Questão de Noções de Informática — Inteligência Artificial e Automação — FGV 2026
Noções de Informática›Inteligência Artificial e Automação
Código
fg134583
Banca
FGV
Órgão
PC-PI
Ano
2026
Nível
Superior
A Inteligência Artificial Generativa representa um avanço estratégico para as atividades policiais investigativas, ao permitir a análise automatizada, síntese e geração de informações complexas a partir de grandes volumes de dados. Arquiteturas como os transformers e modelos de linguagem de grande porte podem auxiliar investigações criminais, ampliando a capacidade analítica, a precisão investigativa e a eficiência operacional das orças de segurança.Uma das características inerentes aos transformers é a de
Aapresentar, como desafio, a dificuldade de captura de dependências de longo alcance pelo uso de camadas empilhadas de atenção (self-attention).
Botimizar o seu desempenho pela substituição do uso da técnica de atenção escalonada por produto interno (scaled dotproduct attention), que causava instabilidade nos gradientes em dimensões altas.
Cproduzir, ao longo da sua execução, vetores de codificação posicional parabólicos, que se multiplicam aos embeddings das palavras, permitindo o reconhecimento da posição absoluta e relativa de cada termo.
Dser a primeira arquitetura de transdução de sequências construídas com mecanismos de atenção sustentados em redes neurais recorrentes e convolucionais profundas.
Eutilizar o modelo de múltiplas "cabeças" de atenção paralelas, substituindo a proposta de atenção única global, atentando a diferentes subespaços de representação simultaneamente.
Revelar gabarito e comentário▾
GabaritoE — utilizar o modelo de múltiplas "cabeças" de atenção paralelas, substituindo a proposta de atenção única global, atentando a diferentes subespaços de representação simultaneamente.
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”.
Transformers – Características da Arquitetura
Gabarito: letra E. A principal inovação dos Transformers é o uso de múltiplas cabeças de atenção paralelas (multi-head attention), que permitem ao modelo atentar simultaneamente a diferentes subespaços de representação, capturando relações complexas entre os elementos da sequência (Vaswani et al., 2017). Essa característica é inerente à arquitetura e a distingue de modelos anteriores.
O contexto menciona que a consolidação de conceitos como "Transformers e mecanismos de Atenção" impulsionou o avanço do aprendizado profundo. A questão cobra exatamente esse conhecimento técnico.
Característica
Descrição
Correta?
Captura de dependências de longo alcance
O mecanismo de self-attention foi projetado para modelar dependências longas com eficiência, superando RNNs e CNNs.
❌ A (inverte o resultado)
Mecanismo de atenção padrão
A scaled dot-product attention é o mecanismo padrão usado nos Transformers, não um substituto.
❌ B (troca o papel)
Codificação posicional
A codificação posicional original é senoidal (senos e cossenos), não parabólica.
❌ C (inventa função)
Arquitetura de transdução
Os Transformers eliminaram RNNs e CNNs, apoiando-se exclusivamente em atenção.
❌ D (afirma o oposto)
Múltiplas cabeças de atenção
Uso de múltiplas cabeças de atenção paralelas (multi-head attention), atentando a diferentes subespaços de representação simultaneamente.
✅ E (GABARITO)
Alternativa A — ❌ Incorreta
Afirma que os Transformers têm dificuldade de capturar dependências de longo alcance. Na verdade, o mecanismo de self-attention foi projetado justamente para modelar dependências longas com eficiência, superando limitações de RNNs e CNNs. O erro está em inverter o resultado.
Alternativa B — ❌ Incorreta
Diz que a arquitetura otimiza o desempenho substituindo a atenção escalonada por produto interno (scaled dot-product attention). Ocorre que a scaled dot-product attentioné o mecanismo padrão usado nos Transformers, não um substituto. A banca troca o papel: a técnica não foi substituída, é a base.
Alternativa C — ❌ Incorreta
Menciona "vetores de codificação posicional parabólicos". A codificação posicional original dos Transformers é senoidal (senos e cossenos de diferentes frequências), não parabólica. O erro está em inventar uma função de posicionamento que não existe na arquitetura.
Alternativa D — ❌ Incorreta
Afirma que os Transformers foram a primeira arquitetura de transdução construída com mecanismos de atenção sustentados em redes neurais recorrentes e convolucionais profundas. Na realidade, os Transformers eliminaram totalmente o uso de RNNs e CNNs, apoiando-se exclusivamente em atenção. Essa foi justamente a ruptura trazida pelo artigo "Attention is All You Need".
Alternativa E — ✅ Correta ⟵ GABARITO
Descreve exatamente a ideia do multi-head attention: múltiplas cabeças de atenção paralelas que substituem uma única atenção global, permitindo que o modelo foque em diferentes subespaços de representação ao mesmo tempo. Isso amplia a capacidade de aprendizado e é uma característica central dos Transformers.
PEGA ESSA DICA!
Para provas de informática sobre IA, memorize que o Transformer é baseado em atenção pura, sem recorrência ou convolução; que a atenção é do tipo scaled dot-product com múltiplas cabeças; e que a codificação posicional é senoidal. Esses são os pontos mais cobrados sobre a arquitetura.