Questão de Noções de Informática — Inteligência Artificial e Automação — FCC 2026
Noções de Informática›Inteligência Artificial e Automação
Código
fc077048
Banca
FCC
Órgão
MPE-SE
Ano
2026
Nível
Médio
Cargo
Técnico do Ministério Público - Manutenção e Suporte de Equipamentos de Informática e Software
Durante o desenvolvimento de um sistema de apoio à elaboração de minutas judiciais em um órgão do Ministério Público, a equipe técnica avaliou o uso de ferramentas de IA generativa para auxiliar na redação inicial dos documentos. Contudo, foi identificado que os textos gerados poderiam conter informações imprecisas e não referenciadas. Para garantir confiabilidade e rastreabilidade das respostas, a equipe decidiu integrar o modelo de IA a uma base de dados institucional, de forma que as respostas fossem fundamentadas em conteúdo validado. Neste contexto, o recurso técnico que atende aessa necessidade é
Ao treinamento supervisionado completo do modelo com decisões judiciais recentes.
Ba adoção de filtros de moderação e políticas de conteúdo no endpoint da API.
Co ajuste de hiperparâmetros do modelo generativo para melhorar a coerência textual.
Da utilização de embeddings para expandir o vocabulário jurídico do modelo.
Ea implementação de uma arquitetura de Retrieval-Augmented Generation (RAG).
Revelar gabarito e comentário▾
GabaritoE — a implementação de uma arquitetura de Retrieval-Augmented Generation (RAG).
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”.
Inteligência Artificial – Geração Aumentada por Recuperação (RAG)
Gabarito: letra E. Para garantir que as respostas do modelo generativo sejam fundamentadas em conteúdo validado de uma base institucional, a arquitetura adequada é o Retrieval-Augmented Generation (RAG). Essa técnica combina um sistema de recuperação (que busca trechos relevantes na base) com um modelo gerador, permitindo que a resposta seja construída a partir de fontes específicas e rastreáveis, resolvendo os problemas de precisão e referência apontados no enunciado.
A questão testa o conhecimento de arquiteturas que integram modelos de IA generativa a bases de conhecimento externas, em oposição a abordagens que apenas modificam o modelo ou adicionam filtros superficiais.
Técnica
Descrição
Problema que resolve
Adequação ao cenário
Treinamento supervisionado completo
Ajusta o modelo com dados judiciais recentes
Especialização em domínio jurídico
❌ Não garante fundamentação em base institucional específica; risco de alucinação
Filtros de moderação e políticas de conteúdo
Bloqueia tópicos sensíveis na API
Segurança e conformidade ética
❌ Não recupera nem cita fontes institucionais
Ajuste de hiperparâmetros
Altera temperatura, top-k, etc.
Melhora coerência e criatividade textual
❌ Não vincula respostas a base externa; melhoria estilística
Embeddings para expandir vocabulário
Representa significado de palavras em vetores
Busca semântica
❌ Incompleto: falta recuperação e geração fundamentada
Retrieval-Augmented Generation (RAG)
Combina recuperação de trechos relevantes com geração
Precisão factual e rastreabilidade em base institucional
✅ Correta: fundamenta respostas em conteúdo validado e rastreável
1Consulta do usuário
2Busca na base institucional
3Recuperação de trechos
4Geração fundamentada
5Resposta com fonte
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
O treinamento supervisionado completo com decisões judiciais recentes ajustaria o modelo ao domínio jurídico, mas não garante que as respostas sejam extraídas de uma base institucional específica e atualizada. O modelo poderia alucinar informações mesmo após o treinamento, além de não oferecer rastreabilidade direta para cada resposta.
Alternativa B — ❌ Incorreta
Filtros de moderação e políticas de conteúdo no endpoint da API atuam na segurança e conformidade ética das respostas (bloquear tópicos sensíveis), mas não resolvem o problema de fundamentação em dados institucionais validados. Eles não recuperam nem citam fontes.
Alternativa C — ❌ Incorreta
Ajustar hiperparâmetros do modelo generativo (ex.: temperatura, top-k) melhora a coerência e a criatividade textual, mas não vincula as respostas a nenhuma base externa. A melhoria é estilística, não de precisão factual.
Alternativa D — ❌ Incorreta e incompleta
Embeddings são vetores que representam significado de palavras ou documentos e são usados em sistemas de busca semântica – um componente importante do RAG. Porém, apenas expandir o vocabulário jurídico do modelo com embeddings não implementa por si só a recuperação e a geração fundamentada. Falta a arquitetura de retrieval e o acoplamento com o gerador.
Alternativa E — ✅ Correta ⟵ GABARITO
A arquitetura Retrieval-Augmented Generation (RAG) combina duas etapas: (1) um sistema de recuperação que, dada uma consulta, busca documentos/textos relevantes em uma base institucional indexada (normalmente utilizando embeddings e busca vetorial); (2) um modelo generativo que recebe os trechos recuperados como contexto adicional para produzir a resposta. Dessa forma, o conteúdo gerado é fundamentado em fontes conhecidas e pode ser rastreado, atendendo exatamente ao requisito de confiabilidade e rastreabilidade descrito no enunciado.
PEGA ESSA DICA!
Lembre-se de que RAG é a sigla para Retrieval-Augmented Generation (Geração Aumentada por Recuperação). Essa técnica é amplamente usada para integrar LLMs a bases de conhecimento proprietárias, garantindo que as respostas sejam extraídas de documentos controlados e não apenas da memória paramétrica do modelo.