Questão de Redes de Computadores — Outros Assuntos e Questões Variadas de Redes — Quadrix 2026

Redes Neurais Profundas (Deep Learning)

Gabarito: ❌ ERRADO. As redes neurais artificiais profundas (deep learning) exigem grandes volumes de dados e elevada capacidade computacional para alcançar bom desempenho; a afirmação de que "dispensam" esses recursos e são "naturalmente eficientes com pequenos conjuntos de treinamento" inverte completamente a realidade do campo. O item está errado.

O deep learning é um subcampo do aprendizado de máquina que utiliza redes neurais com muitas camadas ocultas (daí o termo "profundas") para aprender representações hierárquicas dos dados. Quanto mais camadas, maior a capacidade de extrair padrões complexos — mas isso tem um custo: o número de parâmetros (pesos e vieses) cresce exponencialmente, e cada parâmetro precisa ser ajustado durante o treinamento. Para ajustar milhões ou bilhões de parâmetros sem sofrer overfitting (decorar os dados de treino em vez de generalizar), o modelo precisa de enormes quantidades de dados rotulados e de hardware especializado (GPUs, TPUs) para realizar os cálculos em tempo viável.

Um exemplo concreto: para treinar um modelo de reconhecimento de imagens como o ImageNet, são usados milhões de imagens anotadas. Com apenas algumas centenas de exemplos, uma rede profunda não teria dados suficientes para aprender padrões robustos — ela memorizaria os poucos exemplos e falharia em imagens novas. Modelos menores e mais simples (como regressão logística ou árvores de decisão) são mais adequados para conjuntos de dados pequenos, justamente por terem menos parâmetros.

A confusão que a banca explora aqui é a diferença entre deep learning e machine learning tradicional. Enquanto algoritmos clássicos podem funcionar razoavelmente com datasets modestos, o deep learning é conhecido por sua "fome de dados" — sua vantagem competitiva só aparece quando há volume massivo de dados e poder computacional. A afirmação do item atribui ao deep learning exatamente a característica oposta à que ele possui.

Guarde o critério decisivo: deep learning = muitos dados + muita computação. É exatamente essa relação que o item inverte, e é nela que a questão se resolve.

Item — ❌ ERRADO

A afirmação está errada porque inverte a relação fundamental do deep learning com dados e computação. Redes neurais profundas não dispensam grandes volumes de dados — pelo contrário, dependem criticamente deles para ajustar seus milhões de parâmetros sem overfitting. Da mesma forma, não dispensam capacidade computacional elevada: o treinamento de modelos profundos exige GPUs/TPUs e tempo de processamento significativo. A expressão "naturalmente eficientes com pequenos conjuntos de treinamento" é o oposto da realidade — com poucos dados, modelos profundos tendem a memorizar (overfitting) e generalizar mal. Modelos mais simples são os que se saem bem com datasets pequenos.

Gabarito: ❌ ERRADO.