Inteligência Artificial – Prompt Engineering
Gabarito: letra A. O problema descrito é que as respostas da IA são genéricas e pouco adaptadas ao contexto jurídico; a solução apontada é revisar a formulação das instruções (comandos textuais) dadas ao modelo. A técnica que ajusta a forma e o conteúdo dos comandos para obter respostas mais específicas e contextualizadas é o prompt engineering, que envolve definir papéis, contexto e exemplos explícitos. As demais alternativas envolvem modificações no modelo (fine-tuning, moderação) ou processos não aplicáveis.
A questão testa o conhecimento sobre como melhorar a qualidade das respostas de um modelo de linguagem sem retreiná-lo, apenas ajustando os comandos (prompts). O prompt engineering é a prática de elaborar instruções que guiem o modelo a produzir saídas mais relevantes e alinhadas ao domínio desejado.
Técnica | Descrição | Objetivo | Aplicação ao problema |
|---|
Prompt Engineering (Alternativa A) | Ajuste da formulação das instruções (prompts) com definição de papéis, contexto e exemplos explícitos. | Obter respostas mais específicas, detalhadas e adaptadas ao contexto desejado. | ✅ Correta: resolve o problema de respostas genéricas ajustando os comandos textuais, sem retreinar o modelo. |
Moderação de Conteúdo (Alternativa B) | Uso de filtros para bloquear ou restringir tópicos indesejados na saída do modelo. | Controlar a segurança e a conformidade do conteúdo gerado. | ❌ Incorreta: não enriquece o detalhamento nem adapta o contexto jurídico. |
Refinamento de Clusters / Fine-Tuning (Alternativa C) | Ajuste dos parâmetros internos do modelo (retreinamento) para aumentar precisão em domínios específicos. | Melhorar a acurácia estatística das respostas. | ❌ Incorreta: é mais custoso e não corresponde à revisão de comandos textuais. |
Expansão do Conjunto de Treinamento (Alternativa D) | Adição de novos documentos (ex.: decisões judiciais) ao treinamento do modelo. | Ampliar o conhecimento do modelo sobre o domínio. | ❌ Incorreta: envolve retreinamento, não ajuste de instruções. |
Pipeline de Aprendizado com Curadoria (Alternativa E) | Processo de refinamento contínuo com supervisão de especialistas (ex.: promotores). | Melhorar a qualidade das respostas por feedback humano. | ❌ Incorreta: termo impreciso e não foca na formulação de comandos. |
Alternativa A — ✅ Correta ⟵ GABARITO
A alternativa descreve exatamente a prática de prompt engineering: definir papéis, contexto e exemplos explícitos na instrução. Isso permite que o modelo gere respostas mais alinhadas com a terminologia jurídica e as normas internas, sem necessidade de retreinar o modelo.
Alternativa B — ❌ Incorreta
Mecanismos de moderação de conteúdo servem para bloquear tópicos indesejados, não para enriquecer o detalhamento e a adaptação contextual das respostas. Não resolve o problema de respostas genéricas.
Alternativa C — ❌ Incorreta
"Refinamento de clusters" não é um termo padrão em modelos de linguagem. Caso se refira a fine-tuning (ajuste fino), isso envolveria retreinar o modelo com dados específicos, o que é mais custoso e não é o que foi solicitado (revisar a formulação dos comandos textuais).
Alternativa D — ❌ Incorreta
Expandir o conjunto de treinamento com novos documentos também é uma forma de fine-tuning, não de ajuste das instruções. Além disso, a questão foca em ajustar os comandos textuais, não em retreinar o modelo.
Alternativa E — ❌ Incorreta
"Pipeline de aprendizado de esforço" é um termo impreciso; não corresponde a uma técnica conhecida para melhorar respostas de chatbots. A curadoria de especialistas poderia ser útil para gerar exemplos, mas o enunciado pede revisão das instruções textuais, o que é prompt engineering.
Conclusão: Portanto, a única alternativa que atende à necessidade de revisar a formulação dos comandos textuais é a letra A.