Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg086302
Banca
FGV
Órgão
INPE
Ano
2024
Nível
Superior
Cargo
Tecnologista Pleno I - Desenvolvimento ou Aprimoramento de Sistema de Assimilação de Dados nas Componentes do Sistema Terrestre e de Aplicações para Monitoramento do Processo de Assimilação
As técnicas de aprendizado de máquina aplicadas à assimilação podem ser utilizadas de diversas maneiras para tratamento de dados. Um exemplo de processo que pode ser vantajoso para os algoritmos de assimilação é o de redução da dimensionalidade de um conjunto de dados, no qual se aplica treinamento não supervisionado para gerar representações “compactadas” das entradas originais. Esse processo permite a assimilação de dados no espaço latente, melhorando a eficiência de treinamento dos algoritmos.Determinadas arquiteturas de rede neural são utilizadas para redução de dimensionalidade e para a geração de representações de dados no espaço latente, em que se destaca a arquitetura do tipo
AAutoencoders.
BRedes Neurais Bayesianas.
CRedes Neurais Convolucionais.
DRedes Adversariais Generativas.
EMáquinas de Boltzmann Restritas.
Revelar gabarito e comentário▾
GabaritoA — Autoencoders.
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”.
Redução de dimensionalidade com redes neurais
Gabarito: letra A — Autoencoders. A questão descreve exatamente a função de um autoencoder: usar treinamento não supervisionado para aprender uma representação compactada (espaço latente) dos dados, reduzindo a dimensionalidade. Essa arquitetura é composta por um encoder que comprime a entrada e um decoder que a reconstrói, sendo a técnica clássica para esse fim.
O enunciado fala em "redução da dimensionalidade" e "geração de representações no espaço latente" por meio de "treinamento não supervisionado". Essas são as características marcantes dos autoencoders. As demais alternativas têm propósitos diferentes:
Arquitetura
Função Principal
Treinamento
Relação com Redução de Dimensionalidade
Autoencoders
Aprender representações compactadas (espaço latente) dos dados
Não supervisionado
Sim, é a técnica clássica para redução de dimensionalidade com redes neurais
Redes Neurais Bayesianas
Modelar incerteza nos pesos da rede
Probabilístico / supervisionado
Não, foco é inferência, não compressão
Redes Neurais Convolucionais
Processar dados com topologia espacial (ex.: imagens)
Supervisionado
Não, sozinhas não realizam redução não supervisionada para espaço latente
Redes Adversariais Generativas
Gerar dados sintéticos realistas
Adversarial (gerador vs. discriminador)
Não, objetivo é geração, não compressão
Máquinas de Boltzmann Restritas
Aprender distribuições de probabilidade sobre entradas
Não supervisionado
Parcial, mas não são o modelo principal para redução de dimensionalidade
Alternativa A — ✅ Correta ⟵ GABARITO
Autoencoders são redes neurais projetadas para aprender representações latentes (codificações) dos dados de entrada de forma não supervisionada, comprimindo a dimensionalidade. O encoder mapeia os dados para um espaço de menor dimensão (latente) e o decoder tenta reconstruir a entrada original a partir dessa representação. É o modelo mais conhecido para redução de dimensionalidade com redes neurais.
Alternativa B — ❌ Incorreta
Redes Neurais Bayesianas modelam incerteza nos pesos, mas não são especificamente usadas para redução de dimensionalidade ou geração de representações latentes compactadas. Seu foco é inferência probabilística, não compressão não supervisionada.
Alternativa C — ❌ Incorreta
Redes Neurais Convolucionais (CNNs) são especializadas em processamento de dados com topologia espacial (imagens, séries temporais), aprendendo filtros convolucionais. Embora possam ser usadas como parte de um autoencoder, sozinhas não realizam redução de dimensionalidade não supervisionada para representações latentes genéricas.
Alternativa D — ❌ Incorreta
Redes Adversariais Generativas (GANs) são compostas por um gerador e um discriminador que competem para gerar dados sintéticos realistas. Não têm como objetivo principal a redução de dimensionalidade nem a criação de representações latentes compactadas (embora o gerador use um espaço latente, a finalidade é geração, não compressão).
Alternativa E — ❌ Incorreta
Máquinas de Boltzmann Restritas (RBMs) são modelos generativos estocásticos que também podem aprender representações latentes, mas são menos comuns para redução de dimensionalidade em comparação com autoencoders. Além disso, a RBM é um modelo de energia, enquanto o enunciado destaca "arquiteturas de rede neural" — os autoencoders são a arquitetura mais direta e amplamente empregada.
PEGA ESSA DICA!
Sempre que a questão mencionar "redução de dimensionalidade não supervisionada" e "representação latente", pense imediatamente em autoencoders. É o conceito clássico e mais cobrado para esse fim.