Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2025
Engenharia de Software›Inteligencia Artificial
Código
ce195653
Banca
CESPE / CEBRASPE
Órgão
BDMG
Ano
2025
Nível
Superior
Cargo
Analista de Desenvolvimento - Sistemas, Arquitetura e Solução de Dados
Acerca de LLM, IA generativa e data science, julgue o item subsequente.As redes neurais convolucionais são especialmente adequadas para o processamento de dados sequenciais, como séries temporais e texto, devido à sua capacidade de capturar dependências ao longo de sequências.
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”.
Redes Neurais Convolucionais e Dados Sequenciais
Gabarito: Errado (E). Redes neurais convolucionais (CNNs) são especialmente adequadas para dados com estrutura espacial (como imagens) devido à operação de convolução, que captura padrões locais. Para dados sequenciais (séries temporais, texto), as arquiteturas mais indicadas são as redes neurais recorrentes (RNNs) e os Transformers, pois possuem mecanismos próprios para lidar com dependências temporais/sequenciais. A afirmativa, portanto, está incorreta.
A banca testa o conhecimento sobre as aplicações típicas de CNNs. Embora existam variações como CNNs 1D para séries temporais, a frase "especialmente adequadas" generaliza de forma indevida, pois o estado da arte para sequências longas utiliza Transformers.
✅ CERTO — incorreto
A alternativa "Certo" estaria correta se a frase fosse aplicada a redes convolucionais para dados espaciais, mas não para sequenciais.
❌ ERRADO — correto (gabarito)
A afirmativa troca o domínio de aplicação das CNNs. Convoluções são excelentes para extrair características locais em grades (2D/3D), mas dependências de longo prazo em sequências são melhor modeladas por mecanismos de atenção (Transformers) ou conexões recorrentes (LSTMs).
Arquiteturas de IA: CNN (Convolucional) (Dados espaciais (imagens), Captura padrões locais); RNN / LSTM (Dados sequenciais (séries, texto), Dependências temporais); Transformer (Texto e sequências longas, Mecanismo de atenção)
PEGA ESSA DICA!
Para a prova, lembre: CNN → imagem (espacial); RNN/LSTM → sequência temporal; Transformer → texto e sequências longas. Essa associação é recorrente em questões de IA.