Questão de Engenharia de Software — Inteligencia Artificial — FGV 2025
Engenharia de Software›Inteligencia Artificial
Código
fg121221
Banca
FGV
Órgão
TCE-PE
Ano
2025
Nível
Superior
Cargo
Analista de Controle Externo - Tecnologia da Informação
Uma forma de garantir que um modelo de linguagem revise cláusulas de confidencialidade em contratos com alta precisão é fornecer exemplos concretos de cláusulas corretas e incorretas, para que o modelo aprenda o padrão desejado antes de analisar novas cláusulas.A técnica de Engenharia de Prompt que descreve corretamente esse processo é chamada:
Azero-shot prompt.
Bself-consistency prompt.
Cchain-of-thought prompt.
Dsoft prompt.
Efew-shot prompt.
Revelar gabarito e comentário▾
GabaritoE — few-shot prompt.
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”.
Engenharia de Prompt — Few-Shot Prompting
Gabarito: letra E. A técnica descrita é o few-shot prompt (ou aprendizado contextual), que consiste em fornecer ao modelo alguns exemplos ("shots") de entradas e saídas desejadas para que ele aprenda o padrão antes de processar novas solicitações. No caso, fornecer cláusulas corretas e incorretas de confidencialidade é exatamente essa abordagem — o modelo usa os exemplos como contexto para melhorar a precisão na análise.
A banca testa o conhecimento das principais técnicas de engenharia de prompt. Vejamos cada alternativa:
Técnicas de Engenharia de Prompt: Zero-shot (Sem exemplos, Apenas instrução); Few-shot (Com exemplos (1 a 5), Aprende padrão no contexto); Chain-of-thought (CoT) (Raciocínio passo a passo); Self-consistency (Múltiplas respostas, Votação pela mais consistente); Soft prompt (Ajuste fino com vetores, Embeddings aprendidos)
Alternativa A — ❌ Incorreta
Zero-shot prompt não oferece exemplos; o modelo recebe apenas a instrução e deve responder com base em seu treinamento prévio. Não se aplica ao cenário, que exige exemplos concretos.
Alternativa B — ❌ Incorreta
Self-consistency prompt é uma técnica que gera múltiplas respostas para um mesmo prompt e escolhe a mais consistente (por votação). Não envolve fornecer exemplos.
Alternativa C — ❌ Incorreta
Chain-of-thought prompt (CoT) guia o modelo a raciocinar passo a passo, mas não necessariamente com exemplos de entradas anteriores. É útil para problemas de raciocínio lógico, não para aprendizado por exemplos.
Alternativa D — ❌ Incorreta
Soft prompt é uma técnica de ajuste fino em que vetores contínuos (embeddings) são aprendidos para guiar o modelo, não envolve exemplos explícitos no prompt.
Alternativa E — ✅ Correta ⟵ GABARITO
Few-shot prompt (ou few-shot learning/in-context learning) fornece alguns exemplos (positivos e negativos) no prompt para que o modelo entenda o padrão. É exatamente o que o enunciado descreve: "fornecer exemplos concretos de cláusulas corretas e incorretas".
PEGA ESSA DICA!
Para diferenciar rapidamente: zero-shot = sem exemplos; few-shot = com exemplos (geralmente 1 a 5); chain-of-thought = raciocínio passo a passo. Memorize esses três, pois são os mais cobrados.