Engenharia de Software · FGV · 2023 | Questão sqc-fg061599

Engenharia de SoftwareInteligencia Artificial

Código: fg061599
Banca: FGV
Órgão: Câmara dos Deputados
Ano: 2023
Nível: Superior

Cargo: Analista Legislativo - Informática Legislativa - Tarde

Joselito é um desenvolvedor especializado em inteligência artificial e trabalha para uma renomada indústria.Recentemente, ele finalizou o treinamento de um modelo de visão computacional, cujo objetivo é identificar se os colaboradores estão utilizando capacetes enquanto circulam pelo chão de fábrica, visando a assegurar o cumprimento das normas de segurança. Durante a apresentação do projeto para a equipe de liderança, o modelo demonstrou alta acurácia na maioria das situações.Entretanto, houve um padrão atípico de erro: o chefe de Joselito, que é calvo, foi consistentemente identificado pelo modelo como estando de capacete, ainda que estivesse sem capacete.Com base nessas informações, assinale a opção que indica a causa mais provável do comportamento anômalo observado no modelo de Joselito.

AO modelo foi treinado com um conjunto de dados desbalanceado tendo muito mais exemplos de pessoas usando capacetes do que sem.
BO chefe de Joselito tem características faciais únicas que o modelo não conseguiu aprender corretamente durante o treinamento.
CO modelo está superajustado (overfitting), capturando detalhes muito específicos do conjunto de treinamento que não generalizam bem para dados não vistos.
DO conjunto de dados de treinamento não tinha uma quantidade balanceada de pessoas calvas sem utilizar o capacete, fazendo o modelo associar erroneamente a calvície com o uso de capacete.
EA resolução da câmera utilizada durante a demonstração era significativamente inferior à usada para coletar imagens do conjunto de dados de treinamento, levando o modelo a interpretar incorretamente características faciais.

Revelar gabarito e comentário

GabaritoD — O conjunto de dados de treinamento não tinha uma quantidade balanceada de pessoas calvas sem utilizar o capacete, fazendo o modelo associar erroneamente a calvície com o uso de capacete.

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”.

Comportamento anômalo em modelo de visão computacional

Gabarito: letra D. O erro sistemático do modelo (identificar pessoa calva como de capacete) indica que a calvície foi associada à presença de capacete durante o treinamento. Isso ocorre porque o conjunto de dados de treinamento provavelmente não continha exemplos suficientes de pessoas calvas sem capacete, fazendo o modelo aprender uma correlação espúria entre calvície e capacete.

A situação descrita é um caso clássico de viés de dados de treinamento (ou dataset bias). O modelo não aprendeu a característica relevante (capacete) de forma isolada, mas sim associou-a a um atributo correlacionado (cabeça calva). As demais alternativas apresentam causas menos prováveis:

Causa Provável	Descrição	Relação com o Erro Específico (Calvo identificado como de capacete)
A) Conjunto de dados desbalanceado	Muitos exemplos de capacete, poucos sem.	Leva a baixa acurácia na classe minoritária (sem capacete), mas não explica a associação específica com calvície.
B) Características faciais únicas	O chefe tem traços que o modelo não aprendeu.	Causaria erros aleatórios ou inconsistentes, não um erro sistemático e consistente como o descrito.
C) Superajuste (overfitting)	Modelo captura detalhes específicos do treino e não generaliza.	Causaria erros gerais, mas não um padrão específico e sistemático de associar calvície a capacete.
D) Viés de dados (calvície sem capacete)	Falta de exemplos de calvos sem capacete no treino.	O modelo aprende uma correlação espúria: calvície → capacete. É a causa mais provável do erro sistemático.
E) Diferença de resolução da câmera	Resolução inferior na demonstração em relação ao treino.	Degradaria o desempenho geral, mas não explicaria um erro específico e consistente para pessoas calvas.

Alternativa A — ❌ Incorreta

Um conjunto desbalanceado (muitos exemplos de capacete, poucos sem) geralmente leva a baixa acurácia na classe minoritária, mas não explica um erro consistente e específico para pessoas calvas. O desbalanceamento sozinho não cria a associação entre calvície e capacete.

Alternativa B — ❌ Incorreta

Características faciais únicas poderiam causar erros aleatórios ou inconsistentes, mas o erro é descrito como consistente (o chefe é sempre identificado com capacete). Além disso, a causa mais provável é a falta de exemplos de calvos sem capacete, não a singularidade facial.

Alternativa C — ❌ Incorreta

Overfitting significa que o modelo se ajusta demais aos dados de treinamento e não generaliza. Isso poderia causar erros em geral, mas não um padrão específico e sistemático como o descrito. Overfitting não explica a correlação com calvície.

Alternativa D — ✅ Correta ⟵ GABARITO

Como mencionado, a falta de exemplos de pessoas calvas sem capacete faz o modelo aprender a associação espúria. Esse é um problema comum em visão computacional: quando um atributo não relevante (calvície) está fortemente correlacionado com a classe alvo (capacete) nos dados de treinamento, o modelo tende a usá-lo como atalho.

Alternativa E — ❌ Incorreta

Diferença de resolução entre treino e teste degradaria o desempenho geral, mas não explicaria um erro específico para pessoas calvas. A resolução inferior tenderia a borrar detalhes, não a criar uma associação com calvície.

PEGA ESSA DICA!

Em problemas de classificação, desconfie de erros sistemáticos que afetam um subgrupo específico. Isso geralmente indica que o modelo aprendeu uma correlação espúria presente nos dados de treino – a chamada 'viés de atalho'. Sempre que possível, analise a distribuição dos atributos nas classes para detectar tais associações.

Gabarito: letra D

Link permanente: /questoes/fg061599