O TCE-SC desenvolveu um modelo de IA para detectar fraudes em licitações. Durante o treinamento, o modelo apresentou 99% de acerto na base de dados histórica, mas, ao ser aplicado em dados novos de 2026, a precisão caiu para 55%.Esse fenômeno técnico, no qual o modelo decora os dados de treinamento mas falha em generalizar para dados novos, é conhecido como
AUnderfitting.
BOverfitting.
CNormalização de Dados.
DAprendizado não supervisionado.
ERegressão Logística.
Revelar gabarito e comentário▾
GabaritoB — Overfitting.
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”.
Overfitting em Modelos de IA
Gabarito: letra B. O fenômeno descrito — modelo com 99% de acerto nos dados históricos e queda para 55% em dados novos — é o clássico overfitting: o modelo decora o ruído e os padrões específicos do treinamento, mas falha ao generalizar para dados não vistos.
O overfitting ocorre quando o modelo se ajusta excessivamente aos dados de treinamento, aprendendo detalhes irrelevantes que não se repetem em novos conjuntos. Isso contrasta com:
Underfitting (alternativa A): o modelo não aprende nem os dados de treinamento (baixo desempenho em ambos).
Normalização de Dados (alternativa C): técnica de pré-processamento para escalar variáveis, não um fenômeno.
Aprendizado não supervisionado (alternativa D): tipo de aprendizado que busca padrões em dados não rotulados.
Regressão Logística (alternativa E): algoritmo de classificação, não um fenômeno de memorização.
Problemas de generalização
1Overfitting (decora o treino)
Alta acurácia no treino
Baixa acurácia em dados novos
2Underfitting (não aprende)
Baixa acurácia no treino
Baixa acurácia em dados novos
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
Underfitting é o oposto: o modelo não captura bem nem os dados de treino, resultando em baixa acurácia tanto em treino quanto em teste.
Alternativa B — ✅ Correta ⟵ GABARITO
Overfitting é exatamente o que o enunciado descreve: alta performance no treino (99%) e queda drástica na generalização (55%).
Alternativa C — ❌ Incorreta
Normalização de dados é uma etapa de pré-processamento para padronizar escalas, não explica a degradação do modelo.
Alternativa D — ❌ Incorreta
Aprendizado não supervisionado é uma categoria de algoritmos que trabalham sem rótulos; não é um fenômeno de desempenho.
Alternativa E — ❌ Incorreta
Regressão logística é um algoritmo específico de classificação binária; pode sofrer overfitting, mas o nome do fenômeno é overfitting, não o algoritmo.