Questão de Engenharia de Software — Inteligencia Artificial — FGV 2025
Engenharia de Software›Inteligencia Artificial
Código
fg121224
Banca
FGV
Órgão
TCE-PE
Ano
2025
Nível
Superior
Cargo
Analista de Controle Externo - Tecnologia da Informação
No campo da inteligência artificial, os agentes desempenham papel central como entidades capazes de perceber o ambiente, tomar decisões e agir com base em metas definidas. Compreender sua estrutura e tipos é fundamental para o desenvolvimento de sistemas inteligentes.Assinale a afirmativa que descreve corretamente uma característica de agentes de inteligência artificial.
AUm agente reativo simples armazena historicamente os estados anteriores do ambiente para prever ações futuras com base em aprendizado profundo.
BAgentes baseados em objetivos não consideram o estado atual do ambiente, mas tomam decisões aleatórias até alcançarem a meta desejada.
CAgentes baseados em utilidade avaliam diferentes cursos de ação e escolhem aquele que maximiza um valor numérico associado à satisfação da meta.
DUm agente só pode ser considerado inteligente se tiver consciência própria e habilidades linguísticas semelhantes às humanas.
EAgentes de IA operam exclusivamente em ambientes totalmente observáveis e determinísticos, pois exigem informações completas para funcionar.
Revelar gabarito e comentário▾
GabaritoC — Agentes baseados em utilidade avaliam diferentes cursos de ação e escolhem aquele que maximiza um valor numérico associado à satisfação da meta.
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”.
Agentes de Inteligência Artificial
Gabarito: letra C. Agentes baseados em utilidade avaliam diversos cursos de ação e selecionam aquele que maximiza um valor numérico (utilidade) associado à satisfação da meta. É a definição clássica de agente racional que busca maximizar sua medida de desempenho.
A banca cobra a distinção entre os tipos de agentes de IA, conforme a taxonomia clássica de Russell e Norvig: reativos simples, reativos com modelo, baseados em objetivos e baseados em utilidade. O texto de apoio (Wikipédia) reforça que um agente inteligente "percebe seu ambiente e toma atitudes que maximizam suas chances de sucesso".
NÃO CAIA NESSA!
A banca troca as características entre os tipos de agente para confundir. Fique atento:
Agente reativo simples: não armazena histórico; age apenas com base no estado atual.
Agente baseado em objetivo: considera o estado atual e busca ações que levem ao estado meta; não age aleatoriamente.
Agente baseado em utilidade: maximiza um valor de utilidade, não apenas alcança a meta.
Consciência ou linguagem não são requisitos para um agente inteligente.
Agentes podem operar em ambientes parcialmente observáveis e não determinísticos.
Tipo de Agente
Característica Correta
Característica Incorreta (Pegadinha)
Reativo Simples
Age com base apenas no estado atual do ambiente.
Armazena histórico de estados e usa aprendizado profundo.
Baseado em Objetivos
Considera o estado atual e busca ações que levem ao estado meta.
Ignora o estado atual e toma decisões aleatórias.
Baseado em Utilidade
Avalia cursos de ação e maximiza um valor numérico (utilidade).
Apenas alcança a meta, sem considerar o grau de satisfação.
Inteligência Geral
Não é requisito para um agente de IA.
Exige consciência própria e habilidades linguísticas humanas.
Ambiente de Operação
Pode ser parcialmente observável e não determinístico.
Exige ambientes totalmente observáveis e determinísticos.
Agentes de IA (Russell & Norvig): Reativo simples (Armazena histórico, Aprendizado profundo, Só estado atual); Baseado em objetivo (Decisões aleatórias, Considera estado atual, Busca sequência até a meta); Baseado em utilidade (Maximiza valor numérico, Avalia cursos de ação); Requisitos gerais (Consciência própria, Linguagem humana, Ambientes parcialmente observáveis)
Alternativa A — ❌ Incorreta
"Um agente reativo simples armazena historicamente os estados anteriores do ambiente para prever ações futuras com base em aprendizado profundo." O erro está em atribuir memória e aprendizado profundo a um agente reativo simples. Agentes reativos simples não possuem memória de estados passados; eles escolhem ações apenas com base no estado atual. Aprendizado profundo é característico de agentes mais complexos (ex.: aprendizado por reforço), não de um reativo simples.
Alternativa B — ❌ Incorreta
"Agentes baseados em objetivos não consideram o estado atual do ambiente, mas tomam decisões aleatórias até alcançarem a meta desejada." Na verdade, agentes baseados em objetivos consideram o estado atual e buscam uma sequência de ações que leve ao estado meta. Decisões aleatórias não são a abordagem típica; eles usam planejamento ou busca para encontrar a ação que aproxima do objetivo.
Alternativa C — ✅ Correta ⟵ GABARITO
"Agentes baseados em utilidade avaliam diferentes cursos de ação e escolhem aquele que maximiza um valor numérico associado à satisfação da meta." Exato. Diferentemente dos agentes baseados em objetivo (que apenas buscam atingir a meta), os agentes baseados em utilidade usam uma função de utilidade para medir o quão desejável é cada estado, permitindo trade-offs e preferências. A escolha recai sobre a ação que maximiza a utilidade esperada.
Alternativa D — ❌ Incorreta
"Um agente só pode ser considerado inteligente se tiver consciência própria e habilidades linguísticas semelhantes às humanas." Essa afirmação é antropocêntrica e incorreta. Agentes inteligentes podem ser especializados e não precisam de consciência ou linguagem. A definição de IA envolve capacidade de perceber, raciocinar e agir para atingir objetivos, sem exigir características humanas.
Alternativa E — ❌ Incorreta
"Agentes de IA operam exclusivamente em ambientes totalmente observáveis e determinísticos, pois exigem informações completas para funcionar." É falsa. Agentes podem operar em ambientes parcialmente observáveis (ex.: robôs com sensores limitados) e estocásticos (ex.: jogos com dados). Existem técnicas específicas (POMDPs, aprendizado por reforço) para lidar com incerteza e observabilidade parcial.