Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg089957
Banca
FGV
Órgão
Prefeitura de Macaé - RJ
Ano
2024
Nível
Superior
Cargo
Analista Previdenciário - Especialidade: Analista de Sistemas
Processamento de Linguagem Natural (PLN) é uma subárea da inteligência artificial (IA) que se ocupa da interação entre computadores e linguagem humana. O objetivo do PLN é permitir que os computadores compreendam, interpretem, e gerem linguagem natural de maneira que seja útil e significativa. É um campo interdisciplinar que combina linguística, ciência da computação e aprendizado de máquina. Em Processamento de Linguagem Natural (PLN), assinale a técnica mais adequada, entre as listadas, para capturar a dependência contextual de palavras em uma frase, permitindo que o modelo compreenda o significado baseado no contexto.
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”.
Processamento de Linguagem Natural (PLN)
Gabarito: letra D. A técnica mais adequada para capturar a dependência contextual de palavras em uma frase é a Redes Neurais Recorrentes (RNN), pois elas são projetadas para processar sequências mantendo um estado interno que considera o contexto anterior. As demais opções (BoW, TF-IDF, Word2Vec e Tokenização) não são capazes de modelar a ordem ou o contexto dinâmico das palavras em uma frase.
A banca testa o conhecimento sobre as diferentes técnicas de PLN e suas capacidades. Enquanto algumas representam texto de forma estática (BoW, TF-IDF, Word2Vec), outras são arquiteturas de aprendizado profundo que processam sequências (RNN, LSTM, Transformers).
Conceito de PLN:
"Ajuda computadores a entender, interpretar e manipular a linguagem humana" (conteúdo de apoio)
Técnicas de PLN
1Representação estática
Bag of Words (BoW)
Frequência de termos
Ignora ordem e contexto
TF-IDF
Ponderação por importância
Ignora ordem e contexto
Word2Vec
Embeddings por co-ocorrência
Vetor fixo por palavra
2Processamento sequencial
Redes Neurais Recorrentes (RNN)
Estado interno (hₜ)
Captura dependência contextual
LSTM / Transformers
3Pré-processamento
Tokenização
Divisão em tokens
Sem capacidade de contexto
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
O Bag of Words (BoW) ignora completamente a ordem das palavras e o contexto, representando apenas a frequência de termos. Não captura dependências contextuais.
Alternativa B — ❌ Incorreta
O TF-IDF pondera a importância dos termos em um documento, mas também desconsidera a ordem e o contexto sequencial. É um modelo de espaço vetorial estático.
Alternativa C — ❌ Incorreta
O Word2Vec gera embeddings de palavras a partir de co-ocorrências, capturando similaridades semânticas, mas produz representações estáticas — cada palavra tem um vetor fixo, independente do contexto da frase. Logo, não modela a dependência contextual dinâmica.
Alternativa D — ✅ Correta ⟵ GABARITO
As Redes Neurais Recorrentes (RNN) são arquiteturas com realimentação que mantêm um estado interno () atualizado a cada passo, permitindo que informações de palavras anteriores influenciem a interpretação das seguintes. Elas são naturalmente adequadas para tarefas sequenciais como a compreensão de contexto em frases.
Alternativa E — ❌ Incorreta
A Tokenização Simples é apenas uma etapa de pré-processamento que divide o texto em tokens (palavras, subpalavras, etc.). Não tem capacidade de capturar contexto ou dependência entre palavras.