Questões de IA do Bloco 2 do CNU

Olá, queridos alunos! Gostaria de começar agradecendo pelo carinho e pela confiança que vocês têm demonstrado durante essa jornada de preparação para os concursos. Hoje, vamos revisar algumas questões de Inteligência Artificial (IA) que apareceram no Bloco 2 do Concurso Nacional Unificado (CNU). Apresentarei cada questão, o gabarito correto e comentarei todas as alternativas para esclarecer quaisquer dúvidas que possam surgir. Vamos lá!

A primeira questão que vamos analisar é a de número 41:

Questão 41:

Ao analisar dados de saúde da população brasileira em uma tarefa de classificação de risco para doenças coronarianas, um pesquisador percebeu que o algoritmo escolhido era muito sensível à diferença de ordem de grandeza das variáveis que tinha à sua disposição. Ele decidiu que era importante fazer o pré-processamento dos dados por meio de um algoritmo de normalização. Levando em consideração que os dados possuem outliers que podem afetar negativamente a normalização, qual técnica de normalização seria adequada?

(A) Distância de edição
(B) Min-max
(C) One-hot
(D) PCA
(E) Z-score

A alternativa correta é a letra E, “Z-score”. Vamos entender por quê. 

A alternativa (A), “Distância de edição”, refere-se a uma técnica usada principalmente em análise de sequências ou strings, não sendo apropriada para normalização de dados numéricos. 

A alternativa (B), “Min-max”, embora seja uma técnica de normalização comum, é vulnerável a outliers, o que pode distorcer a distribuição dos dados. 

A alternativa (C), “One-hot”, trata de uma técnica de codificação para variáveis categóricas, sem aplicabilidade na normalização de variáveis numéricas. 

A alternativa (D), “PCA” (Análise de Componentes Principais), é uma técnica de redução de dimensionalidade, não de normalização. 

A técnica de Z-score, mencionada na alternativa (E), ajusta os dados para que tenham média zero e desvio padrão igual a um, tornando-a menos sensível a outliers e, portanto, a escolha mais adequada para o cenário apresentado.

Agora, vamos para a questão 42:

Questão 42:

Em um projeto de desenvolvimento de um sistema de visão computacional para identificar e classificar diferentes tipos de objetos em imagens de tráfego urbano, uma equipe de engenheiros optou por utilizar uma rede neural. Para garantir eficiência computacional e uma eficaz propagação do gradiente durante o treinamento do modelo, cada nó da rede foi implementado utilizando a função de ativação ReLU. A propriedade principal da função ReLU é 

(A) subtrair o viés do nó do valor de entrada.
(B) calcular o valor máximo entre a entrada e o valor do viés associado ao nó.
(C) transformar a entrada de acordo com a curva logística.
(D) transformar a entrada em um, se for positiva, e em zero, se for negativa.
(E) transformar em zero os resultados negativos, mantendo os outros valores.

Vamos comentar cada uma das alternativas apresentadas:

(A) subtrair o viés do nó do valor de entrada.
Essa alternativa descreve uma operação que não é realizada pela função ReLU. Subtrair o viés do valor de entrada é uma parte do cálculo linear antes de aplicar a função de ativação, mas não é uma característica da ReLU.

(B) calcular o valor máximo entre a entrada e o valor do viés associado ao nó.
Essa descrição está incorreta. A ReLU calcula o máximo entre o valor de entrada e zero, não levando em consideração o viés. O viés é aplicado antes da função de ativação, mas não é usado diretamente no cálculo da ReLU.

(C) transformar a entrada de acordo com a curva logística.
Essa alternativa descreve a função sigmoide, que é uma função de ativação diferente. A função sigmoide transforma os valores de entrada em um intervalo entre 0 e 1, mas a ReLU não usa uma curva logística e, portanto, essa alternativa está incorreta.

(D) transformar a entrada em um, se for positiva, e em zero, se for negativa.
Embora essa alternativa se aproxime da ideia de binarização, não é o que a ReLU faz. A ReLU mantém os valores positivos como estão e transforma apenas os valores negativos em zero, sem binarização dos valores positivos para um.

(E) transformar em zero os resultados negativos, mantendo os outros valores.
Essa é a descrição correta da função ReLU. A ReLU transforma qualquer valor de entrada negativo em zero e mantém os valores positivos inalterados. Essa característica simples, porém poderosa, torna a ReLU eficaz em evitar o desvanecimento do gradiente e em acelerar o processo de treinamento das redes neurais profundas.

Portanto, o gabarito correto é a alternativa (E). A função ReLU é fundamental em muitas arquiteturas de redes neurais modernas, especialmente em problemas de visão computacional, por sua eficiência computacional e sua capacidade de melhorar a propagação do gradiente.

Finalmente, vamos analisar a questão 47:

Questão 47:

Considere as duas situações a seguir:

Situação 1: Um órgão do governo está lidando com um grande conjunto de dados contendo informações sobre as declarações fiscais históricas dos cidadãos, bem como erros e discrepâncias que tenham eventualmente sido encontrados nessas declarações. O órgão deseja desenvolver um modelo que possa prever se uma nova declaração fiscal provavelmente contém erros ou discrepâncias, auxiliando na identificação de casos potenciais para investigação adicional.

Situação 2: O departamento de transporte de uma cidade tem acesso a uma grande quantidade de imagens de câmeras de tráfego e deseja entender padrões e pontos de congestionamento na rede viária da cidade, sem categorias ou rótulos predefinidos.

Os modelos que endereçam a situação 1 e a situação 2 são:

(A) exemplos de modelos de aprendizagem não supervisionada e supervisionada, respectivamente
(B) exemplos de modelos de aprendizagem supervisionada e não supervisionada, respectivamente
(C) ambos exemplos de modelos de aprendizagem supervisionada
(D) ambos exemplos de modelos de aprendizagem não supervisionada
(E) ambos exemplos de modelos de aprendizagem por reforço

O gabarito correto é a alternativa (B), “exemplos de modelos de aprendizagem supervisionada e não supervisionada, respectivamente”. 

Na Situação 1, o órgão do governo deseja prever erros em declarações fiscais com base em dados históricos rotulados, o que caracteriza a aprendizagem supervisionada. 

Já na Situação 2, o departamento de transporte quer identificar padrões em dados não rotulados, o que caracteriza a aprendizagem não supervisionada. 

As alternativas (A) e (D) invertem as definições ou aplicam inadequadamente os conceitos de aprendizagem supervisionada e não supervisionada. A alternativa (C) assume incorretamente que ambas as situações envolvem aprendizagem supervisionada, e a alternativa (E) incorretamente classifica ambas as situações como exemplos de aprendizagem por reforço, que não se aplica a nenhum dos cenários descritos.

Concluindo, espero que a análise dessas questões tenha ajudado a esclarecer dúvidas e aprofundar o entendimento de vocês sobre os conceitos de IA. E então, quem está gostando de estudar IA? Lembrem-se de que é uma área fascinante e promissora. Continuem focados e constantes nos estudos, pois há muitos concursos abertos e essa dedicação certamente será recompensada. Vamos juntos nessa jornada!

Um grande abraço e até a próxima!