A respeito do desenvolvimento de software seguro, julgue o item a seguir. 

Na estrutura de desenvolvimento de software seguro do NIST, o grupo de prática “Preparar a Organização” inclui a recomendação de que todos os componentes dos ambientes de desenvolvimento de software sejam fortemente protegidos contra ameaças internas e externas, a fim de prevenir comprometimentos. 

A respeito do desenvolvimento de software seguro, julgue o item a seguir. 

Na prática “Produzir Software Bem Protegido” do SSDF (secure software development framework), o NIST incentiva o reúso de credenciais de autenticação entre diferentes ambientes de desenvolvimento para facilitar o acesso dos desenvolvedores e agilizar o processo de integração contínua. 

A respeito do desenvolvimento de software seguro, julgue o item a seguir. 

Os princípios da arquitetura e da governança Zero Trust no SDL incluem a presunção de que o sistema já está comprometido, a verificação explícita da confiança e a concessão do menor privilégio necessário para cada conta de usuário, cada identidade de máquina/serviço e cada componente da aplicação.  

A respeito do desenvolvimento de software seguro, julgue o item a seguir. 

Uma prevenção recomendada pelo OWASP Top 10 contra quebra de controle de acesso é a implementação de verificações de autorização nos modelos de domínio que apliquem as restrições de negócios da aplicação.

A respeito da proteção de dados pessoais no Brasil, dos grandes modelos de linguagem (LLMs) e do uso de redes neurais no setor jurídico, julgue o item que se segue.  

Modelos transformer superam, devido ao mecanismo de autoatenção, as redes neurais recorrentes tradicionais na captura de dependências de longo alcance em documentos jurídicos extensos, sendo esta a principal razão para a adoção dos transformers em tarefas como sumarização e busca semântica no campo jurídico.

A respeito da proteção de dados pessoais no Brasil, dos grandes modelos de linguagem (LLMs) e do uso de redes neurais no setor jurídico, julgue o item que se segue.  

Os LLMs se destacaram recentemente em decorrência do aprimoramento das técnicas de treinamento com feedback humano; da maior acessibilidade via interfaces de uso simples como ChatGPT e Gemini; do avanço da potência computacional com GPUs; e da melhoria dos dados de treinamento.  

A respeito da proteção de dados pessoais no Brasil, dos grandes modelos de linguagem (LLMs) e do uso de redes neurais no setor jurídico, julgue o item que se segue.  

De acordo com a Lei Geral de Proteção de Dados Pessoais, no contexto de um sistema informatizado de um órgão público, é atribuição do encarregado de dados tomar decisões referentes ao tratamento de dados pessoais, a exemplo da definição das finalidades do respectivo tratamento.

Julgue o item subsequente, no que concerne ao uso da biblioteca Hugging Face Transformers com PyTorch e aos sistemas baseados na arquitetura RAG (retrieval-augmented generation).

Considerando-se que os sistemas baseados na arquitetura RAG são projetados para mitigar limitações dos grandes modelos de linguagem, como a alucinação factual e a dificuldade de atualização constante, é correto afirmar que o uso do RAG permite incorporar documentos normativos, jurisprudência ou doutrina diretamente no processo de geração de respostas, viabilizando consultas mais confiáveis, com rastreabilidade das fontes e sem a necessidade de retreinamento do modelo-base. 

Julgue o item subsequente, no que concerne ao uso da biblioteca Hugging Face Transformers com PyTorch e aos sistemas baseados na arquitetura RAG (retrieval-augmented generation).

Embora a biblioteca Hugging Face ofereça suporte a múltiplos frameworks, alguns modelos específicos — especialmente os mais antigos, originalmente treinados em TensorFlow — podem apresentar dificuldades de integração em pipelines de inferência desenvolvidos em PyTorch, como os utilizados em aplicações jurídicas; nesses casos, pode ser recomendável adaptar ou reconstruir o modelo em PyTorch para assegurar compatibilidade e controle total sobre o fluxo de dados. 

Acerca do processamento de linguagem natural e dos conceitos de modelos preditivos (supervisionados) e descritivos (não supervisionados), julgue o item a seguir.  

Em análise preditiva, algoritmos de classificação podem ser treinados a partir de conjuntos de dados sem rótulos; sendo o processo de ajuste dos parâmetros pelo algoritmo com base nesses dados denominado aprendizado supervisionado. 

Acerca do processamento de linguagem natural e dos conceitos de modelos preditivos (supervisionados) e descritivos (não supervisionados), julgue o item a seguir.  

Em um pipeline de pré-processamento de linguagem natural aplicado ao domínio jurídico, a tokenização deve, necessariamente, ser precedida pela lematização, uma vez que a lematização opera sobre formas canônicas já segmentadas. 

De acordo com a Resolução CNJ n.º 615/2025, que estabelece diretrizes para o desenvolvimento, a utilização e a governança de soluções desenvolvidas com recursos de inteligência artificial no Poder Judiciário, julgue o próximo item.  

Após o treinamento de modelos de inteligência artificial, recomenda-se eliminar os dados pessoais não anonimizados dos repositórios de dados, mantendo apenas os dados tokenizados estritamente necessários ao modelo.

De acordo com a Resolução CNJ n.º 615/2025, que estabelece diretrizes para o desenvolvimento, a utilização e a governança de soluções desenvolvidas com recursos de inteligência artificial no Poder Judiciário, julgue o próximo item.  

É vedado o uso de modelos de linguagem de grande escala e sistemas de inteligência artificial generativa, privados ou externos ao Poder Judiciário, para processar ou gerar conteúdo com base em documentos sigilosos, mesmo que os dados tenham sido anonimizados ou que existam mecanismos técnicos para garantir sua proteção.

Julgue o próximo item, a respeito de Big Data, data mining e Oracle Data Integrator (ODI). 

O ODI suporta integração nativa com tecnologias Big Data por meio do ODI Big Data Adapter e é capaz de gerar código HiveQL, Spark e Pig sem que o desenvolvedor escreva manualmente tais scripts. 

Julgue o próximo item, a respeito de Big Data, data mining e Oracle Data Integrator (ODI). 

No ODI, os knowledge modules são componentes reutilizáveis que encapsulam as lógicas de integração e transformação e que podem ser personalizados em linguagens como SQL, Groovy e Shell Script. 

Julgue o próximo item, a respeito de Big Data, data mining e Oracle Data Integrator (ODI). 

As técnicas de data mining operam exclusivamente com dados rotulados, utilizando apenas algoritmos supervisionados, uma vez que a descoberta de padrões requer o conhecimento prévio das classes dos dados. 

Julgue o próximo item, a respeito de Big Data, data mining e Oracle Data Integrator (ODI). 

Uma das funções de data mining é realizar previsões com base em dados históricos, utilizando algoritmos como regressão, redes neurais e árvores de decisão. 

Julgue o próximo item, a respeito de Big Data, data mining e Oracle Data Integrator (ODI). 

Em soluções de Big Data orientadas à análise em tempo real, os dados são invariavelmente persistidos antes de serem processados, o que assegura a integridade analítica e a eliminação completa de latência na geração de insights. 

Julgue o próximo item, a respeito de Big Data, data mining e Oracle Data Integrator (ODI). 

Define-se Big Data apenas pelo volume de dados, sendo o armazenamento eficiente desses dados o principal objetivo dos sistemas modernos de processamento de informações.  

No que concerne aos conceitos de eMAG e de SPA (single-page application), julgue o item a seguir.  

Um SPA é uma implementação de aplicativo web em que frameworks PHP com Zend são uma parte fundamental do desenvolvimento web front-end.