Noções de Informática · CESPE / CEBRASPE · 2026 | Questão sqc-ce227897

Noções de InformáticaInteligência Artificial e Automação

Código: ce227897
Banca: CESPE / CEBRASPE
Órgão: SEFAZ-RN
Ano: 2026
Nível: Superior

Cargo: Auditor Fiscal de Receitas Estaduais - conhecimentos complementares

Suponha que, em determinada secretaria de fazenda estadual, se esteja avaliando a aplicação de arquiteturas de deep learning para otimizar processos de fiscalização e gestão. Considerando essa situação hipotética e as propriedades das redes neurais convolucionais (CNNs), cuja arquitetura é baseada em camadas de filtragem para a extração de hierarquias de características espaciais, assinale a opção que indica uma aplicação tecnicamente adequada das CNNs, seguida de sua descrição.

Aredução de dimensionalidade — aplicação de camadas convolucionais para o cálculo de indicadores fiscais sintéticos a partir de variáveis estatísticas descorrelacionadas em ambiente Big Data
Banálise econométrica — estimativa da elasticidade-preço da demanda e impacto do PIB na receita estadual por meio do treinamento de filtros convolucionais em variáveis macroeconômicas agregadas
Cagrupamento de contribuintes — utilização de CNNs para a segmentação de empresas por comportamento de crédito, utilizando como entrada bases de dados relacionais e tabelas de histórico de pagamentos
Dmodelagem preditiva de receita — aplicação de CNNs para o ajuste de modelos autorregressivos de séries temporais de arrecadação baseados estritamente em dados numéricos tabelados
Eauditoria de documentos fiscais — reconhecimento de padrões e classificação automática de documentos digitalizados (como notas fiscais, faturas ou contratos), com vistas a identificar fraudes ou inconsistências em elementos visuais

Revelar gabarito e comentário

GabaritoE — auditoria de documentos fiscais — reconhecimento de padrões e classificação automática de documentos digitalizados (como notas fiscais, faturas ou contratos), com vistas a identificar fraudes ou inconsistências em elementos visuais

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”.

Aplicações de CNNs (Redes Neurais Convolucionais)

Gabarito: letra E. CNNs são projetadas para processar dados com estrutura de grade (grid), como imagens, extraindo hierarquias de características espaciais por meio de camadas de convolução. A única alternativa que descreve uma aplicação genuinamente adequada para CNNs é o reconhecimento de padrões em documentos digitalizados (dados visuais), as demais envolvem dados numéricos tabulados, séries temporais ou bases relacionais, que são melhor tratados por outros modelos.

A questão testa o conhecimento do domínio de aplicação típico das CNNs: dados com topologia espacial (imagens, vídeos, mapas). A banca insere distratores que associam CNNs a tarefas clássicas de estatística ou machine learning convencional, como regressão, agrupamento e séries temporais, que não exploram a principal vantagem das CNNs.

CNNs (Redes Neurais Convolucionais)

1Domínio de aplicação
- Dados com estrutura espacial (grid)
- Imagens, vídeos, mapas
- Documentos digitalizados
2Aplicação correta (E)
- Auditoria de documentos fiscais
- Reconhecimento de padrões visuais
- Classificação automática
- Detecção de fraudes
3Aplicações inadequadas
- Redução de dimensionalidade (PCA)
- Análise econométrica (regressão)
- Agrupamento tabular (k-means)
- Séries temporais numéricas (LSTM/MLP)

LEVEL · soulevel.com.br

Alternativa A — ❌ Incorreta

A redução de dimensionalidade em variáveis descorrelacionadas é tipicamente realizada por técnicas como PCA (análise de componentes principais) ou autoencoders. CNNs não são o modelo adequado para calcular indicadores sintéticos a partir de dados estatísticos — elas exigem entrada com estrutura espacial.

Alternativa B — ❌ Incorreta

A estimativa de elasticidade-preço e impacto do PIB é um problema de regressão/ análise econométrica com variáveis macroeconômicas agregadas (dados tabulares). Modelos como regressão linear ou redes neurais densas (MLP) são mais apropriados. Filtros convolucionais não se aplicam a vetores unidimensionais sem ordem espacial.

Alternativa C — ❌ Incorreta

Agrupamento (clustering) de empresas por comportamento de crédito a partir de bases relacionais e tabelas é um problema de aprendizado não supervisionado sobre dados tabulares. CNNs não são projetadas para esse tipo de entrada — técnicas como k-means ou DBSCAN seriam mais adequadas.

Alternativa D — ❌ Incorreta

Modelagem preditiva de séries temporais com dados numéricos tabelados é um problema clássico de previsão temporal. Embora existam arquiteturas como CNNs temporais (TCN) ou LSTMs, a descrição cita "ajuste de modelos autorregressivos" e "estritamente dados numéricos tabelados", que não correspondem ao uso típico de CNNs para dados visuais. A descrição não menciona estrutura espacial.

Alternativa E — ✅ Correta ⟵ GABARITO

Reconhecimento de padrões e classificação automática de documentos digitalizados é uma aplicação clássica de CNNs na área de visão computacional. Documentos digitalizados são imagens (grids de pixels), e as CNNs extraem hierarquias de características (bordas, texturas, formas) ideais para detectar fraudes ou inconsistências visuais.

PEGA ESSA DICA!

Ao identificar aplicações de CNNs, pergunte-se: "o dado de entrada tem estrutura espacial (2D, pixels) ou topologia de grade?" Se a resposta for sim (imagens, mapas, vídeos), as CNNs são adequadas. Para dados tabulares, séries temporais ou texto, outros modelos (MLP, RNN, Transformers) são mais indicados. Na prova, desconfie de alternativas que atribuem CNNs a tarefas numéricas descorrelacionadas.

Gabarito: letra E

Link permanente: /questoes/ce227897