Início

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.


41Q1050607 | Engenharia de Software, Inteligencia Artificial, Ciência de Dados, TCE PA, FGV, 2024

Modelos de aprendizagem de máquina são, em geral, avaliados com métricas que indicam os quão poderosos e relevantes eles são. Entre exemplos de métricas de avaliação utilizadas para modelos de classificação binária, podemos citar:

• Taxa de precisão (razão entre verdadeiros positivos e o total dos verdadeiros positivos e falsos positivos); • Taxa de sensibilidade (razão entre verdadeiros positivos e o total dos verdadeiros positivos e falsos negativos, também conhecida por recall); e • Escore F1 (F1-score, também chamado de F-measure), que relaciona as taxas de precisão e de sensibilidade. Suponha a existência de um modelo de classificação binária cuja taxa de precisão é de 90,00% e cuja taxa de sensibilidade é de 75,00%. Utilize aproximação de duas casas decimais.
O escore F1 referente a esse modelo é
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

42Q1017073 | Engenharia de Software, Inteligencia Artificial, Pesquisador, EMBRAPA, CESPE CEBRASPE, 2025

Acerca de inteligência artificial emachine learning,julgue o item que se segue.

Para avaliar o desempenho de um classificador em problemas de classificação com classes significativamente desbalanceadas, a métrica acurácia é a mais adequada, pois considera a proporção de previsões corretas em relação ao total de amostras.

  1. ✂️
  2. ✂️

43Q1035918 | Engenharia de Software, Inteligencia Artificial, Tecnologia da Informação, TCE PE, FGV, 2025

Uma forma de garantir que um modelo de linguagem revise cláusulas de confidencialidade em contratos com alta precisão é fornecer exemplos concretos de cláusulas corretas e incorretas, para que o modelo aprenda o padrão desejado antes de analisar novas cláusulas.
A técnica de Engenharia de Prompt que descreve corretamente esse processo é chamada:
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

44Q1048000 | 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.

  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

45Q1050612 | 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
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

46Q1061728 | 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
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

47Q1050014 | Engenharia de Software, Inteligencia Artificial, Tecnologia da Informação, TCE GO, FGV, 2024

O Processamento de Linguagem Natural (PLN) é uma área de estudo dedicada à pesquisa e desenvolvimento de métodos e sistemas que visam compreender e processar a linguagem humana por meio de computadores.
São paradigmas de PLN:
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

48Q1032625 | 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
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

49Q1060318 | Engenharia de Software, Inteligencia Artificial, Ciência de Dados, TCE PA, FGV, 2024

Alguns algoritmos de aprendizado de máquina foram desenvolvidos para trabalhar com atributos discretos. Porém, dados coletados no mundo real muitas vezes são contínuos.
Nesses casos, podemos usar métodos de discretização no tratamento dos dados. Um desses métodos de discretização consiste em estabelecer os limites das partições de forma que cada partição tenha aproximadamente o mesmo número de elementos.
O método acima descrito é o
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

50Q1034482 | 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
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

51Q1018452 | Engenharia de Software, Inteligencia Artificial, Área Tecnologia da Informação e Ciência de Dados, SUSEP, CESPE CEBRASPE, 2025

Julgue o próximo item, relativo a manipulação, tratamento e visualização de dados, ETL e ELT, e MLOps.

Na implementação de MLOps, o monitoramento de modelos em produção deve centrar-se nas métricas de desempenho técnico como a latência, sendo a detecção de viés algorítmico uma preocupação restrita à fase de desenvolvimento do modelo.

  1. ✂️
  2. ✂️

52Q1018458 | Engenharia de Software, Inteligencia Artificial, Área Tecnologia da Informação e Ciência de Dados, SUSEP, CESPE CEBRASPE, 2025

Julgue o próximo item, relativo à normalização de dados, à modelagem de dados NoSQL e ao DataMesh.

Em bancos NoSQL orientados a documentos, é comum o uso de estruturas aninhadas, que evitam junções e melhoram a performance de leitura.

  1. ✂️
  2. ✂️

53Q1061730 | Engenharia de Software, Inteligencia Artificial, Desenvolvimento de Software, BANRISUL, CESPE CEBRASPE, 2025

Nas IA generativas baseadas em arquiteturas transformer, com mecanismo de atenção, o modelo consegue relacionar diferentes palavras para produzir texto coerente; ao gerar, por exemplo, a frase “Maria foi ao mercado porque ela precisava comprar leite”, o modelo deve lembrar que “ela” se refere a “Maria”. Com base nesse contexto, assinale a opção correta.
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

54Q1059984 | Engenharia de Software, Inteligencia Artificial, manhã, MF, FGV, 2024

No campo de desenvolvimento de tecnologias para realidade virtual (VR), a seguinte técnica é empregada para otimizar o processamento gráfico, concentrando os recursos de renderização na área da visão onde o olhar do usuário está focado, enquanto reduz a qualidade gráfica nas periferias da visão, resultando em uma experiência de alta qualidade visual com menor demanda computacional:
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

55Q1018453 | Engenharia de Software, Inteligencia Artificial, Área Tecnologia da Informação e Ciência de Dados, SUSEP, CESPE CEBRASPE, 2025

Julgue o próximo item, relativo à normalização de dados, à modelagem de dados NoSQL e ao DataMesh.

No DataMesh, os dados são tratados como produtos, e cada domínio é responsável por fornecer, manter e documentar seus próprios dados.

  1. ✂️
  2. ✂️

56Q1037514 | Engenharia de Software, Inteligencia Artificial, Gestão de Serviços de TIC, DATAPREV, FGV, 2024

O Comitê Olímpico Brasileiro está implantando uma nova infraestrutura de banco de dados em memória para otimizar a análise de desempenho dos atletas. A utilização de técnicas de Inteligência Artificial (IA) tem permitido prever resultados, identificar padrões de desempenho e detectar anomalias em tempo real, proporcionando aos treinadores dados rápidos e precisos para tomada de decisões estratégicas.
Com a combinação de IA e bancos de dados em memória, o Comitê espera melhorar a eficiência na análise de grandes volumes de dados e fornecer insights personalizados para cada atleta, otimizando o treinamento e a performance nas competições.
Diante desse cenário, sobre o impacto da IA aplicada a bancos de dados em memória, assinale a opção incorreta.
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

57Q1059974 | 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
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

58Q1060319 | Engenharia de Software, Inteligencia Artificial, Ciência de Dados, TCE PA, FGV, 2024

O tratamento dos dados influencia diretamente no desempenho de muitos algoritmos de aprendizado de máquina.
A respeito de métodos de normalização e padronização numéricos é correto afirmar que
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

59Q1060320 | Engenharia de Software, Inteligencia Artificial, Ciência de Dados, TCE PA, FGV, 2024

Ao se utilizar bancos de dados reais no treinamento de métodos de aprendizado de máquina é normal se deparar com entradas que possuem um ou mais parâmetros (campos) ausentes.
Com relação às estratégias para lidar com dados ausentes, analise as afirmativas a seguir.
I. Só é possível realizar imputation quando o atributo (feature) ausente é numérico. II. Ao utilizar o k-nearest neighbors (KNN) para fazer o imputation é uma boa estratégia primeiro fazer a normalização ou padronização dos dados. III. Ao se trabalhar com bancos de dados com poucas amostras (itens), uma estratégia usualmente utilizada para lidar com as amostras) que possuem valores ausentes é a remoção.
Está correto o que se afirma em
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️

60Q1050608 | 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.
  1. ✂️
  2. ✂️
  3. ✂️
  4. ✂️
  5. ✂️
Utilizamos cookies e tecnologias semelhantes para aprimorar sua experiência de navegação. Política de Privacidade.