Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg097483
Banca
FGV
Órgão
TCE-PA
Ano
2024
Nível
Superior
Cargo
Auditor de Controle Externo - Área de Informática - Analista de Sistemas
Em processamento de linguagem natural (Natural Language Processing - NLP), é fundamental que sejam utilizadas técnicas para representar palavras numericamente como vetores. As representações numéricas são importantes para capturar relações semânticas entre as palavras, permitindo, por exemplo, processamentos para a detecção de similaridades entre palavras e o desenvolvimento de chatbots.Entre as técnicas de NLP para a representação numérica de palavras destacam-se as seguintes:
Aword2vec e GloVe.
Bstemming e lemmatization.
Csegmentation e efficient embedding.
Dseq2seq e symbolic representation.
Etext-to-speech (TTS) e part-of-speech (POS).
Revelar gabarito e comentário▾
GabaritoA — word2vec e GloVe.
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”.
Representação numérica de palavras em NLP
Gabarito: letra A. A questão cobra técnicas específicas de representação vetorial de palavras (word embeddings). Word2vec e GloVe são os dois métodos mais clássicos e amplamente utilizados para gerar vetores densos que capturam relações semânticas entre palavras. As demais alternativas referem-se a outras tarefas de Processamento de Linguagem Natural (NLP), não à representação numérica de palavras.
A banca testa o conhecimento básico sobre as principais técnicas de word embeddings. Word2vec (Google) produz embeddings por meio de modelos CBOW ou Skip-gram; GloVe (Stanford) utiliza estatísticas de coocorrência global. Ambos geram vetores que permitem operações como similaridade por cosseno e analogias.
Alternativa A — ✅ Correta ⟵ GABARITO
Word2vec e GloVe são as técnicas clássicas de word embeddings. Representam cada palavra como um vetor denso de números reais, treinados em grandes corpora, e capturam relações semânticas e sintáticas. São amplamente usados em sistemas de NLP modernos.
Alternativa B — ❌ Incorreta
Stemming e lemmatization são técnicas de normalização textual (redução de palavras à sua raiz ou lema), não de representação numérica. Não geram vetores; apenas transformam tokens. Exemplo: "correndo" → "corr" (stemming) ou "correr" (lemmatization).
Alternativa C — ❌ Incorreta
"Segmentation" refere-se à segmentação de texto (ex.: tokenização) e "efficient embedding" não é uma técnica consolidada — o correto seria apenas "embedding" (como word2vec ou GloVe). A alternativa mistura conceitos genéricos sem corresponder a uma técnica específica de representação vetorial.
Alternativa D — ❌ Incorreta
Seq2seq (sequence-to-sequence) é uma arquitetura de modelos para tarefas como tradução automática, não uma técnica de representação de palavras. "Symbolic representation" é um termo geral da IA simbólica, não específico de NLP vetorial.
Alternativa E — ❌ Incorreta
Text-to-Speech (TTS) é síntese de fala; Part-of-Speech (POS) tagging é a classificação de palavras em categorias gramaticais. Nenhum gera representações vetoriais de palavras.
PEGA ESSA DICA!
Para identificar rapidamente a resposta em questões sobre técnicas de NLP, lembre-se: word embeddings = word2vec, GloVe, FastText. Outros termos comuns (stemming, lemmatization, POS, NER, seq2seq, TTS) são tarefas ou técnicas diferentes. Foque no que a pergunta pede: "representação numérica como vetores".