Questão de Noções de Informática — Outros Tópicos de Informática — Quadrix 2026

Aprendizado profundo e volume de dados

Gabarito: ERRADO. Modelos de inteligência artificial baseados em aprendizado profundo (deep learning) exigem grandes volumes de dados para alcançar bom desempenho, pois sua principal vantagem é justamente a capacidade de reconhecer padrões complexos em grandes conjuntos de dados — e não o desempenho elevado com conjuntos reduzidos de treinamento. A afirmativa inverte a relação entre dados e desempenho.

O aprendizado profundo é uma subárea do aprendizado de máquina, que por sua vez é uma subárea da inteligência artificial. Ele utiliza redes neurais com múltiplas camadas (redes neurais profundas), inspiradas na estrutura do cérebro humano, para reconhecer padrões complexos em dados como imagens, sons e linguagem natural. A expressão "profundo" refere-se ao número de camadas da rede: quanto mais camadas, maior a capacidade de abstração e de aprendizado de características hierárquicas dos dados.

A principal característica do aprendizado profundo é que ele depende de grandes volumes de dados para funcionar bem. Isso ocorre porque as redes neurais profundas possuem milhões (ou bilhões) de parâmetros que precisam ser ajustados durante o treinamento. Para ajustar esses parâmetros de forma eficaz, é necessário um grande número de exemplos de treinamento. Com conjuntos reduzidos de dados, o modelo tende a sofrer de overfitting (superajuste), ou seja, ele decora os exemplos de treinamento em vez de aprender padrões generalizáveis, resultando em desempenho ruim em dados novos.

Um exemplo prático: para treinar um modelo de reconhecimento de imagens, como o usado em carros autônomos, são necessários milhões de imagens rotuladas. Se o treinamento fosse feito com apenas algumas centenas de imagens, o modelo não conseguiria distinguir corretamente um pedestre de um poste em situações variadas. Da mesma forma, modelos de linguagem como o ChatGPT são treinados com bilhões de palavras e atualizações de parâmetros para melhorar suas previsões.

A banca explora a inversão do senso comum: o candidato pode pensar que "aprendizado profundo" é sofisticado e, portanto, exigiria menos dados. Na verdade, é o oposto — a sofisticação do modelo exige mais dados, não menos. A pegadinha está em afirmar que a principal vantagem é o desempenho com poucos dados, quando a realidade é que o desempenho elevado só é alcançado com grandes volumes de dados.

Guarde a relação: aprendizado profundo = grandes volumes de dados + alto poder computacional. É exatamente essa relação que a afirmativa distorce, e é nela que a questão se decide.

Item — ❌ ERRADO

A afirmativa está errada porque inverte a relação entre dados e desempenho no aprendizado profundo. Modelos de deep learning não dispensam grandes volumes de dados; pelo contrário, eles exigem grandes volumes para treinar redes neurais profundas com milhões de parâmetros. A principal vantagem do aprendizado profundo é a capacidade de reconhecer padrões complexos em grandes conjuntos de dados, não o desempenho com conjuntos reduzidos. Com poucos dados, o modelo sofre de overfitting e generaliza mal.

Gabarito: ERRADO.