Engenharia de Software · FGV · 2026 | Questão sqc-fg133943

Engenharia de SoftwareInteligencia Artificial

Código: fg133943
Banca: FGV
Órgão: TJ-RJ
Ano: 2026
Nível: Superior

Cargo: Analista Judiciário - Tecnologia da Informação - Arquiteto de Dados

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”.

Machine Learning – Manutenção de Modelos

Gabarito: letra B. O cenário descreve um caso clássico de concept drift: as distribuições das features permanecem estáveis, mas a relação entre essas features e a variável-alvo (target) mudou devido a alterações no comportamento dos consumidores. Nessa situação, o modelo precisa ser retreinado com dados recentes que capturem o novo padrão. As demais alternativas incorrem em erros conceituais.

A questão testa a diferença entre data drift (mudança nas distribuições das features) e concept drift (mudança na relação features-target). Como as distribuições não se alteraram, não há data drift; o problema é exclusivamente de concept drift.

Fenômeno	Definição	Ocorrência no Cenário	Ação Necessária
Concept Drift	Mudança na relação entre features e target	Sim: comportamento dos consumidores alterou a relação, embora as distribuições das features estejam estáveis	Retreinamento do modelo com dados recentes que reflitam o novo padrão
Data Drift	Mudança nas distribuições estatísticas das features de entrada	Não: médias, desvios-padrão e distribuições permanecem estáveis	Não se aplica
Ajuste de Hiperparâmetros	Otimização de parâmetros do modelo com dados históricos	Ineficaz: dados antigos não capturam a nova relação features-target	Não resolve o problema
Reprojeto Completo do Pipeline	Nova coleta de dados, feature engineering e arquitetura de modelo	Desnecessário: o drift é apenas conceitual, não exige mudança estrutural	Retreinamento é suficiente

Drift em modelos ML: Data drift (Distribuição das features muda, Exige retreinamento); Concept drift (Relação features-target muda, Distribuição estável, Exige retreinamento); Caso concreto (Features estáveis, Relação mudou, Concept drift)

Alternativa A — ❌ Incorreta

Ajustar hiperparâmetros com dados históricos antigos não corrige a mudança na relação entre features e target. O erro é de excecao_ignorada: o retreinamento com dados recentes é necessário, não apenas ajustes paramétricos.

Alternativa B — ✅ Correta ⟵ GABARITO

Descreve precisamente o concept drift: a relação entre as variáveis de entrada e a saída mudou, exigindo retreinamento do modelo com dados que reflitam o novo comportamento. É a definição formal do fenômeno.

Alternativa C — ❌ Incorreta

Afirma que não há problema, mas a mudança na relação features-target compromete a acurácia do modelo, independentemente da estabilidade das distribuições. Contradiz_texto: o próprio enunciado afirma que o relacionamento mudou significativamente.

Alternativa D — ❌ Incorreta

Confunde concept drift com data drift. Como as distribuições permanecem estáveis, não há data drift. O erro é de troca_conceito.

Alternativa E — ❌ Incorreta

Afirma que há ambos os drifts, mas não há data drift. Também sugere reprojetar completamente o pipeline, o que é desnecessário; o retreinamento com dados recentes é a abordagem padrão. Generalizacao: superdimensiona a ação necessária.

PEGA ESSA DICA!

Para distinguir data drift de concept drift, lembre-se: data drift = características de entrada mudam; concept drift = a relação entrada-saída muda, mesmo com entradas estáveis. Questões com enunciados assim são frequentes em provas sobre monitoramento de modelos.

Gabarito: letra B.

Link permanente: /questoes/fg133943