Matheus Fernandes
EQUIPE
29/08/2026 • 15:01
Vamos analisar o tema central da questão: viés algorítmico em sistemas de ciência de dados. Viés algorítmico acontece quando um modelo retorna resultados tendenciosos, muitas vezes refletindo desequilíbrios, omissões ou distorções já presentes nos dados de entrada, ou introduzidos no processo de modelagem e avaliação das soluções.
A alternativa A está incorreta porque a acurácia global elevada não garante ausência de vieses. É possível que um modelo tenha excelente desempenho geral, mas performe pior em subgrupos específicos, o que indica desigualdade de tratamento. Já vimos diversos casos célebres na imprensa sobre algoritmos acertando muito para um grupo e errando feio para outro.
A alternativa B erra ao afirmar que o viés só ocorre em modelos supervisionados. Viés pode estar em qualquer etapa e tipo de análise: desde clusterização (agrupamento) até sistemas de recomendação e análise não supervisionada. Não tem essa exclusividade toda!
A alternativa C fala que só porque temos muito dado não teremos viés. Isso é falso. Um volume grande de dados pode até amplificar distorções se eles forem ruins ou mal representados!
A alternativa D está correta. Explica bem que o viés pode aparecer tanto nos dados quanto pelas escolhas ao modelar (por exemplo, selecionar ou excluir atributos), assim como devido aos métodos de avaliação (como esquecer de olhar métricas de grupos minoritários). Por isso, exige acompanhamento constante e análise de justiça e equidade nos resultados.
A alternativa E traz a crença equivocada de que algoritmos sofisticados, por serem 'matemáticos', seriam imunes a viés. Na prática, o algoritmo só replica (e às vezes amplifica) distorções que vêm dos dados ou das instruções fornecidas.
Portanto, a opção tecnicamente adequada é a letra D.
A alternativa A está incorreta porque a acurácia global elevada não garante ausência de vieses. É possível que um modelo tenha excelente desempenho geral, mas performe pior em subgrupos específicos, o que indica desigualdade de tratamento. Já vimos diversos casos célebres na imprensa sobre algoritmos acertando muito para um grupo e errando feio para outro.
A alternativa B erra ao afirmar que o viés só ocorre em modelos supervisionados. Viés pode estar em qualquer etapa e tipo de análise: desde clusterização (agrupamento) até sistemas de recomendação e análise não supervisionada. Não tem essa exclusividade toda!
A alternativa C fala que só porque temos muito dado não teremos viés. Isso é falso. Um volume grande de dados pode até amplificar distorções se eles forem ruins ou mal representados!
A alternativa D está correta. Explica bem que o viés pode aparecer tanto nos dados quanto pelas escolhas ao modelar (por exemplo, selecionar ou excluir atributos), assim como devido aos métodos de avaliação (como esquecer de olhar métricas de grupos minoritários). Por isso, exige acompanhamento constante e análise de justiça e equidade nos resultados.
A alternativa E traz a crença equivocada de que algoritmos sofisticados, por serem 'matemáticos', seriam imunes a viés. Na prática, o algoritmo só replica (e às vezes amplifica) distorções que vêm dos dados ou das instruções fornecidas.
Portanto, a opção tecnicamente adequada é a letra D.