Questão de Arquitetura de Computadores — Pipeline — CESPE / CEBRASPE 2024
Arquitetura de Computadores›Pipeline
Código
ce172765
Banca
CESPE / CEBRASPE
Órgão
CTI
Ano
2024
Nível
Superior
Cargo
Tecnologista Pleno 2 - I - Especialidade: Tecnologias Habilitadoras - Área de Atuação: Inteligência Artificial e Ciências de Dados
Acerca do desenvolvimento de pipelines e do processamento distribuído para aprendizado de máquina, julgue o seguinte item.A gestão eficiente de recursos como CPU e memória não é uma consideração crítica em pipelines de aprendizado de máquina, pois os recursos podem ser alocados dinamicamente, conforme necessário.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoE — Errado
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Pipelines de aprendizado de máquina — Gestão de recursos
❌ ERRADO. A afirmativa está incorreta porque, embora a alocação dinâmica de recursos seja possível em ambientes virtualizados ou em nuvem, a gestão eficiente de CPU, memória e demais recursos continua sendo uma consideração crítica em pipelines de aprendizado de máquina. Sem um planejamento adequado, podem ocorrer gargalos de desempenho, conflitos de memória e subutilização ou sobrecarga dos recursos, comprometendo a eficiência e a escalabilidade do pipeline. A alocação dinâmica é uma ferramenta, mas não elimina a necessidade de gerir criteriosamente os recursos disponíveis.
O núcleo do sistema operacional (kernel) tem como uma de suas principais funções gerenciar recursos como CPU e memória, conforme descrito no texto de apoio. Mesmo com técnicas de alocação dinâmica (como escalonamento de processos, paginação por demanda, etc.), a orquestração eficiente é indispensável para garantir que múltiplos processos — incluindo etapas de um pipeline de ML — não disputem recursos de forma desordenada, causando quedas de desempenho.
PEGA ESSA DICA!
Em questões sobre gerenciamento de recursos, lembre-se de que "alocação dinâmica" não significa "automática e perfeita". O kernel sempre precisa de políticas de escalonamento, alocação de memória e controle de concorrência. Em pipelines de ML, a gestão de recursos é ainda mais crítica devido ao alto volume de dados e à necessidade de processamento contínuo.