No treinamento de grandes modelos de linguagem (LLMs), como o GPT-4, uma técnica...

Questão de Informática da banca FGV aplicada no concurso TCE PE (2025). Confira a resolução completa abaixo:

Q1039877•
Informática•
Inteligência Artificial e Automação•
FGV•
TCE PE•
Auditor de Controle Externo Tecnologia da Informação•
2025

No treinamento de grandes modelos de linguagem (LLMs), como o GPT-4, uma técnica importante, utilizada para estabilizar o treinamento e favorecer a convergência - especialmente ao lidar com camadas profundas -, é a normalização por camada, conhecida como Layer Normalization, que consiste em:

normalizar as ativações ao longo dos canais de entrada, reduzindo o desvio padrão espacial, ideal para modelos CNN.

realizar a normalização entre exemplos de treinamento, reduzindo a variação das ativações dentro de um mesmo lote.

normalizar as ativações individualmente para cada exemplo, considerando todos os neurônios da mesma camada.

aplicar uma normalização nas ativações por meio de uma média móvel das ativações das camadas anteriores.

realizar uma normalização baseada em gradientes acumulados, diretamente no passo de retropropagação (backpropagation).

Questões Relacionadas

Q1048667•
Informática•
Inteligência Artificial e Automação•
FGV•
TCE PE•
Procurador do Tribunal de Contas•
2025

Com relação à Inteligência Artificial, analise as afirmativas a seguir e assinale (V) para verdadeira e (F) para falsa.

( ) Representa o conjunto de modelos, algoritmos, técnicas e metodologias que podem ser implementados como sistemas computacionais
( ) Produz resultados como previsões, classificações, recomendações e decisões, a partir de processos de aprendizagem baseados em grande volume de dados.
( ) Tem potencial para influenciar somente ambientes virtuais.

As afirmativas são, respectivamente,

Q1039875•
Informática•
Inteligência Artificial e Automação•
FGV•
TCE PE•
Auditor de Controle Externo Tecnologia da Informação•
2025

Com a popularização de modelos de linguagem de grande escala (LLMs), como o GPT e o Claude, a engenharia de prompt tornou-se uma habilidade essencial para direcionar corretamente esses modelos, extraindo respostas mais úteis, seguras e alinhadas ao objetivo do usuário.
Em relação às boas práticas de engenharia de prompt aplicadas a grandes modelos de linguagem (LLMs), assinale a afirmativa correta.

A engenharia de prompt exige conhecimento profundo de linguagens de programação, pois os prompts devem ser escritos em linguagens formais como Python ou SQL.

Prompts vagos e abertos tendem a melhorar a criatividade dos modelos e garantem maior precisão, especialmente em tarefas críticas e factuais.

Instruções explícitas, exemplos no prompt e delimitação clara da tarefa aumentam a probabilidade de o LLM produzir respostas relevantes e adequadas ao objetivo.

LLMs interpretam todos os prompts da mesma forma, independentemente da estrutura, do idioma ou da ordem em que as informações são fornecidas.

A engenharia de prompt não tem impacto sobre a segurança das respostas geradas, já que os LLMs seguem regras internas fixas de filtragem de conteúdo.

Q1039874•
Informática•
Inteligência Artificial e Automação•
FGV•
TCE PE•
Auditor de Controle Externo Tecnologia da Informação•
2025

Muitos cenários de análise de dados envolvem conjuntos sem rótulos disponíveis, como é comum em agrupamentos de clientes, detecção de padrões anômalos ou redução de dimensionalidade. Nesses casos, técnicas de aprendizado não supervisionado são essenciais para extrair conhecimento oculto nos dados.
Com relação ao aprendizado não supervisionado em Machine Learning, assinale a afirmativa correta.

O aprendizado não supervisionado depende de conjuntos de dados previamente rotulados para mapear entradas a saídas durante o treinamento.

Técnicas de aprendizado não supervisionado, como árvores de decisão e regressão logística, são ideais para prever rótulos em problemas de classificação supervisionada.

O aprendizado não supervisionado é utilizado para gerar automaticamente rótulos com base em padrões nos dados, sem necessidade de saídas conhecidas previamente.

A principal limitação do aprendizado não supervisionado é que ele não consegue lidar com grandes volumes de dados, sendo restrito a pequenos conjuntos.

O aprendizado não supervisionado só pode ser utilizado quando todos os atributos do conjunto de dados forem categóricos.

Mais sobre Inteligência Artificial e Automação →

Notificações

Nada por aqui