Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg086811
Banca
FGV
Órgão
MF
Ano
2024
Nível
Superior
Cargo
Auditor Federal de Finanças e Controle - Área de Tecnologia da Informação (Transformação Digital) - manhã
Assinale a opção que corresponde à rede neural especialmente projetada para superar o problema do desvanecimento do gradiente em sequências longas, empregando células de memória capazes de manter informações por períodos extensos, tornando-a ideal para processar e prever eventos em dados de série temporal com dependências de longo prazo.
ACNN.
BLSTM.
CSVM.
DRNN.
EMLP.
Revelar gabarito e comentário▾
GabaritoB — LSTM.
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”.
Redes Neurais: LSTM (Long Short-Term Memory)
Gabarito: letra B. A LSTM (Long Short-Term Memory) é uma arquitetura de rede neural recorrente projetada exatamente para superar o problema do desvanecimento do gradiente (vanishing gradient) em sequências longas, utilizando células de memória com portas (gates) que controlam o fluxo de informação por longos períodos. É a escolha ideal para séries temporais com dependências de longo prazo.
A questão cobra o conhecimento da finalidade específica de cada arquitetura. O material de apoio destaca que a LSTM "é uma arquitetura de Rede Neural Recorrente (RNN) projetada para resolver o problema do desvanecimento do gradiente (vanishing gradient) em sequências longas. Sua principal inovação é a célula de memória, que consegue manter e regular o fluxo de informações por longos períodos através de mecanismos chamados portas (gates)".
Alternativa A — ❌ Incorreta
CNN (Convolutional Neural Network) é especializada em dados com estrutura espacial (imagens, vídeos), usando camadas de convolução e pooling. Não é sequencial nem possui mecanismo contra vanishing gradient em sequências longas. O erro é confundir o domínio de aplicação.
Alternativa B — ✅ Correta ⟵ GABARITO
LSTM (Long Short-Term Memory) atende perfeitamente à descrição: resolve o vanishing gradient, mantém memória por longos períodos via células de memória (forget, input, output gates) e é ideal para séries temporais com dependências longas. É a evolução das RNNs clássicas.
Alternativa C — ❌ Incorreta
SVM (Support Vector Machine) é um algoritmo de aprendizado de máquina para classificação/regressão, não é uma rede neural nem possui células de memória. Totalmente fora do escopo.
Alternativa D — ❌ Incorreta
RNN (Recurrent Neural Network) tradicional também processa sequências e possui conexões recorrentes, mas sofre com o problema do desvanecimento do gradiente (ou explosão) em sequências longas. A LSTM foi criada justamente para suprir essa limitação. A banca coloca RNN como principal distrator: parece correta, mas não é a que resolve o problema.
NÃO CAIA NESSA!
A alternativa D (RNN) é a que mais engana. O candidato lembra que RNN é para sequências e tem memória, mas esquece que ela sofre com vanishing gradient. A pergunta pede a rede especialmente projetada para superar esse problema, portanto a resposta é LSTM.
Alternativa E — ❌ Incorreta
MLP (Multilayer Perceptron) é uma rede feedforward (sem recorrência), sem memória para dados sequenciais. Não tem células de memória nem mecanismo para vanishing gradient em sequências longas. Totalmente inadequada.