Pular para o conteúdo principal

Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024

Engenharia de SoftwareInteligencia Artificial
Código
fg086304
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
Recentemente, tem-se observado o aumento dos usos de algoritmos de Inteligência Artificial (IA) aplicados à assimilação de dados. Muitos algoritmos de IA em assimilação são baseados em redes neurais e redes neurais profundas, que necessitam de uma etapa de treinamento.Essas etapas de treinamento nem sempre são de fácil execução. Por exemplo, há um fenômeno que ocorre quando um algoritmo é treinado e apresenta bom desempenho para um conjunto particular de dados usado para treinamento, mas falha ao prever respostas para dados de entrada não incluídos naquele conjunto.A esse fenômeno dá-se o nome, em inglês, de
  1. ASupertraining.
  2. BUnderfitting.
  3. COverfitting.
  4. DReinforcement Learning.
  5. EKerneling.
Revelar gabarito e comentário

GabaritoC — Overfitting.

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”.

Fenômeno de desempenho em aprendizado de máquina

Gabarito: letra C. O fenômeno descrito — bom desempenho no conjunto de treinamento, mas falha em dados não vistos — é conhecido como overfitting (sobreajuste). A banca testa o conhecimento básico de terminologia em aprendizado de máquina, um dos conceitos fundamentais da área.

Problemas de generalização
  • 1Overfitting (sobreajuste)
    • Bom no treino
    • Ruim no teste
    • Memoriza dados de treino
  • 2Underfitting (subajuste)
    • Ruim no treino
    • Ruim no teste
    • Não aprende padrões
LEVEL · soulevel.com.br

Alternativa A — ❌ Incorreta

Supertraining não é um termo técnico padrão em aprendizado de máquina. Não há literatura que o defina como o fenômeno descrito.

Alternativa B — ❌ Incorreta

Underfitting (subajuste) é o oposto: ocorre quando o modelo não aprende nem mesmo os dados de treinamento, apresentando desempenho ruim tanto no treino quanto nos dados novos.

Alternativa C — ✅ Correta ⟵ GABARITO

Overfitting (sobreajuste) caracteriza-se exatamente pelo cenário da questão: o algoritmo memoriza os dados de treinamento (bom desempenho nesse conjunto), mas perde capacidade de generalização, falhando ao prever novos dados. É um dos problemas mais comuns em modelos de redes neurais e aprendizado profundo.

Alternativa D — ❌ Incorreta

Reinforcement Learning (aprendizado por reforço) é um paradigma de aprendizado de máquina baseado em recompensas e punições, não um fenômeno de desempenho como o descrito.

Alternativa E — ❌ Incorreta

Kerneling (uso de núcleos ou kernels) é uma técnica utilizada em métodos como SVM para transformar dados em espaços de alta dimensão, sem relação direta com o sobreajuste.

NÃO CAIA NESSA!

A banca coloca Underfitting como distrator, pois inverte o significado: overfitting = bom no treino, ruim no teste; underfitting = ruim no treino e no teste. Atenção para não confundir os dois.

Gabarito: letra C — Overfitting.

Link permanente: /questoes/fg086304