Questão de Engenharia de Software — Inteligencia Artificial — FGV 2026
Engenharia de Software›Inteligencia Artificial
Código
fg133966
Banca
FGV
Órgão
TJ-RJ
Ano
2026
Nível
Superior
Cargo
Analista Judiciário - Tecnologia da Informação - Cientista de Dados
Um laboratório de pesquisa médica está desenvolvendo um sistema de inteligência artificial para auxiliar no diagnóstico de uma doença de pele extremamente rara. O maior desafio do projeto é a escassez de dados: a equipe possui apenas 300 imagens dermatoscópicas rotuladas da doença, quantidade insuficiente para treinar uma rede neural convolucional (CNN) complexa do zero sem causar sobreajuste (overfitting).Para contornar essa limitação, os cientistas de dados decidiram utilizar um modelo de arquitetura robusta (como a ResNet-50), que já foi previamente treinado em milhões de imagens genéricas do banco de dados ImageNet. A estratégia adotada consiste em manter os pesos das camadas iniciais da rede inalterados (congelados), aproveitando a capacidade do modelo de reconhecer formas e texturas, e treinar apenas as últimas camadas para distinguir a lesão de pele específica.Essa técnica de reaproveitamento de conhecimento prévio de um domínio para resolver um problema em outro domínio com poucos dados é denominada:
AData Augmentation (aumento de dados);
BTransfer Learning (Aprendizado por Transferência);
CReinforcement Learning (Aprendizado por Reforço);
DUnsupervised Clustering (Agrupamento Não Supervisionado);
EDimensionality Reduction (Redução de Dimensionalidade).
Revelar gabarito e comentário▾
GabaritoB — Transfer Learning (Aprendizado por Transferência);
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”.
Transfer Learning (Aprendizado por Transferência)
Gabarito: letra B. A técnica descrita — aproveitar pesos de uma rede pré-treinada em um grande conjunto de dados (ImageNet) e ajustar apenas as camadas finais para um novo problema com poucos dados — é exatamente a definição de Transfer Learning (Aprendizado por Transferência). A alternativa B está correta.
A banca testa o conhecimento das principais técnicas de aprendizado de máquina. O enunciado descreve claramente a adaptação de um modelo pré-treinado para uma tarefa nova e com dados escassos, evitando overfitting. Essa é a essência do Transfer Learning.
Técnica
Definição
Aplicação no Cenário
Gabarito
Transfer Learning
Aproveitar pesos de um modelo pré-treinado em grande base de dados e ajustar apenas camadas finais para nova tarefa com poucos dados
Usar ResNet-50 treinada no ImageNet, congelar camadas iniciais e treinar as últimas para diagnosticar doença de pele rara
✅ Correta
Data Augmentation
Gerar novas amostras a partir das existentes (rotações, cortes, variações de cor) para aumentar artificialmente o conjunto de dados
Não mencionado no enunciado; não há transformações das imagens
❌ Incorreta
Reinforcement Learning
Agente aprende a tomar decisões por tentativa e erro, recebendo recompensas ou punições
Não se aplica a classificação de imagens com dados rotulados e modelo pré-treinado
❌ Incorreta
Unsupervised Clustering
Agrupar dados sem rótulos com base em similaridades
Problema possui rótulos (300 imagens rotuladas) e busca classificação, não agrupamento
❌ Incorreta
Dimensionality Reduction
Reduzir o número de features (ex.: PCA)
Não envolve reaproveitamento de conhecimento de modelo pré-treinado
❌ Incorreta
Alternativa A — ❌ Incorreta
Data Augmentation consiste em gerar novas amostras a partir das existentes (rotações, cortes, variações de cor) para aumentar artificialmente o conjunto de dados. O enunciado não menciona qualquer transformação das imagens; ele fala em congelar camadas iniciais de uma rede já treinada.
Alternativa B — ✅ Correta ⟵ GABARITO
Transfer Learning é exatamente a estratégia descrita: utilizar conhecimento adquirido em uma tarefa (classificação de imagens genéricas no ImageNet) como ponto de partida para uma nova tarefa (diagnóstico de doença de pele rara), mantendo as camadas genéricas inalteradas e treinando apenas as específicas. Isso permite aprender com poucos dados sem overfitting.
Alternativa C — ❌ Incorreta
Reinforcement Learning (Aprendizado por Reforço) envolve um agente que aprende a tomar decisões por tentativa e erro, recebendo recompensas ou punições. Não se aplica a um cenário de classificação de imagens com dados rotulados e modelo pré-treinado.
Alternativa D — ❌ Incorreta
Unsupervised Clustering (Agrupamento Não Supervisionado) agrupa dados sem rótulos com base em similaridades. O problema possui rótulos (300 imagens rotuladas) e busca classificação, não agrupamento.
Alternativa E — ❌ Incorreta
Dimensionality Reduction (Redução de Dimensionalidade) visa reduzir o número de features, como PCA. Não envolve reaproveitamento de conhecimento de um modelo pré-treinado.
PEGA ESSA DICA!
Na prova, sempre identifique a presença de um modelo pré-treinado e o ajuste fino (fine-tuning) — isso é a marca registrada do Transfer Learning. Data Augmentation costuma vir acompanhada de menções a transformações geométricas ou de cor. Memorize a definição de cada técnica: Transfer Learning = conhecimento prévio; Data Augmentation = dados sintéticos; Reinforcement Learning = recompensa; Unsupervised Learning = sem rótulos; Dimensionality Reduction = menos features.