Julgue o próximo item, em relação a cuDNN, gerenciamento de GPU com NVIDIA SMI, e infraestrutura e operação de ambientes com GPU. 

A virtualização de GPU com NVIDIA vGPU permite o compartilhamento de uma única GPU física entre múltiplas máquinas virtuais ou contêineres; no caso do uso com contêiner Docker, é necessário que o host tenha os drivers NVIDIA instalados, além do NVIDIA Container Toolkit, para que os contêineres consigam acessar a GPU corretamente. 

Julgue o próximo item, em relação a cuDNN, gerenciamento de GPU com NVIDIA SMI, e infraestrutura e operação de ambientes com GPU. 

A correta execução de bibliotecas de inteligência artificial que utilizem aceleração por GPU, como TensorFlow ou PyTorch com suporte CUDA, depende da compatibilidade entre as versões da GPU NVIDIA, do driver instalado, do CUDA Toolkit e da biblioteca utilizada, visto que uma incompatibilidade entre esses componentes pode impedir o uso da GPU, mesmo que ela esteja fisicamente instalada e funcional.

Julgue o próximo item, em relação a cuDNN, gerenciamento de GPU com NVIDIA SMI, e infraestrutura e operação de ambientes com GPU. 

O utilitário nvidia-smi, integrante da SMI da NVIDIA, é restrito à função de leitura passiva de métricas da GPU em tempo real, como temperatura, uso de memória e potência, não oferecendo suporte à reconfiguração de parâmetros operacionais nem à ativação de modos persistentes, funcionalidades que dependem exclusivamente de ferramentas avançadas como o NVIDIA Control Panel. 

Julgue o próximo item, em relação a cuDNN, gerenciamento de GPU com NVIDIA SMI, e infraestrutura e operação de ambientes com GPU. 

No ambiente Windows, a instalação e o uso do cuDNN com Python é um processo complexo que exige a compilação manual do cuDNN a partir do código-fonte e a modificação direta de bibliotecas Python de baixo nível, pois os frameworks de deep learning, como TensorFlow e PyTorch, não possuem integração nativa com o cuDNN no ambiente Windows, tornando-o inviável para desenvolvedores comuns. 

A respeito dos fundamentos de GPU para ambientes de alto desempenho e das aplicações práticas da CUDA, julgue o item a seguir. 

No desenvolvimento de aplicações com CUDA, uma das estratégias recomendadas para a otimização de desempenho é a minimização do uso da memória compartilhada do dispositivo, priorizando-se o acesso direto à memória global, já que esta possui maior largura de banda e menor latência.  

A respeito dos fundamentos de GPU para ambientes de alto desempenho e das aplicações práticas da CUDA, julgue o item a seguir. 

Em uma GPU, o programador define diretamente no código quantos blocos de threads devem ser executados, enquanto o escalonador de blocos de threads, implementado em hardware, distribui esses blocos entre os processadores SIMD multithreaded.  

A respeito dos fundamentos de GPU para ambientes de alto desempenho e das aplicações práticas da CUDA, julgue o item a seguir. 

Em CUDA, a execução paralela é estruturada em threads, que formam blocks, os quais, por sua vez, compõem grids, podendo diferentes blocks dentro de um mesmo grid compartilhar automaticamente sua memória local e seus registradores.  

A respeito dos fundamentos de GPU para ambientes de alto desempenho e das aplicações práticas da CUDA, julgue o item a seguir. 

Técnicas como AWQ (activation-aware weight quantization) e GGUF (general unified format) comprometem a precisão e a viabilidade da execução local de grandes modelos de linguagem, sendo inadequadas para aplicações como chatbots offline, análise de texto em tempo real ou inferência embarcada, já que essas abordagens aumentam a latência e o consumo de memória, exigindo hardware com alta capacidade computacional. 

A respeito dos fundamentos de GPU para ambientes de alto desempenho e das aplicações práticas da CUDA, julgue o item a seguir. 

A utilização de GPU permite acelerar cargas de trabalho de alta complexidade, superando a capacidade de processamento de CPUs tradicionais para a execução de certas tarefas, como o treinamento de modelos de aprendizado profundo para a análise preditiva de sentenças.

Em relação a serviços de nuvem, sistemas operacionais e conceitos de DevOps, julgue o item subsequente. 

No modelo de nuvem privada, os recursos pertencem a um provedor terceirizado, sendo oferecidos mediante pagamento ou outros meios, como publicidade.

Julgue o próximo item, relativo a Keycloak, RabbitMQ, GitHub e Kubernetes.

No RabbitMQ, em sua versão mais recente, as filas de quórum devem ser utilizadas especialmente quando envolvem filas temporárias ou transitórias.  

Acerca das ferramentas Karma e SonarQube, julgue o item que se segue.  

O SonarQube exige que todo código analisado seja compilado antes da execução da análise estática, mesmo para linguagens interpretadas como Python ou JavaScript.  

Acerca das ferramentas Karma e SonarQube, julgue o item que se segue.  

O parâmetro browserDisconnectTolerance do Karma Runner especifica quantas reconexões são permitidas entre servidor e navegadores durante falhas temporárias de rede, com valor padrão zero (sem tentativas de reconexão).  

A respeito de criptografia, do clean code e das técnicas de refactoring, julgue o item seguinte.  

O refactoring extract superclass é utilizado para esconder dependências indiretas entre objetos, promovendo encapsulamento de delegações e reduzindo o acoplamento estrutural do sistema.