Questão de Noções de Informática — Inteligência Artificial e Automação — CESPE / CEBRASPE 2025
Noções de Informática›Inteligência Artificial e Automação
Código
ce215875
Banca
CESPE / CEBRASPE
Órgão
SUSEP
Ano
2025
Nível
Superior
Cargo
Analista Técnico: - Área: Tecnologia da Informação e Ciência de Dados
Acerca de inteligência artificial (IA), julgue o seguinte item.No processamento de linguagem natural, os modelos baseados em arquitetura transformer superaram as RNN e LSTM principalmente pela capacidade de tais modelos processarem sequências mais longas com menor custo computacional.
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”.
Inteligência Artificial — Processamento de Linguagem Natural: Arquitetura Transformer vs RNN/LSTM
Gabarito: E (Errado). O enunciado afirma que os modelos Transformer superaram RNN e LSTM principalmente por processar sequências mais longas com menor custo computacional. Essa afirmação é falsa: os Transformers têm custo computacional superior (complexidade O(n²) devido à autoatenção), enquanto RNN/LSTM têm complexidade O(n) mas são sequenciais e sofrem com desvanecimento de gradientes em sequências longas.
Arquiteturas PLN
1RNN/LSTM
Processamento sequencial (O(n))
Desvanecimento de gradientes
Dependências longas limitadas
2Transformer
Processamento paralelo
Autoatenção (O(n²))
Dependências longas capturadas
Custo computacional maior
LEVEL · soulevel.com.br
Análise da assertiva
A arquitetura Transformer, introduzida em 2017, revolucionou o PLN justamente por permitir o processamento paralelo de toda a sequência, resolvendo o gargalo de paralelização das RNNs. Porém, o mecanismo de autoatenção calcula a relação entre cada par de tokens, resultando em complexidade quadrática no comprimento da sequência. Já as RNNs processam um token por vez, com complexidade linear, mas não paralelizável.
NÃO CAIA NESSA!
A banca inverte a relação de custo computacional. O aluno confunde "capacidade de processar sequências mais longas" (vantagem do Transformer) com "menor custo computacional" (desvantagem). O custo do Transformer é maior, mas ele consegue capturar dependências de longo alcance que as RNNs não conseguem.
Portanto, a afirmação está errada por afirmar que o custo é menor, quando na verdade é maior. O que explica a superioridade dos Transformers é a capacidade de paralelização e o melhor tratamento de dependências longas, não um custo computacional inferior.