Questão de Engenharia de Software — Inteligencia Artificial — TJ-PI 2025
Engenharia de SoftwareInteligencia Artificial
- Código
- qg614919
- Banca
- TJ-PI
- Órgão
- TJ-PI
- Ano
- 2025
- Nível
- Superior
- Cargo
- Residente Tecnológico
A Corregedoria Geral da Justiça do TJPI detectou um aumento expressivo no volume de processos contra um pequeno grupo de empresas de telefonia e instituições financeiras, caracterizando um fenômeno de litigância de massa. Para gerenciar essa demanda, a equipe de TI foi solicitada a construir um modelo preditivo que, ao analisar uma nova petição inicial no PJe, identifique com alta probabilidade se ela pertence a esse conjunto de litígios repetitivos. A análise inicial do dataset histórico revelou que esses processos representam apenas 5% do total de petições. Diante de um problema de classificação com dados severamente desbalanceados, qual é a abordagem metodológica mais adequada?
- ATreinar um modelo de árvore de decisão utilizando a acurácia como métrica principal de avaliação, pois essa métrica reflete diretamente a porcentagem de classificações corretas do modelo no geral.
- BIgnorar o desbalanceamento, pois algoritmos modernos como redes neurais profundas são inerentemente capazes de lidar com a desproporção entre as classes sem qualquer tratamento especial nos dados.
- CAplicar técnicas de reamostragem, como SMOTE (Synthetic Minority Over-sampling Technique) para gerar exemplos sintéticos da classe minoritária (litígios de massa), e avaliar o modelo utilizando métricas como F1-Score ou a Área Sob a Curva ROC (AUCROC), que são mais robustas ao desbalanceamento de classes.
- DRemover aleatoriamente 95% dos exemplos da classe majoritária (undersampling) para criar um dataset perfeitamente balanceado, garantindo assim que o modelo não terá nenhum viés e maximizará todas as métricas de performance.
- EUtilizar um algoritmo de clusterização não supervisionado, como o K-Means, para agrupar as petições em clusters e, em seguida, rotular manualmente cada cluster como "litígio de massa" ou "normal", pois esta é a única forma de descobrir os padrões sem viés.