Questão de Noções de Informática — Inteligência Artificial e Automação — FGV 2025
Noções de Informática›Inteligência Artificial e Automação
Código
fg125526
Banca
FGV
Órgão
TCE-PE
Ano
2025
Nível
Superior
Os grandes modelos de linguagem, também conhecidos como LLMs (Large Language Model),
Aempregam uma tabela numérica para representar cada palavra, o que possibilita reconhecer relações entre palavras, como vocábulos com significados semelhantes.
Bcorrespondem a um conjunto de redes neurais em que cada uma consiste em um codificador e um decodificador com recursos de recorrência e convoluções.
Cprocessam entradas sequencialmente, o que potencializa a realização dos cálculos mais complexos.
Dutilizam vetores multidimensionais, conhecidos como incorporações de palavras, para representá-las de modo que aquelas com significados contextuais semelhantes ou com outras relações fiquem próximas entre si no espaço vetorial.
Eprocessam sequências inteiras em paralelo, empregando recursos de recorrência e convoluções, o que possibilita o uso extensivo de GPUs (Graphics Processing Units) para treinar LLMs.
Revelar gabarito e comentário▾
GabaritoD — utilizam vetores multidimensionais, conhecidos como incorporações de palavras, para representá-las de modo que aquelas com significados contextuais semelhantes ou com outras relações fiquem próximas entre si no espaço vetorial.
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”.
Grandes Modelos de Linguagem (LLMs)
Gabarito: letra D. LLMs representam palavras por meio de vetores multidimensionais (word embeddings), de forma que palavras com significados contextuais semelhantes fiquem próximas no espaço vetorial – essa é a essência dos modelos de linguagem baseados em transformers. As demais alternativas misturam conceitos de arquiteturas mais antigas ou descrevem incorretamente o funcionamento.
A banca testa o conhecimento sobre a arquitetura e o princípio de funcionamento dos LLMs, especialmente o uso de embeddings e o processamento não sequencial via mecanismo de atenção.
Alternativa A — ❌ Incorreta
Afirma que LLMs empregam uma "tabela numérica" para representar palavras. Na verdade, usam vetores multidimensionais (embeddings), não uma tabela simples. Embora reconheçam relações semânticas, a descrição é imprecisa e superficial.
Alternativa B — ❌ Incorreta
Menciona "redes neurais em que cada uma consiste em um codificador e um decodificador com recursos de recorrência e convoluções". LLMs tipicamente usam transformers, que eliminam recorrência e convoluções, baseando-se em atenção e processamento paralelo. A descrição se aplica a arquiteturas mais antigas, como seq2seq com RNNs.
Alternativa C — ❌ Incorreta
Diz que LLMs "processam entradas sequencialmente". Na realidade, modelos como o Transformer processam a sequência inteira em paralelo usando self-attention, o que permite maior eficiência e captura de dependências longas.
Alternativa D — ✅ Correta ⟵ GABARITO
Descreve corretamente que LLMs utilizam vetores multidimensionais (incorporações de palavras) para representar palavras, de modo que aquelas com significados contextuais semelhantes ou outras relações fiquem próximas no espaço vetorial – exatamente o princípio dos word embeddings que fundamentam os LLMs.
Alternativa E — ❌ Incorreta
Afirma que LLMs "processam sequências inteiras em paralelo, empregando recursos de recorrência e convoluções". De fato, processam em paralelo, mas sem recorrência ou convoluções (a menos que sejam modelos híbridos raros). A arquitetura padrão é o Transformer, com mecanismos de atenção.
NÃO CAIA NESSA!
A banca explora a confusão entre arquiteturas de redes neurais. LLMs modernos (GPT, BERT) usam transformers – sem recorrência ou convoluções – e processamento paralelo. Alternativas que mencionam "sequencial", "recorrência" ou "convoluções" são típicas de modelos antigos (RNNs, CNNs). Fique atento: a chave é vetores multidimensionais (embeddings) e atenção paralela.