Questões de Concursos Inteligencia Artificial

Resolva questões de Inteligencia Artificial comentadas com gabarito, online ou em PDF, revisando rapidamente e fixando o conteúdo de forma prática.

Filtrar questões

💡 Caso não encontre resultados, diminua os filtros.

Ordenar por:

41Q1050012 | Engenharia de Software, Inteligencia Artificial, Tecnologia da Informação, TCE GO, FGV, 2024

Os modelos de aprendizado de máquina desempenham um papel fundamental na análise e interpretação de dados em uma variedade de domínios.
Uma característica dos modelos de aprendizado de máquina supervisionados e não supervisionados é que modelos supervisionados

✂️ a) exploram a detecção de outliers, enquanto modelos não supervisionados usam dados representados em formatos como XML ou JSON para treinamento..
✂️ b) geralmente têm menos tendência ao overfitting do que modelos não supervisionados.
✂️ c) requerem dados rotulados para treinamento, enquanto modelos não supervisionados podem funcionar com dados não rotulados.
✂️ d) são mais adequados para tarefas de análise exploratória de dados, enquanto modelos não supervisionados são mais adequados para previsão de séries temporais.
✂️ e) são usados apenas para classificação, enquanto modelos não supervisionados são usados apenas para agrupamento.

42Q1032625 | Engenharia de Software, Inteligencia Artificial, Classe B, DPE RO, FGV, 2025

Em Inteligência Artificial existem diversos tipos de aprendizado sendo que cada um possui características e aplicações.
Com relação aos tipos de aprendizado, analise os itens a seguir.

I. No aprendizado não supervisionado, o agente aprende a partir de padrões na entrada, mesmo que nenhum feedback explícito tenha sido fornecido anteriormente, sendo empregadas como as técnicas mais comuns a regressão e a classificação.
II. No aprendizado acelerado, o agente usa grandes modelos de linguagens pré-existentes e aprende a partir de série de contribuições de uma rede semântica composta por conceitos, recompensas ou punições. Por exemplo, a falta de gorjeta no final da viagem dá ao agente uma indicação de que fez algo errado, cabe ao agente decidir quais das ações anteriores a contribuição foram mais responsáveis por ele.
III. No aprendizado supervisionado, o agente observa e analisa alguns pares de dados rotulados de entrada-saída como exemplo e aprende uma função que faz o mapeamento da entrada para a saída.

Está correto, o que se afirma em

✂️ a) I, apenas.
✂️ b) II, apenas.
✂️ c) I e II, apenas.
✂️ d) III, apenas.
✂️ e) II, apenas.

43Q1048000 | Engenharia de Software, Inteligencia Artificial, Tecnologia da Informação, SEDUC SP, FGV, 2024

O Aprendizado de Máquina ou Machine Learning (ML) é uma área da ciência da computação diretamente relacionada à Ciência de Dados (Data Science). Como sua própria terminologia diz, o Aprendizado de Máquina se concentra no desenvolvimento de algoritmos que podem aprender com dados. Seus três principais tipos de algoritmos são Aprendizado Supervisionado, Aprendizado Não Supervisionado e Aprendizado por Reforço.

Com relação aos três tipos de algoritmos mencionados, avalie as afirmativas a seguir:

I. No aprendizado supervisionado, os algoritmos são treinados com dados rotulados, ou seja, dados que contêm exemplos de entrada e saída correspondentes, e, portanto, associam tais entradas às saídas correspondentes.

II. No aprendizado não supervisionado os algoritmos são treinados em conjuntos de dados que não contêm exemplos de entrada e saída correspondentes e, portanto, aprendem a identificar padrões nos dados sem saber o que os seus padrões representam inicialmente.

III. O aprendizado por reforço envolve um agente (softbot) que aprende a tomar decisões em ambientes específicos, interagindo com esses ambientes e recebendo recompensas ou punições por suas ações de exploração ou atuação.

A respeito das afirmações, assinale a alternativa correta.

✂️ a) Apenas as afirmativas I e III estão corretas.
✂️ b) As afirmativas I, II e III estão corretas.
✂️ c) Apenas a afirmativa III está correta.
✂️ d) Apenas a afirmativa I está correta.
✂️ e) Apenas a afirmativa II está correta.

44Q1037259 | Engenharia de Software, Inteligencia Artificial, Inteligência da Informação, DATAPREV, FGV, 2024

A validação cruzada é uma importante técnica em aprendizado de máquina, usada para obter uma estimativa mais robusta do erro de generalização. Dessa forma, ela contribui para a construção de modelos mais confiáveis, permitindo uma avaliação mais precisa de sua capacidade preditiva em diferentes cenários.
Uma das características da validação cruzada com k conjuntos é que esse método

✂️ a) considera, na sua versão estratificada, a proporção de exemplos de cada classe quando da geração de subconjuntos mutuamente exclusivos.
✂️ b) divide aleatoriamente registros em treinamento e teste em proporções p e (1-p), respectivamente.
✂️ c) gera conjuntos cuja interseção é não vazia, utilizados a cada iteração como conjunto de treino e teste.
✂️ d) penaliza os conjuntos de treino com k sorteios aleatórios, de modo a torná-lo equilibrado frente ao conjunto de teste.
✂️ e) produz o conjunto de treinamento a partir de N sorteios aleatórios com reposição a partir dos dados originais.

47Q1050612 | Engenharia de Software, Inteligencia Artificial, Ciência de Dados, TCE PA, FGV, 2024

Alguns dos primeiros modelos de linguagem de larga escala desenvolvidos tendiam a gerar resultados incorretos com excesso de confiança, caracterizando o que se convencionou chamar de alucinações dos modelos. Uma estratégia de mitigação das alucinações é o uso da técnica de Geração Aumentada por Recuperação, ou Retrieval-Augmented Generation (RAG).
A respeito da RAG, avalie as afirmativas a seguir.
I. Baseia-se na combinação de sistemas de recuperação de informações e de modelos generativos capazes de produzir novos textos. II. Permite aos modelos buscarem informações relevantes em bases de dados mais confiáveis durante o processamento das consultas dos usuários (user queries), viabilizando melhor adequação a contextos e melhor qualidade das respostas. III. Não altera os parâmetros dos modelos generativos, e, portanto, não influencia o treinamento das redes neurais com informações recuperadas de bases de dados externas.
Está correto o que se afirma em

✂️ a) I, apenas.
✂️ b) II, apenas.
✂️ c) III, apenas.
✂️ d) I e II, apenas.
✂️ e) I, II e III.

50Q1061728 | Engenharia de Software, Inteligencia Artificial, Desenvolvimento de Software, BANRISUL, CESPE CEBRASPE, 2025

De acordo com os conceitos que dão base à inteligência artificial (IA), existe uma entidade autônoma que se caracteriza por perceber seu ambiente através de sensores, atuar sobre esse ambiente por meio de atuadores, processar internamente dados percebidos e conhecimentos armazenados, e selecionar ações específicas que maximizam sua medida de desempenho esperada, conforme definido pela sequência de percepções e seu conhecimento interno. Essa entidade é definida na IA como

✂️ a) processo de decisão sequencial.
✂️ b) rede neural.
✂️ c) agente racional.
✂️ d) algoritmo evolutivo.
✂️ e) modelagem cognitiva.

52Q1050016 | Engenharia de Software, Inteligencia Artificial, Tecnologia da Informação, TCE GO, FGV, 2024

A inteligência artificial generativa (IA generativa) é um campo da inteligência artificial que se concentra na capacidade de criar novos conteúdos e ideias de forma autônoma. Em vez de simplesmente responder a comandos ou fornecer respostas predefinidas, uma IA generativa tem a capacidade de gerar conteúdos originais em uma variedade de formas, como texto, imagens, áudio e vídeo.
São exemplos de categorias amplas de modelos de IA generativa

✂️ a) Autocodificadores variacionais e Multilayer Perceptrons.
✂️ b) Transformadores e Algoritmos de retropropagação.
✂️ c) Autocodificadores variacionais e Redes Adversariais.
✂️ d) Algoritmos de retropropagação e ChatGPT.
✂️ e) Gemini e Multilayer Perceptrons.

53Q1034482 | Engenharia de Software, Inteligencia Artificial, Tecnologia com Especialidade em Análise de Dados, TCE RR, FGV, 2025

Marcelo, auditor especializado em Análise de Dados, está estudando o uso de algoritmos de aprendizado de máquina (Machine Learning) para a detecção de fraudes em contas públicas. Como parte de seus experimentos, ele dividiu seu conjunto de dados em treinamento e teste. Após treinar um modelo, percebeu que os resultados apresentavam indícios de underfitting.
O underfitting ocorre

✂️ a) quando o modelo se ajuste bem ao conjunto de treinamento, mas acaba por capturar não apenas os padrões, mas também os ruídos, comprometendo sua capacidade de generalização.
✂️ b) apenas quando o conjunto de treinamento não contém exemplos de todas as classes, prejudicando o desempenho do modelo em classes minoritárias.
✂️ c) quando o modelo não consegue capturar adequadamente os padrões nos dados do conjunto de treinamento, resultando em um desempenho insuficiente.
✂️ d) quando a taxa de aprendizado do modelo é muito baixa, prolongando por exemplo o tempo necessário para que o modelo convirja.
✂️ e) quando o modelo apresenta uma complexidade muito maior do que o necessário, levando por exemplo ao uso ineficiente de recursos computacionais.

55Q1063332 | Engenharia de Software, Inteligencia Artificial, Área XIV Reaplicação, Câmara dos Deputados, FGV, 2024

Em termos de regulamentação de Inteligência Artificial (IA), a seguinte estratégia é frequentemente considerada essencial para garantir a segurança e a ética nas relações:

✂️ a) desenvolvimento de padrões internacionais, jurídicos e regulatórios, para a implementação de IA.
✂️ b) regulamentação rigorosa e uniforme em todos os países acerca da aplicação de IA.
✂️ c) banimento total do uso de IA em determinados setores, especialmente nas áreas da saúde, segurança e controle de acesso.
✂️ d) deixar a regulamentação essencialmente com as empresas desenvolvedoras de IA, tendo em vista sua expertise na análise da tecnologia.
✂️ e) priorizar a autorregulação regulada do setor pelas entidades desenvolvedoras de IA.

56Q1064110 | Engenharia de Software, Inteligencia Artificial, Desenvolvedor de Sistemas, INPE, FGV, 2024

As técnicas de aprendizado de máquina aplicadas à assimilação podem ser utilizadas de diversas maneiras para tratamento de dados. Um exemplo de processo que pode ser vantajoso para os algoritmos de assimilação é o de redução da dimensionalidade de um conjunto de dados, no qual se aplica treinamento não supervisionado para gerar representações “compactadas” das entradas originais. Esse processo permite a assimilação de dados no espaço latente, melhorando a eficiência de treinamento dos algoritmos.

Determinadas arquiteturas de rede neural são utilizadas para redução de dimensionalidade e para a geração de representações de dados no espaço latente, em que se destaca a arquitetura do tipo

✂️ a) Autoencoders.
✂️ b) Redes Neurais Bayesianas.
✂️ c) Redes Neurais Convolucionais.
✂️ d) Redes Adversariais Generativas.
✂️ e) Máquinas de Boltzmann Restritas.

57Q1044424 | Engenharia de Software, Inteligencia Artificial, Tecnologia da Informação Tarde, Prefeitura de Cuiabá MT, FGV, 2024

Para a realização de análises preditivas e de agrupamento típicas de mineração de textos, os dados não estruturados textuais devem ser preparados antes de serem analisados. Este processo consiste em quatro etapas: análise lexical, eliminação de termos irrelevantes, redução da palavra ao seus radical e construção de uma representação vetorial.
A etapa de análise lexical consiste na

✂️ a) geração de uma lista de termos obtidas do texto original, a partir da eliminação da pontuação e de outros caracteres que são desnecessários no contexto em que o texto será analisado.
✂️ b) eliminação de artigos, pronomes, numerais, conjunções, advérbios e palavras de outras classes gramaticais do texto que são irrelevantes no processo de mineração de dados.
✂️ c) uniformização dos termos a partir da remoção dos sufixos e prefixos das palavras.
✂️ d) atribuição de pesos a cada termo presente no dicionário de termos.
✂️ e) associação de cada termo do texto a um radical da biblioteca do corpus ao qual o documento está contido.

58Q1050608 | Engenharia de Software, Inteligencia Artificial, Ciência de Dados, TCE PA, FGV, 2024

Alguns algoritmos de aprendizado de máquina servem para agrupar instâncias de dados em clusters, podendo ser utilizados para tarefas como segmentação de imagens, ou segmentação social (por exemplo, para agrupamento de clientes em uma mesma categoria.
Dois dos mais populares algoritmos são o K-means e o DBSCAN. A respeito desses algoritmos, relacione-os com suas principais características:
1. K-means 2. DBSCAN
( ) Precisa da definição de um número inicial de agrupamentos. ( ) Mais robusto à ocorrência de outliers, por sua provável localização em regiões de baixa densidade de dados. ( ) Precisa da definição do número mínimo de vizinhos e do raio da vizinhança para determinar limites dos agrupamentos. ( ) Determina centróides dos agrupamentos e agrupa as instâncias de dados em função de uma métrica de distância entre as instâncias e os centróides.
Assinale a opção que indica a relação correta, na sequência apresentada.

✂️ a) 2 – 1 – 2 – 1.
✂️ b) 1 – 1 – 2 – 1.
✂️ c) 2 – 1 – 1 – 2.
✂️ d) 2 – 1 – 1 – 1.
✂️ e) 1 – 2 – 2 – 1.

59Q1050609 | Engenharia de Software, Inteligencia Artificial, Ciência de Dados, TCE PA, FGV, 2024

A análise de componentes principais (Principal Component Analysis - PCA) é uma técnica de redução de dimensionalidade de dados utilizada em diversas aplicações, tais como em compressão de imagens e em processamento de linguagem natural.
Em relação à análise de componentes principais, avalie se as afirmativas a seguir são verdadeiras (V) ou falsas.
( ) Permite a identificação de correlações e de estruturas de menor dimensionalidade na distribuição espacial dos dados, caracterizadas pelas direções onde há maior variância. ( ) Envolve o cálculo de autovalores e autovetores de matrizes de covariâncias, determinando-se as componentes principais das distribuições de dados. ( ) É adequada para identificar correlações não-lineares entre os dados de um conjunto de alta dimensionalidade, projetando estruturas em espaços vetoriais de menores dimensões.
As afirmativas são, respectivamente,

✂️ a) V – F – V.
✂️ b) F – V – V.
✂️ c) F – F – V.
✂️ d) V – V – F.
✂️ e) V – F – F.

60Q1059974 | Engenharia de Software, Inteligencia Artificial, manhã, MF, FGV, 2024

No contexto do Processamento de Linguagem Natural, a geração aumentada de recuperação (ou RAG, do inglês RetrievalAugmented Generation) é uma técnica que visa a melhorar a acurácia e a confiabilidade de modelos de IA Generativa.
O objetivo principal dessa técnica é

✂️ a) facilitar a interação entre modelos de IA generativa e interfaces de usuário, melhorando a experiência do usuário ao gerar respostas mais interativas.
✂️ b) diminuir o volume de dados necessário para o treinamento de modelos de IA concentrando-se exclusivamente em dados de alta qualidade.
✂️ c) aumentar a capacidade dos modelos de IA generativa de produzir conteúdo visual, como imagens e vídeos, a partir de descrições textuais.
✂️ d) integrar técnicas de aprendizado por reforço para permitir que modelos de IA generativa aprendam com seus próprios erros e sucessos durante a geração de texto.
✂️ e) enriquecer os modelos de IA generativa com informações obtidas de bases de dados externas no momento da geração, elevando a precisão e a riqueza dos textos gerados.