Questão de Engenharia de Software — Inteligencia Artificial — FGV 2025
Engenharia de Software›Inteligencia Artificial
Código
fg106122
Banca
FGV
Órgão
AgSUS
Ano
2025
Nível
Superior
Cargo
Analista de Gestão Tecnologia da Informação
Aprendizado de máquina é o processo de descobrir uma função-objetivo f que mapeie as entradas x nos respectivos resultados y, ou seja, y = f (x) Quando a forma geral da função f a ser aprendida é pré-fixada, o algoritmo de aprendizado é dito parametrizado, e sua função é inferir os parâmetros ou coeficientes que compõem a função f. Selecione a alternativa que indique a desvantagem de utilização do aprendizado parametrizado
Aeficiência.
Bsimplicidade.
Cgenericidade.
Descalabilidade.
Eamostras menores.
Revelar gabarito e comentário▾
GabaritoD — escalabilidade.
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”.
Aprendizado Paramétrico vs. Não Paramétrico
Gabarito: letra D. No aprendizado paramétrico, a forma da função-objetivo é pré-fixada (ex.: regressão linear, logística). Isso impõe um viés indutivo forte, limitando a capacidade de se adaptar a padrões complexos — ou seja, o modelo pode não escalar bem com a complexidade dos dados. As demais alternativas (eficiência, simplicidade, genericidade? e amostras menores) são, na verdade, vantagens desse paradigma, não desvantagens.
A questão exige identificar qual característica é uma desvantagem entre as listadas. Vejamos:
Eficiência (A): Modelos paramétricos são computacionalmente eficientes, pois o número de parâmetros é fixo. ✅ Vantagem.
Simplicidade (B): São mais simples de treinar e interpretar. ✅ Vantagem.
Genericidade (C): Embora a baixa genericidade (falta de flexibilidade) seja uma desvantagem real, a banca considerou que o termo pode ser ambíguo e optou por outra alternativa. Para fins de prova, lembre-se: genericidade não é listada como desvantagem aqui.
Escalabilidade (D): ❗ Desvantagem. A forma funcional fixa impede que o modelo aumente sua complexidade à medida que mais dados são fornecidos — ao contrário de modelos não paramétricos (como k-NN ou árvores), que podem crescer com os dados. Portanto, não escalam bem para problemas com muitos dados ou padrões complexos.
Amostras menores (E): Modelos paramétricos exigem menos amostras para convergir. ✅ Vantagem.
Aprendizado paramétrico: Forma da função pré-fixada; Viés indutivo forte; Vantagens (Eficiência computacional, Simplicidade, Menos amostras); Desvantagens (Baixa genericidade (pouca flexibilidade), Não escala em complexidade)
NÃO CAIA NESSA!
A banca inverte a expectativa: 'escalabilidade' é normalmente uma qualidade, mas aqui ela representa a limitação de escalar a complexidade do modelo. O candidato que associa 'paramétrico' a 'simples e escalável' pode cair. Na verdade, paramétrico é escalável em termos de dados (grandes volumes), mas não em termos de flexibilidade. Fique atento ao contexto.