Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg096769
Banca
FGV
Órgão
TCE-PA
Ano
2024
Nível
Superior
Cargo
Auditor de Controle Externo - Área Administrativa - Ciência de Dados
As redes neurais artificiais (Artificial Neural Networks - ANN) constituem um grupo de algoritmos inspirados nas funções dos neurônios no cérebro humano. Diversas arquiteturas de redes neurais são utilizadas para diferentes problemas, conforme suas funcionalidades.Existe uma arquitetura de rede neural específica, especialmente apropriada ao reconhecimento de padrões de imagens e vídeos, por possuir as seguintes propriedades:• As informações fluem apenas em uma direção.• As informações são propagadas em diferentes camadas neurais que filtram características (isto é, as features).• As informações são propagadas em diferentes camadas que reduzem sua dimensionalidade.Das opções a seguir, as redes que mais aderem às propriedades listadas acima são as redes
Ade alimentação direta (feedforward).
Brecorrentes.
Cconvolucionais.
Dgenerativas adversárias (GANs).
Ede Hopfield.
Revelar gabarito e comentário▾
GabaritoC — convolucionais.
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 Convolucionais (CNN)
Gabarito: letra C. As redes convolucionais (CNNs) são a arquitetura mais adequada para o reconhecimento de padrões em imagens e vídeos, pois possuem fluxo de informações unidirecional (feedforward), camadas que filtram características (convoluções) e camadas que reduzem a dimensionalidade (pooling), atendendo exatamente às propriedades descritas.
Redes neurais convolucionais são projetadas especificamente para processar dados com grade topológica, como imagens. Suas camadas convolucionais aplicam filtros que aprendem características visuais (bordas, texturas, objetos), e as camadas de pooling reduzem a resolução espacial, diminuindo a dimensionalidade e mantendo as informações relevantes. O fluxo é estritamente da entrada para a saída (feedforward) durante a inferência.
Arquitetura
Fluxo de Informação
Filtragem de Características (Features)
Redução de Dimensionalidade
Adequação a Imagens/Vídeos
Convolucionais (CNN)
Unidirecional (feedforward)
Sim, por camadas convolucionais
Sim, por camadas de pooling
Sim, arquitetura padrão
Alimentação Direta (Feedforward)
Unidirecional (feedforward)
Não, conexões totalmente conectadas
Não, sem mecanismo específico
Baixa, ignora estrutura local
Recorrentes (RNN)
Bidirecional (feedback)
Não, foco em sequências temporais
Não, sem mecanismo específico
Baixa, mais para séries temporais
Generativas Adversárias (GANs)
Bidirecional (gerador/discriminador)
Sim, mas para geração, não extração
Sim, mas não hierárquica
Moderada, para geração, não reconhecimento
Hopfield
Bidirecional (recorrente)
Não, memória associativa
Não
Baixa, para padrões binários
Alternativa A — ❌ Incorreta
Redes feedforward simples (multilayer perceptron) têm fluxo unidirecional, mas não possuem camadas especializadas em extrair características espaciais nem redução de dimensionalidade por pooling. Cada neurônio é totalmente conectado ao anterior, o que as torna menos eficientes para imagens e vídeos, pois ignoram a estrutura local e não reduzem dimensionalidade de forma hierárquica.
Alternativa B — ❌ Incorreta
Redes recorrentes (RNN) possuem conexões de feedback, permitindo que informações fluam em ambas as direções, o que viola a exigência de fluxo unidirecional. São mais indicadas para sequências temporais, como texto e áudio, e não para reconhecimento de padrões espaciais em imagens.
Alternativa C — ✅ Correta ⟵ GABARITO
As redes convolucionais atendem simultaneamente às três propriedades: (1) fluxo feedforward; (2) camadas convolucionais que filtram características locais; (3) camadas de pooling que reduzem a dimensionalidade espacial. São o padrão de facto para visão computacional.
Alternativa D — ❌ Incorreta
Redes generativas adversárias (GANs) são compostas por dois modelos concorrentes (gerador e discriminador) que interagem em um processo de treino bidirecional. Não possuem fluxo unidirecional único nem são projetadas para extração hierárquica de características em imagens, mas sim para geração de dados.
Alternativa E — ❌ Incorreta
Redes de Hopfield são recorrentes e totalmente conectadas, com dinâmica de atração para padrões armazenados. Não possuem camadas hierárquicas para filtragem de características nem redução de dimensionalidade. São usadas como memórias associativas, não para reconhecimento de padrões complexos em imagens.
PEGA ESSA DICA!
Ao estudar arquiteturas de redes neurais, foque nas propriedades distintivas: fluxo (unidirecional vs. recorrente), presença de camadas convolucionais/pooling, e aplicações típicas. As CNNs se destacam pela combinação de convolução e pooling, que as diferencia das feedforward simples.