Questão de Engenharia de Software — Inteligencia Artificial — FGV 2026
Engenharia de Software›Inteligencia Artificial
Código
fg133795
Banca
FGV
Órgão
TJ-RJ
Ano
2026
Nível
Superior
Cargo
Analista Judiciário - Tecnologia da Informação - Analista de Inteligência Artificial
Uma empresa de e-commerce implantou um modelo de machine learning para prever a probabilidade de churn, métrica que indica a rotatividade ou evasão de clientes. Após seis meses em produção, a equipe de dados observou que, embora as distribuições estatísticas das features de entrada permanecessem estáveis (mesmas médias, mesmos desvios-padrão e mesmas distribuições), o relacionamento entre essas features e a variável-alvo (churn) havia mudado significativamente devido a alterações no comportamento dos consumidores causadas por novas políticas de fidelização da empresa.Diante desse cenário, é correto afirmar que o modelo:
Arequer apenas ajustes nos hiperparâmetros através de validação cruzada com os dados históricos originais, mantendo a mesma arquitetura e features do pipeline de produção atual;
Bestá sofrendo de concept drift, uma vez que a relação entre as features e o target mudou, requerendo retreinamento do modelo com dados recentes que reflitam o novo comportamento dos clientes;
Cnão apresenta problemas, pois as distribuições estatísticas das features permanecem estáveis, e mudanças em políticas internas da empresa não afetam a capacidade preditiva de modelos já treinados;
Destá sofrendo de data drift, pois as características dos dados de entrada mudaram ao longo do tempo, sendo necessário realizar feature engineering adicional para capturar as novas políticas de fidelização;
Eapresenta tanto data drift quanto concept drift simultaneamente, sendo necessário reprojetar completamente o pipeline de machine learning incluindo nova coleta de dados e arquitetura de modelo.
Revelar gabarito e comentário▾
GabaritoB — está sofrendo de concept drift, uma vez que a relação entre as features e o target mudou, requerendo retreinamento do modelo com dados recentes que reflitam o novo comportamento dos clientes;
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”.
Drifts em Machine Learning: Concept Drift vs. Data Drift
Gabarito: letra B. O modelo está sofrendo de concept drift, pois a relação estatística entre as features (características dos clientes) e a variável-alvo (churn) mudou ao longo do tempo, mesmo com as distribuições das features estáveis. A política de fidelização alterou o comportamento dos consumidores, tornando o modelo desatualizado. A solução é retreinar com dados recentes que reflitam o novo padrão.
A banca testa a diferença entre concept drift (mudança na relação feature → target) e data drift (mudança na distribuição das features de entrada). Como o enunciado afirma que as distribuições das features permanecem estáveis, fica claro que não há data drift — apenas a função de mapeamento entre features e target se alterou.
Critério
Alternativa A
Alternativa B (Gabarito)
Alternativa C
Alternativa D
Alternativa E
Tipo de drift identificado
Nenhum (apenas ajuste de hiperparâmetros)
Concept drift
Nenhum (nega problema)
Data drift
Data drift + Concept drift
Relação features → target
Ignorada (considera dados históricos válidos)
Mudou significativamente
Considera-se inalterada
Não mencionada (foco nas features)
Mudou (concept drift)
Distribuição das features
Estável (dados históricos)
Estável (conforme enunciado)
Estável (motivo para negar problema)
Mudou (data drift)
Mudou (data drift)
Causa do problema
Desalinhamento de hiperparâmetros
Mudança no comportamento do consumidor (política de fidelização)
Nenhuma (modelo não é afetado)
Mudança nas características dos dados de entrada
Mudança simultânea nas features e na relação com o target
Ação corretiva proposta
Ajuste de hiperparâmetros com dados históricos
Retreinamento com dados recentes
Nenhuma (manutenção do modelo atual)
Feature engineering adicional
Reprojeto completo do pipeline
Correção da afirmação
❌ Incorreta
✅ Correta
❌ Incorreta
❌ Incorreta
❌ Incorreta
Alternativa A — ❌ Incorreta
Requer ajustes apenas nos hiperparâmetros com dados históricos originais. Isso não resolve o problema, pois a relação feature-target mudou; os dados históricos não representam mais o comportamento atual. O modelo precisa ser retreinado com dados novos, não apenas reajustado.
Alternativa B — ✅ Correta ⟵ GABARITO
Afirma corretamente que há concept drift (mudança na relação entre features e target) e que o retreinamento com dados recentes é necessário. Essa é a definição exata de concept drift e a ação recomendada.
Alternativa C — ❌ Incorreta
Diz que não há problema, ignorando que mudanças no comportamento dos clientes afetam a capacidade preditiva do modelo. Mesmo com features estáveis, um modelo treinado com o comportamento antigo não reflete a nova realidade, levando a previsões incorretas.
Alternativa D — ❌ Incorreta
Afirma que há data drift, mas o enunciado é claro: as distribuições das features (médias, desvios-padrão) estão estáveis. Data drift exigiria alteração nessas distribuições. Aqui a mudança é exclusivamente na relação feature → target, caracterizando concept drift.
Alternativa E — ❌ Incorreta
Alega que há tanto data drift quanto concept drift simultaneamente. Como as features não mudaram, não há data drift. Apenas o concept drift ocorre. Portanto, reprojetar todo o pipeline é desnecessário; o retreinamento com dados recentes já endereça o problema.
NÃO CAIA NESSA!
A banca tenta confundir concept drift com data drift (alternativa D). O candidato que não atentar para a frase "distribuições estatísticas das features permanecessem estáveis" pode marcar D erradamente. Lembre-se: data drift mexe nas features; concept drift mexe na relação entre features e target.
PEGA ESSA DICA!
Para distinguir: se a distribuição das features mudou → data drift; se a relação feature-target mudou (mesmo com features estáveis) → concept drift. E a ação típica para concept drift é retreinar o modelo com dados recentes.