Questão de Engenharia de Software — Geral — CESPE / CEBRASPE 2025
Engenharia de Software›Geral
Código
ce217109
Banca
CESPE / CEBRASPE
Órgão
TJ-PA
Ano
2025
Nível
Superior
Cargo
Analista Judiciário - Especialidade: Análise de Sistemas
Julgue o item subsequente, no que concerne ao uso da biblioteca Hugging Face Transformers com PyTorch e aos sistemas baseados na arquitetura RAG (retrieval-augmented generation).Embora a biblioteca Hugging Face ofereça suporte a múltiplos frameworks, alguns modelos específicos — especialmente os mais antigos, originalmente treinados em TensorFlow — podem apresentar dificuldades de integração em pipelines de inferência desenvolvidos em PyTorch, como os utilizados em aplicações jurídicas; nesses casos, pode ser recomendável adaptar ou reconstruir o modelo em PyTorch para assegurar compatibilidade e controle total sobre o fluxo de dados.
CCerto
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”.
Compatibilidade entre Frameworks na Hugging Face Transformers
Gabarito: ✅ CERTO. A afirmativa está correta. Embora a biblioteca Hugging Face Transformers ofereça suporte a múltiplos frameworks, incluindo PyTorch e TensorFlow, a integração de modelos mais antigos, originalmente treinados em TensorFlow, pode apresentar desafios em pipelines PyTorch. Nesses casos, adaptar ou reconstruir o modelo em PyTorch é uma prática recomendada para garantir compatibilidade e controle total sobre o fluxo de dados.
A biblioteca Transformers é projetada para ser flexível: todos os modelos são implementados como classes PyTorch nn.Module ou TensorFlow tf.keras.Model. No entanto, modelos mais antigos podem ter sido treinados exclusivamente em TensorFlow, o que exige conversão de pesos ou adaptação de camadas específicas. A documentação da biblioteca (C3) destaca que o Transformers "act[s] as the model-definition framework for state-of-the-art machine learning models" e "centralizes the model definition" para compatibilidade entre ecossistemas. Apesar disso, a conversão automática nem sempre é perfeita, especialmente para modelos com operações proprietárias ou dependências de versões antigas do TensorFlow. Assim, a afirmação da questão está alinhada com a realidade prática: em aplicações críticas, como sistemas jurídicos, pode ser mais seguro reconstruir o modelo no framework de interesse.
PEGA ESSA DICA!
Ao usar modelos legados do TensorFlow no PyTorch, utilize o parâmetro from_tf=True no carregamento do modelo (from_pretrained). Se houver incompatibilidades, considere a reconstrução manual ou o uso de bibliotecas de conversão como o transformers para exportar pesos.
Conclusão: A afirmativa é verdadeira, pois reconhece a possibilidade de dificuldades e sugere uma solução prática, condizente com as limitações conhecidas da interoperabilidade entre frameworks.