Pular para o conteúdo principal

Questão de Noções de Informática — Inteligência Artificial e Automação — CESPE / CEBRASPE 2025

Noções de InformáticaInteligência Artificial e Automação
Código
ce201974
Banca
CESPE / CEBRASPE
Órgão
EMBRAPA
Ano
2025
Nível
Superior
Cargo
Pesquisador – Área: Fotônica – Subárea: Instrumentação em Fotônica
O plano diretor da Embrapa 2024–2030 inclui, entre suas metas, a geração de conhecimento, tecnologias e informação para o enfrentamento e a mitigação das mudanças do clima, para o uso racional dos recursos naturais dos biomas brasileiros e para uma agricultura sustentável de futuro. A pesquisa nestas linhas de ação exige a aquisição e o processamento de um volume grande de variáveis e dados, o que hoje pode ser viabilizado por ferramentas como a computação quântica, a inteligência artificial, incluindo machine learning e deep learning, Big Data, blockchain, visão computacional, robótica e automação, o que se reflete em outro compromisso para a produção de massa crítica e domínio em tecnologias emergentes e disruptivas que permitam atingir os objetivos citados. Considerando o assunto tratado no texto precedente, julgue o item seguinte.No emprego das redes neurais convolucionais, aplicadas à visão computacional, os módulos iniciais conseguem identificar linhas e bordas dos objetos, os módulos seguintes organizam esses padrões em texturas e estruturas simples como triângulos e manchas, os quais se combinam então em outras estruturas como partes de folhas, galhos e bagas, e finalmente, os últimos módulos combinam esses elementos em objetos de interesse, como uma planta, um fruto ou um animal.
  1. CCerto
  2. EErrado
Revelar gabarito e comentário

GabaritoC — Certo

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 (CNNs) e Visão Computacional

Gabarito: Certo (alternativa C). A descrição apresentada no item reflete com precisão o funcionamento hierárquico das redes neurais convolucionais aplicadas à visão computacional: as camadas iniciais detectam características de baixo nível (linhas, bordas), as intermediárias combinam-nas em texturas e formas simples (triângulos, manchas), e as camadas finais montam partes de objetos e, por fim, os objetos completos (folhas, frutos, animais). Esse processo é um dos pilares do aprendizado profundo para reconhecimento de imagens.

O item descreve corretamente a arquitetura típica de uma CNN, que aprende representações em múltiplos níveis de abstração. As primeiras camadas convolucionais extraem bordas e gradientes; as seguintes agrupam esses elementos em padrões como cantos e texturas; camadas mais profundas reconhecem partes específicas (como olhos ou rodas); e as últimas camadas combinam essas partes para identificar objetos inteiros. Essa hierarquia é automática e aprendida a partir dos dados durante o treinamento, sem necessidade de programação explícita para cada etapa.

Portanto, a afirmação está correta e alinhada com os fundamentos das CNNs.

  1. 1Camadas iniciaisBaixo nível
  2. 2Camadas intermediáriasMédio nível
  3. 3Camadas profundasAlto nível
  4. 4Camadas finaisObjeto completo
LEVEL · soulevel.com.br

✅ CERTO.

Link permanente: /questoes/ce201974