Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2025
Engenharia de Software›Inteligencia Artificial
Código
ce215913
Banca
CESPE / CEBRASPE
Órgão
SUSEP
Ano
2025
Nível
Superior
Cargo
Analista Técnico: - Área: Tecnologia da Informação e Ciência de Dados
Julgue o próximo item, relativo a manipulação, tratamento e visualização de dados, ETL e ELT, e MLOps.Na implementação de MLOps, o monitoramento de modelos em produção deve centrar-se nas métricas de desempenho técnico como a latência, sendo a detecção de viés algorítmico uma preocupação restrita à fase de desenvolvimento do modelo.
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”.
MLOps – Monitoramento de modelos em produção
Gabarito: E (Errado). A afirmação é incorreta porque o monitoramento em MLOps não se limita a métricas técnicas como latência; ele também deve abranger métricas de desempenho do modelo (acurácia, precisão, recall, drift) e a detecção de viés algorítmico, que é uma preocupação contínua, não restrita à fase de desenvolvimento. Modelos podem desenvolver viés ao longo do tempo devido a mudanças nos dados ou no ambiente, exigindo monitoramento constante para garantir equidade e conformidade.
Monitoramento em MLOps: Métricas técnicas (Latência, Throughput, CPU/memória); Métricas de desempenho (Acurácia, precisão, recall, F1-score, AUC-ROC); Detecção contínua (Viés algorítmico (fairness), Deriva de conceito (concept drift), Deriva de dados (data drift))
Análise da assertiva
A assertiva tenta restringir o escopo do monitoramento em produção, mas a prática de MLOps preconiza um ciclo contínuo de monitoramento que inclui:
Métricas técnicas: latência, throughput, uso de CPU/memória.
Métricas de desempenho do modelo: acurácia, precisão, recall, F1-score, área sob a curva ROC, etc.
Detecção de viés e deriva: monitoramento de viés algorítmico (fairness), deriva de conceito (concept drift) e deriva de dados (data drift).
Portanto, a detecção de viés algorítmico é uma atividade que deve perdurar por todo o ciclo de vida do modelo, inclusive após o deploy. A banca explora uma visão equivocada de que o viés é apenas um problema de desenvolvimento, quando na verdade ele pode emergir ou se intensificar em produção.