Questão de Banco de Dados — BI (Business Intelligence) — FCC 2025
Banco de Dados›BI (Business Intelligence)
Código
fc073210
Banca
FCC
Órgão
Prefeitura de São Paulo - SP
Ano
2025
Nível
Superior
Cargo
Analista de Planejamento e Desenvolvimento Organizacional Tecnologia da Informação e Comunicação
Com respeito à renegociação de valores do IPTU ocorrida na esfera municipal de uma grande cidade, a técnica de machine learning mais adequada para detectar uma possível fraude aplicada por cidadãos é:
AAnálise de cluster: Agrupar as transações em clusters e Identificar aqueles com características atípicas.
BRegressão linear: Modelar a relação entre as variáveis para prever o valor de uma transação potencialmente fraudulenta e identificar desvios.
CAnálise de componentes principais (PCA): Reduzir a dimensionalidade dos dados para visualizar padrões e anomalias características de fraudes.
DRedes neurais artificiais: Construir um modelo capaz de aprender padrões complexos nas transações e identificar aquelas com alto risco de fraude.
EAnálise de sentimento: Aplicar Regard Review on ML (R2ML) nos textos dos processos impetrados por cidadãos supostamente envolvidos em fraudes do IPTU, para identificar possíveis características sentimentais indicativas de fraudulência.
Revelar gabarito e comentário▾
GabaritoD — Redes neurais artificiais: Construir um modelo capaz de aprender padrões complexos nas transações e identificar aquelas com alto risco de fraude.
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”.
Machine Learning para Detecção de Fraude no IPTU
Gabarito: letra D. Redes neurais artificiais são a técnica mais adequada para detectar fraudes na renegociação do IPTU, pois conseguem aprender padrões complexos e não lineares nos dados transacionais, identificando transações com alto risco de fraude. As demais alternativas apresentam limitações: análise de cluster não é preditiva, regressão linear é inadequada para padrões não lineares, PCA não é um modelo de detecção direta, e análise de sentimento não se aplica a dados numéricos de IPTU.
A banca testa o conhecimento sobre aplicações de algoritmos de machine learning em problemas reais. A detecção de fraudes é um problema de classificação (ou detecção de anomalias) que se beneficia de modelos capazes de capturar interações complexas entre variáveis, como redes neurais profundas.
Detecção de fraude (IPTU)
1Problema: classificação / anomalia
2Técnicas
Redes neurais (D)
Aprende padrões complexos
Não lineares
Score de risco
Cluster (A)
Não supervisionado
Não classifica
Regressão linear (B)
Só relações lineares
Indireta
PCA (C)
Redução de dimensionalidade
Não detecta
Análise de sentimento (E)
Dados numéricos
Não se aplica
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
Análise de cluster é uma técnica não supervisionada que agrupa dados por similaridade. Embora possa identificar grupos atípicos, ela não classifica transações como fraudulentas nem fornece um score de risco. Além disso, fraudes geralmente são uma minoria nos dados, dificultando a separação por cluster. Não é a mais adequada.
Alternativa B — ❌ Incorreta
Regressão linear modela relações lineares entre variáveis contínuas. Fraudes envolvem padrões não lineares e discretos (sim/não). Tentar prever o valor de uma transação e depois identificar desvios é indireto e pouco eficaz. A regressão linear é muito simples para esse tipo de problema.
Alternativa C — ❌ Incorreta
Análise de Componentes Principais (PCA) é uma técnica de redução de dimensionalidade que transforma os dados em componentes principais. Ela não é um modelo de detecção de fraude; apenas prepara os dados para visualização ou outros algoritmos. Não aprende padrões nem classifica.
Alternativa D — ✅ Correta ⟵ GABARITO
Redes neurais artificiais são modelos flexíveis que aprendem padrões complexos e não lineares a partir de dados rotulados (fraude vs. legítimo). Elas podem incorporar múltiplas variáveis (histórico de pagamento, valor do imóvel, renegociações anteriores) e gerar uma probabilidade de fraude. São amplamente usadas em sistemas de detecção de fraude por sua capacidade de generalização.
Alternativa E — ❌ Incorreta
Análise de sentimento é aplicada a textos (opiniões, comentários) para extrair emoções. No contexto de IPTU, os dados são numéricos e categóricos (valores, datas, características do imóvel). Além disso, "Regard Review on ML (R2ML)" não é uma técnica conhecida ou reconhecida em machine learning, sendo provavelmente um distrator inventado.
PEGA ESSA DICA!
Em questões de detecção de fraude, priorize técnicas supervisionadas que lidam bem com não linearidades e desbalanceamento de classes. Redes neurais, Random Forest e Gradient Boosting são as mais comuns. Cuidado com alternativas que citam técnicas de propósito geral (como PCA ou cluster) para tarefas específicas.