Pular para o conteúdo principal

Questão de Engenharia de Software — Inteligencia Artificial — FCC 2025

Engenharia de SoftwareInteligencia Artificial
Código
fc074347
Banca
FCC
Órgão
TRF - 4ª REGIÃO
Ano
2025
Nível
Superior
Cargo
Técnico Judiciário - Área Apoio Especializado - Especialidade: Desenvolvimento de Sistema da Informação
No desenvolvimento de soluções de Inteligência Artificial para um tribunal, a equipe técnica precisa implementar modelos de Machine Learning de forma integrada em pipelines de produção, considerando práticas de MLOps para garantir a confiabilidade e a atualização contínua dos modelos implantados. Em um projeto que envolve a criação de um sistema de recomendação baseado em processamento de linguagem natural (NLP) e a identificação de anomalias para prevenção de fraudes, a configuração do pipeline de produção deve adotar estratégias que
  1. Aestabeleçam fluxos de atualização baseados em monitoramento manual, com reavaliações periódicas dos modelos conduzidas conforme demandas operacionais pontuais.
  2. Bconcetrem os processos de ingestão, transformação e treinamento em única etapa para facilitar manutenções pontuais, mesmo que sem orquestração automatizada de reexecução completa.
  3. Cintegrem práticas de Continuous Integration/Continuous Delivery (CI/CD) específicas para Machine Learning, facilitando a atualização e monitoramento dos modelos em produção.
  4. Dconcentrem o processo de engenharia de atributos na maximização da variedade de entradas, isentando da aplicação de mecanismos de seleção baseados em relevância estatística ou impacto preditivo.
  5. Eorganizem as tarefas de recomendação e detecção de anomalias em pipelines serializados, utilizando fontes de dados independentes para evitar acoplamento excessivo entre os modelos.
Revelar gabarito e comentário

GabaritoC — integrem práticas de Continuous Integration/Continuous Delivery (CI/CD) específicas para Machine Learning, facilitando a atualização e monitoramento dos modelos em produção.

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 e Pipelines de Machine Learning

Gabarito: letra C. A integração de práticas de Continuous Integration/Continuous Delivery (CI/CD) específicas para Machine Learning (MLOps) é essencial para garantir a atualização contínua e o monitoramento de modelos em produção. O MLOps é definido como "um conjunto de práticas e processos para gerenciar o ciclo de vida dos sistemas que implementam modelos e algoritmos de aprendizado de máquina, de forma que esses modelos sejam projetados, desenvolvidos, testados e implantados de forma consistente e confiável" (conforme contexto). A letra C reflete exatamente esse conceito, enquanto as demais se afastam das boas práticas de automação e governança.

Alternativa A — ❌ Incorreta

Propõe fluxos de atualização baseados em monitoramento manual e reavaliações periódicas conforme demandas operacionais pontuais. MLOps preconiza automação e monitoramento contínuo, não reativo. A abordagem manual não garante confiabilidade nem atualização constante.

Alternativa B — ❌ Incorreta

Concentra os processos de ingestão, transformação e treinamento em uma única etapa, sem orquestração automatizada de reexecução completa. Isso vai contra o princípio de pipelines modulares e reproduzíveis, fundamentais para MLOps.

Alternativa C — ✅ Correta ⟵ GABARITO

Integra práticas de CI/CD específicas para Machine Learning, facilitando a atualização e monitoramento dos modelos em produção. Essa é a essência do MLOps: automatizar integração, entrega e implantação de modelos, permitindo ciclos rápidos e confiáveis.

Alternativa D — ❌ Incorreta

Defende concentrar a engenharia de atributos na maximização da variedade de entradas, sem aplicar seleção baseada em relevância. Na prática, feature selection é essencial para reduzir overfitting, melhorar performance e evitar dados irrelevantes. A maximização indiscriminada é antiética.

Alternativa E — ❌ Incorreta

Sugere organizar tarefas em pipelines serializados com fontes de dados independentes. Embora a independência seja desejável, a serialização pode gerar latência e a independência total impede compartilhamento de dados úteis. Em MLOps, prefere-se orquestração com dados compartilhados quando pertinente.

PEGA ESSA DICA!

MLOps adiciona o conceito de Continuous Training (CT) ao CI/CD tradicional, pois modelos precisam ser retreinados com novos dados para manter acurácia. Lembre-se: MLOps = DevOps + ML + Monitoramento.

Gabarito: letra C

Link permanente: /questoes/fc074347