo recomendado para corrigir problemas de underfitting em redes neurais profundas;

B

a regularização L1 (Lasso) e a regularização L2 (Ridge) produzem resultados idênticos em termos de seleção de features, diferindo apenas na velocidade de convergência do algoritmo de otimização durante o treinamento;

C

a validação cruzada (cross-validation) é uma técnica de regularização que modifica a função de perda adicionando um termo de penalização aos coeficientes do modelo, reduzindo assim a variância sem alterar o viés;

D

modelos com sobreajuste apresentam alto viés e baixa variância, razão pela qual técnicas de regularização são aplicadas para aumentar a complexidade do modelo e melhorar seu desempenho no conjunto de treinamento;

E

o aumento do parâmetro de regularização (lambda ou alpha) em modelos regularizados reduz a complexidade efetiva do modelo, aumentando o viés e reduzindo a variância, sendo uma estratégia eficaz contra overfitting, mas que pode levar a underfitting se aplicado excessivamente.

Incorreta. Gabarito oficial da banca:

Veja esse conteúdo explicado passo a passo em nossos cursos. Buscar curso

Parabéns! Você acertou!

Mandou bem! Revise esse tema nos nossos cursos. Buscar curso

Q3874618

Ano: 2026 Banca: FAU Órgão: Prefeitura de Verê - PR Prova: FAU - 2026 - Prefeitura de Verê - PR - Analista de Tecnologia da Informação |

Q3874618 Engenharia de Software

No modelo de Machine Learningo Overfitting ocorre quando:

A

Generaliza bem.

B

Ajusta demais aos dados de treinamento.

C

Os dados são balanceados.

D

O modelo é simples demais.

E

Regularização é aplicada.

Incorreta. Gabarito oficial da banca:

Veja esse conteúdo explicado passo a passo em nossos cursos. Buscar curso

Parabéns! Você acertou!

Mandou bem! Revise esse tema nos nossos cursos. Buscar curso

Q3871968

Ano: 2026 Banca: FCC Órgão: CPU-PE Prova: FCC - 2026 - CPU-PE - Gestor Governamental - Especialidade: Planejamento, Orçamento e Gestão |

Q3871968 Engenharia de Software

Em um laboratório de ciência de dados voltado ao setor público, três equipes desenvolvem soluções distintas baseadas em aprendizado de máquina, elencadas com os itens I, II e III.

I. Uma equipe cria um modelo que identifica se solicitações de serviços enviadas por cidadãos pertencem às categorias saúde, educação ou segurança pública, com base no texto da mensagem.
II. Outra equipe desenvolve um modelo que prevê o valor estimado de arrecadação tributária para o próximo mês, considerando dados históricos e indicadores econômicos.
III. Aterceira equipe elabora um modelo que segmenta municípios com perfis socioeconômicos semelhantes.

Com base nos conceitos fundamentais de aprendizado de máquina, os tipos de algoritmos utilizados nas soluções correspondem a

A

I. Classificação - II. Regressão - III. Agrupamento.

B

I. Regressão - II. Agrupamento - III. Classificação.

C

I. Agrupamento - II. Classificação - III. Regressão.

D

I. Regressão - II. Classificação - III. Agrupamento.

E

I. Classificação - II. Agrupamento - III. Regressão.

Incorreta. Gabarito oficial da banca:

Esse erro também aparece no seu Resumão. Veja o que melhorar

Parabéns! Você acertou!

Esse acerto está no seu Resumão. Ver Resumão da semana

Q3869760

Ano: 2026 Banca: FGV Órgão: TJ-RJ Prova: FGV - 2026 - TJ-RJ - Analista Judiciário - Tecnologia da Informação - Cientista de Dados |

Q3869760 Engenharia de Software

O cientista de dados Leo está desenvolvendo um modelo de inteligência artificial para analisar casos e tomar decisões sobre a procedência ou não do pleito.
Para analisar como o modelo chegou a uma determinada decisão, Leo deve utilizar:

A

auditoria;

B

surrogate models;

C

feature importance;

D

partial dependence plots (PDP);

E

métodos de interpretabilidade local.

Incorreta. Gabarito oficial da banca:

Veja esse conteúdo explicado passo a passo em nossos cursos. Buscar curso

Parabéns! Você acertou!

Mandou bem! Revise esse tema nos nossos cursos. Buscar curso

Q3869751

Ano: 2026 Banca: FGV Órgão: TJ-RJ Prova: FGV - 2026 - TJ-RJ - Analista Judiciário - Tecnologia da Informação - Cientista de Dados |

Q3869751 Engenharia de Software

Um laboratório de pesquisa médica está desenvolvendo um sistema de inteligência artificial para auxiliar no diagnóstico de uma doença de pele extremamente rara. O maior desafio do projeto é a escassez de dados: a equipe possui apenas 300 imagens dermatoscópicas rotuladas da doença, quantidade insuficiente para treinar uma rede neural convolucional (CNN) complexa do zero sem causar sobreajuste (overfitting).
Para contornar essa limitação, os cientistas de dados decidiram utilizar um modelo de arquitetura robusta (como a ResNet-50), que já foi previamente treinado em milhões de imagens genéricas do banco de dados ImageNet. A estratégia adotada consiste em manter os pesos das camadas iniciais da rede inalterados (congelados), aproveitando a capacidade do modelo de reconhecer formas e texturas, e treinar apenas as últimas camadas para distinguir a lesão de pele específica.
Essa técnica de reaproveitamento de conhecimento prévio de um domínio para resolver um problema em outro domínio com poucos dados é denominada:

A

Data Augmentation (aumento de dados);

B

Transfer Learning (Aprendizado por Transferência);

C

Reinforcement Learning (Aprendizado por Reforço);

D

Unsupervised Clustering (Agrupamento Não Supervisionado);

E

Dimensionality Reduction (Redução de Dimensionalidade).

Incorreta. Gabarito oficial da banca:

Errou um tema comum da banca? Veja o que mais costuma cair no Raio-X. Ver raio-X

Parabéns! Você acertou!

Essa questão segue o padrão da banca! Veja o que mais costuma cair. Ver raio-X

Q3869747

Ano: 2026 Banca: FGV Órgão: TJ-RJ Prova: FGV - 2026 - TJ-RJ - Analista Judiciário - Tecnologia da Informação - Cientista de Dados |

Q3869747 Engenharia de Software

Uma fintech desenvolveu um pipeline ponta a ponta (end-to-end) de machine learning para detecção de fraudes em transações financeiras.
O pipeline inclui as seguintes etapas:
(1) ingestão de dados em tempo real via streaming;
(2) feature engineering com agregações temporais (médias móveis de 7 e 30 dias);
(3) predição usando um modelo de gradient boosting;
(4) deployment em arquitetura de microsserviços.
Após três meses em produção, o time de MLOps observou degradação gradual no F1-score de 0.89 para 0.72, enquanto o monitoramento revelou que as distribuições das features agregadas apresentavam mudanças estatisticamente significativas (p < 0.01 no teste de Kolmogorov-Smirnov), embora as features brutas individuais permanecessem estáveis.
Considerando as melhores práticas de pipelines de ML em produção e estratégias de deployment, a equipe deve:

A

descartar as features agregadas temporais do pipeline, pois são a causa do data drift observado, e retreinar o modelo usando apenas as features brutas individuais que permaneceram estáveis;

B

implementar apenas alertas de monitoramento mais sensíveis para detectar drift precocemente, mantendo o pipeline atual inalterado, pois o F1-score de 0.72 ainda é considerado aceitável para aplicações de detecção de fraudes em produção;

C

adotar estratégia de deployment blue-green para testar um novo modelo treinado com dados recentes em paralelo com o modelo atual, direcionando gradualmente o tráfego para o novo modelo enquanto monitora métricas de desempenho e features drift;

D

implementar um sistema de retreinamento automático com janela deslizante que periodicamente atualiza o modelo com dados recentes, mantendo as features agregadas mas recalculando-as sobre períodos mais curtos para reduzir latência conceitual;

E

aumentar a complexidade do modelo substituindo gradient boosting por deep learning com redes neurais recorrentes, pois modelos mais complexos são mais robustos a drift e podem capturar padrões temporais automaticamente sem feature engineering.

Incorreta. Gabarito oficial da banca:

Salve essa questão em um caderno para revisar depois. Adicionar a um caderno

Parabéns! Você acertou!

Mantenha o ritmo! Salve no caderno para revisar depois. Adicionar a um caderno

Q3869744

Ano: 2026 Banca: FGV Órgão: TJ-RJ Prova: FGV - 2026 - TJ-RJ - Analista Judiciário - Tecnologia da Informação - Cientista de Dados |

Q3869744 Engenharia de Software

O aprendizado de máquina (machine learning) é frequentemente categorizado em diferentes paradigmas, dependendo da natureza dos dados disponíveis e do problema a ser resolvido. Dois dos tipos mais comuns são o aprendizado supervisionado e o aprendizado não supervisionado.
A principal diferença conceitual entre essas duas abordagens reside no fato de que, no aprendizado supervisionado:

A

o algoritmo opera sobre dados que não possuem classificação prévia, buscando encontrar padrões ou estruturas ocultas por conta própria;

B

o conjunto de dados de treinamento contém pares de dados de entrada e seus respectivos rótulos (labels) ou respostas corretas desejadas;

C

o sistema aprende através da interação com um ambiente dinâmico, recebendo sinais de recompensa ou punição baseados em suas ações;

D

o objetivo principal é sempre reduzir a dimensionalidade dos dados para facilitar a visualização, ignorando as variáveis de saída;

E

não é necessário separar os dados em conjuntos de treino e teste, visto que a validação ocorre simultaneamente ao processamento.

Incorreta. Gabarito oficial da banca:

Errou um tema comum da banca? Veja o que mais costuma cair no Raio-X. Ver raio-X

Parabéns! Você acertou!

Essa questão segue o padrão da banca! Veja o que mais costuma cair. Ver raio-X

Q3856599

Ano: 2026 Banca: CESPE / CEBRASPE Órgão: TCE-MG Prova: CESPE / CEBRASPE - 2026 - TCE-MG - Analista de Controle Externo - Especialidade: Ciência da Computação |

Q3856599 Engenharia de Software

Amplamente utilizado em tarefas de clusterização, o algoritmo k-means

A

ignora valores extremos, uma vez que o cálculo do centroide é baseado em medianas.

B

tende a produzir clusters esféricos, sendo sensível à escala dos atributos.

C

encontra agrupamentos independentemente da inicialização e converge para a solução global ótima.

D

produz como saída, durante sua execução, o valor ótimo de k.

E

é adequado para dados categóricos, pois calcula centroides usando a moda das categorias.

Incorreta. Gabarito oficial da banca:

Treine mais com um simulado focado no seu concurso. Criar simulado

Parabéns! Você acertou!

Está mandando bem! Treine mais em um simulado completo. Criar simulado

Q3856598

Ano: 2026 Banca: CESPE / CEBRASPE Órgão: TCE-MG Prova: CESPE / CEBRASPE - 2026 - TCE-MG - Analista de Controle Externo - Especialidade: Ciência da Computação |

Q3856598 Engenharia de Software

Acerca das características de classificação, regressão, clusterização, regras de associação e detecção de anomalias, assinale a opção correta.

A

Regras de associação são classificadas como aprendizagem supervisionada, pois podem ser validadas com base em rótulos de saída conhecidos.

B

Classificação e regressão pertencem à aprendizagem supervisionada; enquanto clusterização, associação e detecção de anomalias são consideradas tarefas de aprendizagem não supervisionada.

C

Detecção de anomalias é uma tarefa de aprendizagem supervisionada, pois depende de exemplos rotulados de comportamento normal e anômalo.

D

Classificação e regressão são tarefas de aprendizagem não supervisionada, pois exigem apenas dados de entrada, sem a presença de rótulos.

E

Clusterização e regras de associação são exemplos de aprendizagem supervisionada, pois identificam padrões previamente definidos.

Q3856595

Ano: 2026 Banca: CESPE / CEBRASPE Órgão: TCE-MG Prova: CESPE / CEBRASPE - 2026 - TCE-MG - Analista de Controle Externo - Especialidade: Ciência da Computação |

Q3856595 Engenharia de Software

Certa startup brasileira desenvolveu uma aplicação de inteligência artificial para auxiliar a justiça federal na análise inicial de recursos jurídicos de baixo valor. O sistema opera como um agente inteligente que utiliza um extenso dataset de jurisprudências passadas para calcular a probabilidade de sucesso de novos recursos, com o objetivo de otimizar a triagem processual ao maximizar a taxa de acerto nas suas previsões. Em testes, a aplicação atingiu uma impressionante taxa de precisão de 98% na previsão de resultados. No entanto, uma auditoria de compliance ético revelou que o algoritmo apresentava um viés: os recursos originários de regiões com baixo índice de desenvolvimento humano (IDH) do Nordeste brasileiro eram sistematicamente classificados com menor probabilidade de sucesso, mesmo quando apresentavam mérito legal similar a casos de regiões mais desenvolvidas. A equipe técnica defendeu o sistema, alegando que ele era racional, pois maximizava consistentemente a métrica de acerto definida.

Considerando a natureza do sistema criado nessa situação hipotética e a distinção fundamental entre racionalidade e justiça em sistemas de IA, assinale a opção que apresenta corretamente a falha ética do sistema à luz dos conceitos básicos da inteligência artificial.

A

O viés regional é uma prova incontestável de que o sistema é um exemplo de inteligência artificial simbólica, pois somente essa arquitetura, baseada em regras pré-codificadas, é capaz de manifestar discriminação explícita, ao contrário dos modelos conectivistas (redes neurais).

B

A falha do sistema é uma evidência de que ele não pode ser classificado como um agente racional, pois, por definição, ele deve seguir a função de utilidade ideal de uma sociedade justa, o que exige que o sistema possua consciência e um senso moral.

C

O sistema é um agente puramente reativo, e sua incapacidade de manter estados internos sobre a equidade do dataset é a causa direta do viés, o que demonstra a ineficácia dos sistemas de machine learning baseados em modelos.

D

O sistema demonstra uma limitação da inteligência artificial forte, cuja alta taxa de acerto é incompatível com o viés, o que confirma que a singularidade tecnológica não será alcançada enquanto os sistemas de inteligência artificial não forem treinados apenas com dados totalmente neutros, sem histórico humano.

E

A racionalidade técnica do sistema é mantida, pois ele maximiza sua função utilidade (taxa de acerto), mas o viés detectado reside na definição dessa utilidade ou na qualidade dos dados de treinamento, o que o caracteriza como um sistema racionalmente tendencioso, mas não irracional.

Incorreta. Gabarito oficial da banca:

Veja como esse erro impacta seu desempenho geral. Ver estatísticas

Parabéns! Você acertou!

Esse acerto melhora seu desempenho! Veja suas estatísticas

Q3991671

Ano: 2025 Banca: INSTITUTO AOCP Órgão: MPE-RS Prova: INSTITUTO AOCP - 2025 - MPE-RS - Analista do Ministério Público - Informática |

Q3991671 Engenharia de Software

O framework que fornece bibliotecas para criar aplicações avançadas de RAG (Retrieval Augmented Generation) e que tem como finalidade facilitar a aquisição de conteúdo e também realizar a indexação e recuperação de vários tipos de conteúdo, permitindo que a construção de aplicações possa acessar múltiplas fontes de dados e gerar respostas integradas, é denominado

A

CRISP-DM.

B

PamDDoS.

C

Rancher.

D

LlamaIndex.

E

WCAG.

Incorreta. Gabarito oficial da banca:

Treine mais com um simulado focado no seu concurso. Criar simulado

Parabéns! Você acertou!

Está mandando bem! Treine mais em um simulado completo. Criar simulado

Q3970433

Ano: 2025 Banca: LEGALLE Concursos Órgão: TCE-SP Prova: LEGALLE Concursos - 2025 - TCE-SP - Auditor de Controle Externo - Processo de Promoção 2023 |

Q3970433 Engenharia de Software

Analise as partes: Um aspecto importante que a inteligência artificial traz, com ferramentas como o ChatGPT, por exemplo, é que em um único lugar, todos consigam pesquisar, criar conteúdo de forma muito acessível (1ª parte), não é necessário utilizar uma linguagem específica de programação (2ª parte), buscar mais de um portal ou sate para se obter uma informação que é consoladada, resumida e entregue em segundos (3ª parte).
Acerca das partes, pode-se afirmar que:

A

Todas as partes estão corretas.

B

Apenas a 1ª parte está incorreta.

C

Apenas a 2ª parte está correta.

D

Apenas a 3ª parte está incorreta.

E

Todas as partes estão incorretas

Incorreta. Gabarito oficial da banca:

Treine mais com um simulado focado no seu concurso. Criar simulado

Parabéns! Você acertou!

Está mandando bem! Treine mais em um simulado completo. Criar simulado

Q3970431

Ano: 2025 Banca: LEGALLE Concursos Órgão: TCE-SP Prova: LEGALLE Concursos - 2025 - TCE-SP - Auditor de Controle Externo - Processo de Promoção 2023 |

Q3970431 Engenharia de Software

Tem-se que o ____ ocorre quando os elementos que compõem a amostra de treinamento são tão díspares que o algoritmo não consegue identificar uma quantidade suflciente de padrões _____ na amostra.
Preenche, CORRETA e respectivamente, as lacunas:

A

oveíitting, diferentes.

B

lightfitting; em comum

C

Iightíitting ; diferentes.

D

oveiitting: em comum

E

lightfitting; iguais.

Incorreta. Gabarito oficial da banca:

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

Parabéns! Você acertou!

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

Q3970428

Ano: 2025 Banca: LEGALLE Concursos Órgão: TCE-SP Prova: LEGALLE Concursos - 2025 - TCE-SP - Auditor de Controle Externo - Processo de Promoção 2023 |

Q3970428 Engenharia de Software

Considerando os benefícios do refinamento iterativo, analise as assertivas:
l. Melhoria Contínua: Cada iteração melhora a qualidade do prompt e, consequentemente, das respostas.
ll. Eficiência: Maximiza a necessidade de revisão manual e edição pós-geração, economizando tempo e esforço.
lll Precisão e Relevância: Prompts refinados produzem respostas mais precisas e relevantes.
Está(ão) CORRETA(S)

A

Apenas ll.

B

Apenas l e lll.

C

l, ll e lll.

D

Apenas ll e lll

E

Apenas l

Incorreta. Gabarito oficial da banca:

Salve essa questão em um caderno para revisar depois. Adicionar a um caderno

Parabéns! Você acertou!

Mantenha o ritmo! Salve no caderno para revisar depois. Adicionar a um caderno

Q3970425

Ano: 2025 Banca: LEGALLE Concursos Órgão: TCE-SP Prova: LEGALLE Concursos - 2025 - TCE-SP - Auditor de Controle Externo - Processo de Promoção 2023 |

Q3970425 Engenharia de Software

Acerca da importância nos modelos de linguagem na engenharia de prompts, analise o texto:
Comandos bem projetados são essenciais para garantir que os modelos de lA compreendam corretamente a intenção do usuário e forneçam respostas úteis. isso é especialmente importante em aplicações críticas. como auditorias de controle extemo onde a precisão é fundamental.
Acerca do texto, pode-se afirmar que ele está:

A

Plenamente adequado, pois apresenta somente anformações verdadeiras

B

Parcialmente adequado, visto que lA não necessita de comandos bem projetados.

C

Parcialmente adequado, visto que a lA é sempre precisa. não havendo situações especiais.

D

Parcialmente adequado, visto que auditorias de controle externo não podem fazer uso de lA

E

Plenamente inadequado, pois apresenta somente informações falsas.

Incorreta. Gabarito oficial da banca:

Errou um tema comum da banca? Veja o que mais costuma cair no Raio-X. Ver raio-X

Parabéns! Você acertou!

Essa questão segue o padrão da banca! Veja o que mais costuma cair. Ver raio-X

Q3903014

Ano: 2025 Banca: TJ-PI Órgão: TJ-PI Prova: TJ-PI - 2025 - TJ-PI - Residente Tecnológico |

Q3903014 Engenharia de Software

Para auxiliar magistrados e assessores na elaboração de sentenças e acórdãos, a equipe de TI do TJPI planeja desenvolver um sistema de recomendação de jurisprudência integrado ao editor de textos do PJe. Ao analisar o texto da minuta em elaboração, o sistema deve sugerir decisões e súmulas relevantes do próprio TJPI e de tribunais superiores. Qual das seguintes arquiteturas de sistema de recomendação é a mais adequada para essa tarefa?

A

Um sistema baseado em filtragem colaborativa (collaborative filtering), que recomendaria jurisprudência com base no que outros magistrados com histórico de julgamento similar visualizaram ou citaram no passado.

B

Um sistema baseado em conteúdo (content-based filtering), que analisaria o conteúdo textual da minuta em elaboração (usando técnicas como TFIDF ou embeddings de texto) e buscaria na base de dados jurisprudencial os documentos com maior similaridade textual.

C

Um sistema que recomenda apenas as decisões mais citadas ou populares em todo o tribunal, independentemente do conteúdo da minuta, pois a popularidade é o melhor indicador de relevância.

D

Um sistema baseado em regras fixas, onde um jurista cadastraria manualmente pares de "palavra-chave" -> "jurisprudência recomendada", garantindo total controle e precisão sobre as recomendações.

E

Um sistema híbrido que utiliza a filtragem colaborativa como base principal e o conteúdo textual apenas como critério de desempate, pois a "sabedoria da multidão" dos magistrados é mais importante que a análise semântica do texto.

Incorreta. Gabarito oficial da banca:

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

Parabéns! Você acertou!

Compare seu desempenho com quem faz o mesmo concurso. Ver concorrência

Q3903012

Ano: 2025 Banca: TJ-PI Órgão: TJ-PI Prova: TJ-PI - 2025 - TJ-PI - Residente Tecnológico |

Q3903012 Engenharia de Software

A Corregedoria Geral da Justiça do TJPI detectou um aumento expressivo no volume de processos contra um pequeno grupo de empresas de telefonia e instituições financeiras, caracterizando um fenômeno de litigância de massa. Para gerenciar essa demanda, a equipe de TI foi solicitada a construir um modelo preditivo que, ao analisar uma nova petição inicial no PJe, identifique com alta probabilidade se ela pertence a esse conjunto de litígios repetitivos. A análise inicial do dataset histórico revelou que esses processos representam apenas 5% do total de petições. Diante de um problema de classificação com dados severamente desbalanceados, qual é a abordagem metodológica mais adequada?

A

Treinar um modelo de árvore de decisão utilizando a acurácia como métrica principal de avaliação, pois essa métrica reflete diretamente a porcentagem de classificações corretas do modelo no geral.

B

Ignorar o desbalanceamento, pois algoritmos modernos como redes neurais profundas são inerentemente capazes de lidar com a desproporção entre as classes sem qualquer tratamento especial nos dados.

C

Aplicar técnicas de reamostragem, como SMOTE (Synthetic Minority Over-sampling Technique) para gerar exemplos sintéticos da classe minoritária (litígios de massa), e avaliar o modelo utilizando métricas como F1-Score ou a Área Sob a Curva ROC (AUCROC), que são mais robustas ao desbalanceamento de classes.

D

Remover aleatoriamente 95% dos exemplos da classe majoritária (undersampling) para criar um dataset perfeitamente balanceado, garantindo assim que o modelo não terá nenhum viés e maximizará todas as métricas de performance.

E

Utilizar um algoritmo de clusterização não supervisionado, como o K-Means, para agrupar as petições em clusters e, em seguida, rotular manualmente cada cluster como "litígio de massa" ou "normal", pois esta é a única forma de descobrir os padrões sem viés.

Incorreta. Gabarito oficial da banca:

Veja como esse erro impacta seu desempenho geral. Ver estatísticas

Parabéns! Você acertou!

Esse acerto melhora seu desempenho! Veja suas estatísticas

🚀 Mais performance?

🚀 Mais performance?

Questões de Concurso Sobre inteligencia artificial em engenharia de software

Foram encontradas 758 questões