\documentclass[10pt,a4paper]{article}
\input{estilo-prova-ia2.tex}
\geometry{a4paper,margin=1.35cm}

\begin{document}

\setlength{\emergencystretch}{2em}
\setlength{\parskip}{0.25em}
\cabecalhoGabarito{Modelo A}

\textbf{Orientação de correção.} Os critérios abaixo descrevem respostas esperadas e evidências de domínio conceitual, não uma redação obrigatória. Aceite formulações alternativas tecnicamente corretas e bem fundamentadas. Distribua crédito parcial pelos argumentos corretos, mesmo quando a conclusão final diferir.

\cabecalhoQuestao{1}{Triagem com dados heterogêneos}{5,0}
\begin{itemize}[leftmargin=*, itemsep=0.12em, topsep=0.12em]
\item \textbf{Item (a) --- Diagnóstico da Figura 1 e Decisão de Produção (2,0):} interpreta que a perda de treino caindo monotonicamente até a época 30 enquanto a perda de validação descola e sobe a partir da Época~8 diagnostica sobreajuste (\emph{overfitting}/memorização) (1,0); refuta a premissa da equipe, apontando que queda na perda de treino isolada não garante generalização e causará falhas críticas em novos pacientes (1,0).
\item \textbf{Item (b) --- Representação e Retropropagação (2,0):} normaliza/escalona variáveis contínuas (idade, sinais vitais) e codifica categorias adequadamente (one-hot ou embedding), preservando rigorosamente as transformações na inferência (1,0); fundamenta que a retropropagação calcula os gradientes da perda em relação a pesos e vieses via regra da cadeia, e o otimizador atualiza os parâmetros (a rede não ``aprende sozinha'') (1,0).
\item \textbf{Item (c) --- Evidências de Confiança e Reprodutibilidade (1,0):} exige validação/teste independentes sem vazamento, métricas clínicas adequadas (sensibilidade/recall, curva PR, calibração) e medidas concretas de reprodutibilidade (fixação de sementes e versionamento de pipeline) (1,0).
\end{itemize}
\vspace{1pt}
\noindent\colorbox{cefetblue!8}{\parbox{\dimexpr\linewidth-2\fboxsep\relax}{\footnotesize
\textbf{Alinhamento Didático com o Livro-Texto e Laboratórios:}\\
$\bullet$ \textbf{Livro Didático:} Cap.~02 (\textit{MLP}), Cap.~03 (\textit{Descida do Gradiente}) e Cap.~05 (\textit{Diagnóstico e Overfitting}).\\
$\bullet$ \textbf{Laboratórios:} Lab 02 (\textit{MLP manual}), Lab 03 (\textit{Convergência e Perda}) e Lab 05 (\textit{Diagnósticos de Sobreajuste}).\\
$\bullet$ \textbf{Questão Reflexiva no Livro:} \textbf{Capítulo 05, Questão 4:} \textit{``Uma equipe técnica treinou um classificador de diagnóstico médico com 99\% de acurácia no treino. A gerência quer colocá-lo imediatamente em operação hospitalar. Quais argumentos técnicos e metodológicos você apresentaria para exigir validação prévia em dados de teste independentes?''}
}}

\cabecalhoQuestao{2}{Inspeção visual em condições novas}{5,0}
\begin{itemize}[leftmargin=*, itemsep=0.12em, topsep=0.12em]
\item \textbf{Item (a) --- Diagnóstico Experimental (2,0):} propõe coletar e inspecionar amostra rotulada do turno noturno analisando iluminação/ruído antes de alterar a rede (1,0); distingue com clareza \emph{sobreajuste} (alto treino, baixa validação em dados similares), \emph{mudança de distribuição} (\emph{covariate shift} restrito à noite) e \emph{falha de rotulação} (discordância sistemática com o especialista) (1,0).
\item \textbf{Item (b) --- Arquitetura e Transferência de Aprendizado (2,0):} fundamenta a CNN pela invariância a translação e extração de padrões locais (trincas/defeitos) (1,0); desenha estratégia de \emph{transfer learning} congelando extratores pré-treinados, treinando nova cabeça e aplicando regularização e \emph{data augmentation} realista (brilho/ruído) (1,0).
\item \textbf{Item (c) --- Cautela Amostral (1,0):} exige validação independente para o turno noturno, intervalos de confiança ou validação cruzada/bootstrap, evitando declarar ganho com base em conjunto diminuto do novo turno (1,0).
\end{itemize}
\vspace{1pt}
\noindent\colorbox{cefetblue!8}{\parbox{\dimexpr\linewidth-2\fboxsep\relax}{\footnotesize
\textbf{Alinhamento Didático com o Livro-Texto e Laboratórios:}\\
$\bullet$ \textbf{Livro Didático:} Cap.~06 (\textit{Regularização, Data Augmentation e Callbacks}) e Cap.~07 (\textit{Transfer Learning e Otimizadores}).\\
$\bullet$ \textbf{Laboratórios:} Lab 07 (Partes 1 e 2 --- \textit{Classificador MobileNetV2, Congelamento de Camadas e Telemetria MLOps}).\\
$\bullet$ \textbf{Questão Reflexiva no Livro:} \textbf{Capítulo 07, Questão 4:} \textit{``Explique o fenômeno de Shortcut Learning em redes neurais de visão computacional. Como um engenheiro de IA pode desenhar um teste experimental (stress test) para comprovar se seu modelo realmente aprendeu a morfologia dos objetos ou se está apenas explorando viés de contexto?''}
}}

\cabecalhoQuestao{3}{Alerta que muda decisões}{5,0}
\begin{itemize}[leftmargin=*, itemsep=0.12em, topsep=0.12em]
\item \textbf{Item (a) --- Leitura da Calibração e Crítica ao Limiar (2,0):} aponta que $0{,}50$ é convenção simétrica arbitrária; na Figura~2, para $\hat{p}=0{,}50$, a frequência real de urgência é de apenas $18\%$, provando sobreconfiança e disparo massivo de alarmes falsos (1,0); explica que calibrar exige que $\hat{p}$ reflita a frequência empírica observada ($y=x$), propondo calibração pós-processamento (Platt Scaling ou Regressão Isotônica) (1,0).
\item \textbf{Item (b) --- Custos Assimétricos e Capacidade Operacional (2,0):} formaliza que o custo de Falsos Negativos (óbito/urgência desassistida) supera o de Falsos Positivos (1,0); pondera a escolha do limiar pelo compromisso entre sensibilidade e o teto de vazão da equipe médica para evitar fadiga de alarmes (1,0).
\item \textbf{Item (c) --- Telemetria e Deriva de Conceito (1,0):} projeta monitoramento com métricas de decisão diárias, rastreamento de \emph{data drift} e \emph{concept drift}, com ações de re-calibração ou revisão médica diante de anomalias (1,0).
\end{itemize}
\vspace{1pt}
\noindent\colorbox{cefetblue!8}{\parbox{\dimexpr\linewidth-2\fboxsep\relax}{\footnotesize
\textbf{Alinhamento Didático com o Livro-Texto e Laboratórios:}\\
$\bullet$ \textbf{Livro Didático:} Cap.~08 (\textit{Avaliação Crítica, Métricas de Classificação, Matriz de Confusão e MLOps}).\\
$\bullet$ \textbf{Laboratórios:} Lab 08 (Partes 1 e 2 --- \textit{Avaliação Crítica, Serialização de Modelos e API de Produção com FastAPI/Docker}).\\
$\bullet$ \textbf{Questão Reflexiva no Livro:} \textbf{Capítulo 08, Questão 4:} \textit{``Em um sistema de detecção de fraudes [ou triagem crítica], é pior um Falso Positivo (bloquear uma transação legítima / alarme falso que sobrecarrega a equipe) ou um Falso Negativo (deixar uma emergência escapar)? A resposta muda se o sistema for de diagnóstico de saúde/UTI?''}
}}

\newpage
\cabecalhoQuestao{4}{Busca de conhecimento para atendimento}{5,0}
\begin{itemize}[leftmargin=*, itemsep=0.12em, topsep=0.12em]
\item \textbf{Item (a) --- Representação Semântica e Limitações do Cosseno (2,0):} distingue embeddings estáticos (Word2Vec: vetor fixo por palavra, ignora contexto) de contextualizados (Transformers/BERT: vetores variam conforme sintaxe e semântica da consulta) (1,0); demonstra que o cosseno reflete apenas proximidade angular, sem garantir autoridade, recência, veracidade factual ou termos exatos (1,0).
\item \textbf{Item (b) --- Avaliação Rigorosa de Recuperação (1,5):} rejeita a métrica ingênua (``retornou algo''); propõe conjunto de consultas anotadas com \emph{ground truth} e métricas formais de IR como Recall@K, Precision@K, MRR ou NDCG (1,5).
\item \textbf{Item (c) --- Busca Híbrida e Governança (1,5):} combina busca vetorial densa com busca lexical (BM25) e filtros de metadados estruturados (vigência/data), assegurando que normas revogadas não superem normas vigentes (1,5).
\end{itemize}
\vspace{1pt}
\noindent\colorbox{cefetblue!8}{\parbox{\dimexpr\linewidth-2\fboxsep\relax}{\footnotesize
\textbf{Alinhamento Didático com o Livro-Texto e Laboratórios:}\\
$\bullet$ \textbf{Livro Didático:} Cap.~09 (\textit{Espaço Latente e Word Embeddings}) e Cap.~10 (\textit{Busca Semântica, Similaridade de Cosseno e Busca Híbrida}).\\
$\bullet$ \textbf{Laboratórios:} Lab 09 (\textit{Embeddings em Português}) e Lab 10 (Partes 1 e 2 --- \textit{Buscador Semântico, Ground Truth e Métricas de IR}).\\
$\bullet$ \textbf{Questão Reflexiva no Livro:} \textbf{Capítulo 10, Questão 4:} \textit{``A busca semântica `resolve' sinonímia, mas pode falhar em domínios altamente especializados (ex: jargão técnico/normativo ou termos exatos). Proponha uma estratégia para mitigar esse problema usando conceitos deste capítulo.''}
}}

\cabecalhoQuestao{5}{Assistente que pode não responder}{5,0}
\begin{itemize}[leftmargin=*, itemsep=0.12em, topsep=0.12em]
\item \textbf{Item (a) --- Contestação do Maior Escore e Desenho da Abstenção (2,0):} contesta a proposta simplista: em perguntas fora de escopo ou ambíguas, o maior escore pode ter baixa confiança e induzir alucinação (1,0); projeta política formal com duplo limiar: emite resposta se escore máximo $s_1 \ge \tau_1$ E margem $\Delta = s_1 - s_2 \ge \tau_2$, abstendo-se ou encaminhando a humano no caso contrário (1,0).
\item \textbf{Item (b) --- Conflito de Fontes e Validação Prévia (2,0):} estabelece regras de proveniência e hierarquia temporal para normas conflitantes (1,0); valida experimentalmente com consultas respondíveis e intencionalmente não respondíveis/ambíguas, mapeando cobertura vs. taxa de erro (1,0).
\item \textbf{Item (c) --- Telemetria e Impacto Operacional (1,0):} monitora a taxa contínua de abstenção em produção; aumentos na taxa alertam sobre mudanças nas dúvidas dos usuários (\emph{query drift}) ou lacunas do acervo após alterações normativas, direcionando curadoria (1,0).
\end{itemize}
\vspace{1pt}
\noindent\colorbox{cefetblue!8}{\parbox{\dimexpr\linewidth-2\fboxsep\relax}{\footnotesize
\textbf{Alinhamento Didático com o Livro-Texto e Laboratórios:}\\
$\bullet$ \textbf{Livro Didático:} Cap.~10 (Parte 2 --- \textit{Engenharia de Recuperação, Abstenção e Proveniência}).\\
$\bullet$ \textbf{Laboratórios:} Lab 10 (Parte 2 --- \textit{Abstenção com Thresholding, Ground Truth e Retorno Auditável}).\\
$\bullet$ \textbf{Questão de Revisão no Livro:} \textbf{Capítulo 10, Questão 3:} \textit{``Explique por que não se deve decidir um limiar de relevância apenas porque um documento recebeu cosseno 0.92. Que dados e métricas você usaria para calibrá-lo?''} (conforme fundamentado na seção de \textit{RAG Responsável --- Abstenção e Citações} do Cap.~10).
}}

\end{document}