Considere a seguinte situação: Uma equipe está desenvolvendo uma operação logíst...

Questão de Informática da banca Unesc aplicada no concurso Câmara de Três Barras SC (2025). Confira a resolução completa abaixo:

Q1078499•
Informática•
Inteligência Artificial e Automação•
Unesc•
Câmara de Três Barras SC•
Analista Administrativo•
2025

Considere a seguinte situação:
Uma equipe está desenvolvendo uma operação logística para integrar soluções de Inteligência Artificial à cadeia de suprimentos. O objetivo era aumentar a previsibilidade de demanda, otimizar rotas de entrega em tempo real e reduzir falhas humanas na análise de pedidos. Durante a análise do projeto, foi proposto o uso de três tecnologias distintas: redes neurais convolucionais (CNNs), algoritmos de reforço e modelos autoregressivos. Considerando os objetivos do projeto e os princípios técnicos da IA, qual combinação de aplicações é a mais adequada e coerente com as tecnologias mencionadas?

Aplicar CNNs na previsão de demanda, modelos autoregressivos para mapear fluxos logísticos e algoritmos de reforço apenas para controle de estoque baseado em RFID.

Utilizar CNNs para classificar tipos de clientes, algoritmos de reforço para análise de feedbacks e modelos autoregressivos para compressão de dados logísticos.

Adotar CNNs para traduzir pedidos em linguagem natural, algoritmos de reforço para automatizar contratos com fornecedores e modelos autoregressivos para gerar relatórios gerenciais.

Utilizar algoritmos de reforço para a otimização dinâmica das rotas com base em condições variáveis, modelos autoregressivos para previsão de demanda com base em séries temporais de vendas e CNNs para análise de imagens de carga, detectando avarias.

Empregar algoritmos de reforço para prever demanda com base em sazonalidade, CNNs para processar dados de GPS e modelos autoregressivos para detectar produtos com maior índice de avaria.

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.

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).

Notificações

Nada por aqui