Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2026

Mitigação de viés em modelos de IA

Gabarito: ✅ CERTO. A afirmação está correta: as técnicas de balanceamento de dados, regularização e avaliação de métricas de equidade são reconhecidas no campo de machine learning e ética em IA como métodos para mitigar vieses indesejados em modelos preditivos.

A questão testa conhecimento básico de MLOps e responsabilidade algorítmica. O viés pode surgir de dados desbalanceados, overfitting ou falta de métricas de equidade.

• Balanceamento de dados: técnicas como oversampling (SMOTE), undersampling ou geração de dados sintéticos equilibram a distribuição das classes, reduzindo viés para a classe majoritária.

• Regularização: métodos como L1 (Lasso) e L2 (Ridge) penalizam complexidade do modelo, evitando que ele aprenda padrões espúrios que gerem viés.

• Avaliação de métricas de equidade: métricas como disparate impact, equal opportunity e demographic parity permitem quantificar e monitorar o viés, orientando ajustes.

Portanto, a assertiva da banca está plenamente de acordo com as boas práticas da área.

✅ CERTO.