Questão de Noções de Informática — Inteligência Artificial e Automação — IDECAN 2026
Noções de Informática›Inteligência Artificial e Automação
Código
qg707385
Banca
IDECAN
Órgão
PC-SC
Ano
2026
Nível
Superior
Cargo
Escrivão de Polícia Civil
Em um sistema de busca semântica baseado em modelo de linguagem de grande porte, frases digitadas por usuários e documentos do repositório são convertidos em representações numéricas densas de dimensão fixa, de modo que a proximidade entre esses vetores reflita a similaridade de significado. Esse tipo de representação vetorial é denominado:
AEmbeddings.
BTokens.
CPrompts.
DParâmetros.
ELogits.
Revelar gabarito e comentário▾
GabaritoA — Embeddings.
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”.
Representação vetorial em busca semântica
Gabarito: letra A. A representação numérica densa de dimensão fixa que captura o significado semântico de um texto é chamada de embedding. Em sistemas de busca semântica baseados em LLMs, tanto a consulta do usuário quanto os documentos do repositório são transformados em embeddings, e a similaridade é medida pela distância entre esses vetores (ex.: cosseno). Esse conceito é fundamental para entender como modelos como BERT, GPT etc. realizam buscas por significado.
Alternativa A — ✅ Correta ⟵ GABARITO
Embeddings são exatamente vetores densos (não esparsos) que representam palavras, frases ou documentos em um espaço contínuo de alta dimensão. A proximidade entre embeddings reflete similaridade semântica, permitindo buscas por significado, e não por correspondência exata de termos.
Alternativa B — ❌ Incorreta
Tokens são unidades textuais (palavras, subpalavras, caracteres) nas quais o texto é dividido antes de ser processado pelo modelo. Eles não são representações numéricas densas; são os elementos de entrada que serão posteriormente convertidos em embeddings.
Alternativa C — ❌ Incorreta
Prompts são as instruções ou perguntas fornecidas ao modelo de linguagem para gerar uma resposta. Não são representações vetoriais, mas sim o texto de entrada propriamente dito.
Alternativa D — ❌ Incorreta
Parâmetros são os pesos ajustáveis do modelo (ex.: matrizes de pesos das camadas neurais), aprendidos durante o treinamento. Eles definem o comportamento do modelo, mas não são o resultado da conversão de um texto específico em vetor.
Alternativa E — ❌ Incorreta
Logits são os valores de saída brutos da última camada do modelo antes da aplicação da função de ativação (como softmax). Eles representam pontuações para cada classe/token, mas não são vetores densos que codificam o significado de um texto completo.
PEGA ESSA DICA!
Lembre-se da analogia: "embedding" = "incrustação" (fixação no espaço vetorial). Os embeddings são a "língua franca" dos modelos de linguagem: todo texto é traduzido para essa representação numérica. Para fixar, associe: Tokens → Entrada textual; Embeddings → Representação vetorial; Parâmetros → Pesos do modelo; Logits → Saída bruta; Prompts → Instrução.