Julgue o item que se segue, relativo a aspectos linguísticos do texto CG1A1 e ao vocabulário nele empregado.  

A eliminação do acento gráfico na palavra “hieróglifos” (final do quarto parágrafo) não geraria incorreção no texto. 

Julgue o item que se segue, relativo a aspectos linguísticos do texto CG1A1 e ao vocabulário nele empregado.  

A forma verbal “adverte” (primeiro período do terceiro parágrafo) poderia ser substituída por ensina, mantendo-se a correção gramatical e os sentidos originais do texto.

Julgue o item que se segue, relativo a aspectos linguísticos do texto CG1A1 e ao vocabulário nele empregado.  

No início do primeiro parágrafo, a expressão “No momento em que” poderia ser substituída por Na medida que, sem prejuízo da correção gramatical e da coerência das ideias do texto. 

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 uso de resfriamento líquido direto ao chip em data centers de inteligência artificial permite a operação com temperaturas de água mais elevadas, reduzindo a dependência de chillers mecânicos em diversos climas, abordagem que contribui tanto para a eficiência energética quanto para a eficiência hídrica.  

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.

Acerca dos tipos de aprendizado, da inteligência artificial generativa e das redes neurais, julgue o item subsequente. 

Redes neurais convolucionais são utilizadas principalmente em tarefas de processamento sequencial, como tradução automática e análise de sentimentos em linguagem natural. 

Acerca dos tipos de aprendizado, da inteligência artificial generativa e das redes neurais, julgue o item subsequente. 

Em arquiteturas de redes neurais profundas, o uso de funções de ativação não lineares, como ReLU ou Sigmoid, é essencial para que a rede aprenda padrões complexos e não lineares. 

Acerca dos tipos de aprendizado, da inteligência artificial generativa e das redes neurais, julgue o item subsequente. 

A inteligência artificial generativa inclui modelos como as redes generativas adversárias e os modelos baseados em transformadores, os quais são capazes de criar novos conteúdos, como imagens, textos ou áudios.

Acerca dos tipos de aprendizado, da inteligência artificial generativa e das redes neurais, julgue o item subsequente. 

O aprendizado por reforço é utilizado principalmente em tarefas de classificação supervisionada, nas quais o agente aprende com base em dados rotulados fornecidos previamente. 

Julgue o item a seguir, que versam acerca da administração do SGBD Oracle, da modelagem de dados multidimensional e do conceito de data lake.

O conceito de data lake baseia-se na estruturação rígida dos dados no momento da ingestão (schema-on-write), o que garante integridade imediata e desempenho otimizado em consultas transacionais. 

Julgue o item a seguir, que versam acerca da administração do SGBD Oracle, da modelagem de dados multidimensional e do conceito de data lake.

Na modelagem multidimensional, a tabela fato contém os dados de medição quantitativa, está no centro do esquema estrela e tem relação direta com as tabelas dimensão.  

Julgue o item a seguir, que versam acerca da administração do SGBD Oracle, da modelagem de dados multidimensional e do conceito de data lake.

O Oracle Data Guard permite a replicação síncrona e assíncrona de dados entre bancos de dados primários e de standby, oferecendo alta disponibilidade e recuperação de desastres.