A Inteligência Artificial (IA) deixou de ser apenas um tema futurista e passou a fazer parte do nosso dia a dia, impactando desde aplicações no mercado financeiro até soluções para o setor público. Essa transformação tecnológica tem reflexos diretos no mundo dos concursos públicos, especialmente nas áreas de tecnologia e ciência de dados. Nos últimos anos, o avanço da IA e sua adoção por órgãos governamentais têm impulsionado uma demanda por servidores públicos que compreendam o funcionamento de algoritmos, a análise de dados e a implementação de sistemas inteligentes.
Esse cenário muda as competências exigidas nos editais e tem um impacto direto no perfil das questões cobradas nas provas. Temas como aprendizado de máquina, redes neurais, processamento de linguagem natural, visão computacional e até mesmo ética em inteligência artificial estão se tornando cada vez mais comuns.
Além disso, candidatos de áreas não tecnológicas também têm se deparado com questões básicas sobre IA, dadas as suas implicações em diversos setores da administração pública.
Uma análise dos dados revela um crescimento significativo no número de questões relacionadas a IA ao longo do tempo, como mostra o gráfico a seguir.

Em 2020, as questões sobre IA representavam um número ainda tímido, com apenas 49 questões identificadas. Nos anos seguintes, esse número aumentou gradualmente: 52 questões em 2021 e um salto para 159 em 2022. No entanto, foi a partir de 2023 que o crescimento se tornou mais expressivo, atingindo 404 questões — mais que o dobro do ano anterior. Em 2024, o número de questões disparou para 857, mostrando que esse tema está se tornando essencial nas provas.
Esse aumento acompanha a crescente demanda por profissionais qualificados na área de IA. Concursos recentes têm abordado temas como aprendizado de máquina, redes neurais, processamento de linguagem natural, análise de dados e até mesmo ética no uso de algoritmos. Isso reflete a necessidade dos órgãos públicos de modernizar seus processos e adotar soluções inteligentes para problemas complexos.
Esse aumento reflete a necessidade de modernização dos serviços públicos e a busca por profissionais capazes de aplicar a tecnologia para melhorar processos e resolver problemas complexos. Nesse contexto, surge uma pergunta inevitável: os candidatos estão preparados para acompanhar essa mudança?
Se você deseja se destacar em concursos públicos, entender a importância da IA e se preparar adequadamente é essencial.
Como se preparar para esse cenário?
- Estude os fundamentos de IA: Entenda os conceitos básicos, como aprendizado supervisionado e não supervisionado, redes neurais e técnicas de predição.
- Pratique com questões anteriores: Analise questões de concursos passados para entender como os temas são cobrados.
- Acompanhe as tendências tecnológicas: Fique atento às inovações em IA e como elas impactam setores públicos e privados.
O aumento das questões de IA em concursos públicos não é apenas uma tendência, mas uma clara sinalização de que o domínio desse tema será indispensável para os candidatos. Comece agora a se preparar e esteja à frente da concorrência!
Vamos praticar então um pouco sobre o tema com questões já de 2025:
Prova: FGV – 2025 – TCE-PI – Auditor de Controle Externo – Controle Externo – Específica de Tecnologia da Informação – Sistemas, Engenharia de Dados e Ciência de Dados (Manhã)
Com relação ao ajuste de dados e a aplicação de modelos preditivos de aprendizado de máquina, analise os itens a seguir.
I. O subajuste (underfitting) indica baixa capacidade preditiva do modelo para os dados de treinamento.
II. O superajuste (overfitting) impacta negativamente a capacidade de generalização do modelo.
III. A presença de ruído nos dados favorece a ocorrência de superajuste (overfitting) do modelo.
Está correto o que se afirma em
A I, apenas.
B I e II, apenas.
C I e III, apenas.
D II e III, apenas.
E I, II e III.
Gabarito: E
Para resolver a questão, vamos analisar as afirmativas sobre ajuste de dados e aplicação de modelos preditivos de aprendizado de máquina:
I. O subajuste (underfitting) indica baixa capacidade preditiva do modelo para os dados de treinamento.
- Análise: O subajuste ocorre quando o modelo não consegue capturar os padrões presentes nos dados, resultando em baixa capacidade preditiva tanto para os dados de treinamento quanto para os dados de teste. Isso geralmente ocorre quando o modelo é muito simples ou inadequado para os dados.
- Conclusão: A afirmativa é verdadeira.
II. O superajuste (overfitting) impacta negativamente a capacidade de generalização do modelo.
- Análise: O superajuste ocorre quando o modelo se ajusta excessivamente aos dados de treinamento, incluindo ruídos e padrões irrelevantes. Como resultado, sua capacidade de generalização para novos dados (dados de teste) é prejudicada.
- Conclusão: A afirmativa é verdadeira.
III. A presença de ruído nos dados favorece a ocorrência de superajuste (overfitting) do modelo.
- Análise: O ruído nos dados pode levar o modelo a tentar ajustar informações irrelevantes ou aleatórias, o que favorece o superajuste. Isso ocorre porque o modelo tenta capturar detalhes que não são representativos do padrão geral dos dados.
- Conclusão: A afirmativa é verdadeira.
Prova: FGV – 2025 – TCE-PI – Auditor de Controle Externo – Controle Externo – Específica de Tecnologia da Informação – Sistemas, Engenharia de Dados e Ciência de Dados (Manhã)
A popularização da Internet permitiu que grande parcela da população pudesse expressar suas opiniões na forma de fóruns, blogs, avaliações de produtos, entre outros. Assim, deixou de ser necessário que empresas conduzam enquetes ou pesquisas para que possam saber a opinião dos consumidores sobre seus produtos ou de concorrentes. O volume de textos opinativos disponíveis é tal, que a tarefa de ler, sumarizar e organizar de forma útil essas informações é desafiadora. O campo da análise de sentimento, no processamento de linguagem natural, trata justamente dessa necessidade, da automatização da descoberta e da sumarização de opiniões.
Considerando este tema, avalie as afirmativas a seguir.
I. A análise de sentimentos pode ser tratada como um problema de classificação de textos, onde é importante definir se o texto é objetivo ou subjetivo. Textos subjetivos são os de principal interesse nesse campo de pesquisa.
II. A análise de sentimentos pode ser usada para a identificação de avaliações falsas em sites de e-commerce. Uma limitação para essa aplicação é a dificuldade de obtenção de dados para treinamento de modelos, uma vez que a marcação manual de avaliações com opiniões falsas ou enganosas é muitas vezes difícil.
III. Um exemplo de algoritmo supervisionado de análise de sentimentos para avaliações de produtos pode ser resumido nos seguintes passos: extração de frases com padrões predeterminados de opinião; cálculo de um indicador de orientação de cada frase; obtenção da orientação média da avaliação como um todo; e determinação se é positiva ou negativa.
Está correto o que se afirma em
A I, apenas.
B I e II, apenas.
C I e III, apenas.
D II e III, apenas.
E I, II e III.
Gabarito: B
Vamos analisar cada alternativa:
I. A análise de sentimentos pode ser tratada como um problema de classificação de textos, onde é importante definir se o texto é objetivo ou subjetivo. Textos subjetivos são os de principal interesse nesse campo de pesquisa.
- Análise: Está correto que a análise de sentimentos geralmente lida com textos subjetivos, pois esses contêm opiniões e emoções, que são o foco principal desse campo.
- Conclusão: A afirmativa é verdadeira.
II. A análise de sentimentos pode ser usada para a identificação de avaliações falsas em sites de e-commerce. Uma limitação para essa aplicação é a dificuldade de obtenção de dados para treinamento de modelos, uma vez que a marcação manual de avaliações com opiniões falsas ou enganosas é muitas vezes difícil.
- Análise: Esta afirmativa é verdadeira. A análise de sentimentos pode ser aplicada na detecção de avaliações falsas, mas a rotulagem manual das avaliações falsas é um grande desafio para criar datasets confiáveis.
- Conclusão: A afirmativa é verdadeira.
III. Um exemplo de algoritmo supervisionado de análise de sentimentos para avaliações de produtos pode ser resumido nos seguintes passos: extração de frases com padrões predeterminados de opinião; cálculo de um indicador de orientação de cada frase; obtenção da orientação média da avaliação como um todo; e determinação se é positiva ou negativa.
- Análise: O problema dessa afirmativa é que ela descreve um processo mais típico de métodos não supervisionados ou baseados em regras (como extração de padrões e cálculo de indicadores), e não de um algoritmo supervisionado, que obrigatoriamente requer um dataset rotulado com sentimentos previamente definidos para treinar o modelo.
- Conclusão: A afirmativa é falsa.
Quer ficar por dentro dos concursos públicos abertos e previstos pelo Brasil? Clique nos links abaixo:
Receba gratuitamente no seu celular as principais notícias do mundo dos concursos. Clique no link abaixo e inscreva-se:
Participe da conversa