Centro Federal de Educação Tecnológica de Minas Gerais

Campus VII — Unidade Timóteo • Departamento de Computação e Engenharia

Disciplina: Inteligência Artificial II (2026.2) Docente: Prof. Aléssio Miranda Júnior Avaliação: Prova Escrita 1 — Modelo A

Laudo de Avaliação Individual

Augusto Rocha Araújo

Matrícula: 20223006764 Turma: Turma 2 Data: 19/10/2026 Caligrafia: 94% (Alta Legibilidade)

Nota Final

10,9

de 25,0 pontos

Aproveitamento: 43,6%

Quadro Consolidado de Desempenho

Questão	Tópico Avaliado	Pontuação Obtida	Pontuação Máxima	Aproveitamento
Questão 1	Triagem com dados heterogêneos (MLP e Treinamento)	4,8	5,0	96%
Questão 2	Inspeção visual em condições novas (CNN e Transfer Learning)	2,4	5,0	48%
Questão 3	Alerta que muda decisões (Calibração e Custos Clínicos)	2,3	5,0	46%
Questão 4	Busca de conhecimento (Embeddings, IR e Busca Híbrida)	1,4	5,0	28%
Questão 5	Assistente com abstenção (RAG, Limiares e Governança)	0,0	5,0	0%
TOTAL	Nota Consolidada da Avaliação	10,9	25,0	43,6%

Questão 1 — Triagem com dados heterogêneos

4,8 / 5,0

1.a Diagnóstico da Curva de Aprendizado e Decisão de Produção

2,0 / 2,0

Resposta Transcrita do Aluno:

"A afirmação da equipe está errada pois o que deve ser avaliado é a perda de validação, como depois da época 8 a curva de perda de validação começa a subir então podemos afirmar que o modelo está sofrendo de overfitting, ou seja, o modelo está começando a decorar os dados de treino, por isso a curva de treino continua a descer, porém quando chega na validação o modelo erra e por isso depois da época 8 a curva de validação começa a subir."

Parecer Analítico do Docente:

Resposta impecável. Argumentou com precisão cirúrgica sobre a divergência das curvas na Época 8, diagnosticando o sobreajuste (memorização) e refutando com clareza a decisão prematura de implantação em produção.

1.b Representação de Entradas Heterogêneas e Retropropagação

2,0 / 2,0

Resposta Transcrita do Aluno:

"As entradas numéricas devem ser normalizadas para que um valor muito alto não domine valores outros menores e as variáveis categóricas transformadas em tabelas one-hot-encoding. O backpropagation ao final de cada época calcula o erro do resultado e volta com ele por meio de derivadas usando regra da cadeia para ajustar os pesos em cada camada da MLP de forma correta."

Parecer Analítico do Docente:

Resposta brilhante e completa! Justificou a normalização das numéricas pelo balanceamento de escalas, prescreveu One-Hot Encoding para categóricas e explicou a retropropagação através do cálculo das derivadas via regra da cadeia para ajuste dos pesos camada por camada.

1.c Evidências Clínicas de Confiança e Reprodutibilidade

0,8 / 1,0

Resposta Transcrita do Aluno:

"Podemos usar métricas como precision (dado todas as decisões quantas foram acertadas) e recall (dado todos os pacientes doentes quantos foram detectados). Como a rede de clínicas quer priorizar a revisão humana devemos aumentar o recall, ou seja, deixar o sistema mais em alerta reduzindo os falsos negativos."

Parecer Analítico do Docente:

Excelente domínio da métrica de recall no contexto clínico de triagem para minimizar falsos negativos. Faltou apenas pontuar os mecanismos práticos de reprodutibilidade experimental (fixação de sementes aleatórias e isolamento estrito de conjuntos de teste sem vazamento).

Questão 2 — Inspeção visual em condições novas

2,4 / 5,0

2.a Diagnóstico Experimental do Aumento de Alertas

0,8 / 2,0

Resposta Transcrita do Aluno:

"Proponho investigar um caso de overfitting pois apesar de muitos alertas a equipe disse que as peças parecem semelhantes então o modelo pode estar muito variante."

Parecer Analítico do Docente:

Focou unicamente na hipótese de overfitting. O gabarito requeria distinguir entre sobreajuste, mudança de distribuição (covariate shift restrito às condições de luz/ruído da noite) e falhas no processo de rotulação, além de propor a coleta/inspeção de amostras noturnas antes de manipular a rede.

2.b Arquitetura Convolucional e Transferência de Aprendizado

1,3 / 2,0

Resposta Transcrita do Aluno:

"A CNN é um modelo especializado em aprendizado de imagem pois antes de realizar o treino é feito um pré-processamento na imagem que reduz drasticamente o número de parâmetros tornando viável a classificação de imagem de qualquer resolução. Para esse caso a escassez de dados faz a rede sofrer com overfitting dessa forma a técnica de congelamento é essencial para evitar esse fenômeno pois a rede irá parar de aprender evitando que ela decore."

Parecer Analítico do Docente:

Válido ao identificar o compartilhamento de parâmetros e a relevância do congelamento das camadas pré-treinadas contra o sobreajuste. Faltou detalhar a invariância por translação/campos receptivos locais das convoluções e o treinamento específico da cabeça de classificação com regularização e data augmentation realista.

2.c Cautela Amostral e Validação com Poucos Dados

0,3 / 1,0

Resposta Transcrita do Aluno:

"Diante do baixo volume de imagem para evitar o overfitting será necessário aplicar técnicas de transfer learning e freezing total dessa forma a rede não vai atualizar o parâmetro de aprendizagem nas primeiras camadas."

Parecer Analítico do Docente:

O aluno repetiu o conceito de transfer learning e freezing em vez de responder à cautela amostral estatística requerida (uso de intervalos de confiança, bootstrap ou validação cruzada para não tomar decisões precipitadas com base em um conjunto diminuto de peças noturnas).

Questão 3 — Alerta que muda decisões

2,3 / 5,0

3.a Interpretação da Calibração e Crítica ao Limiar 0,50

0,6 / 2,0

Resposta Transcrita do Aluno:

"Um classificador estar mal calibrado nesse contexto seria se o modelo tivesse mais falsos negativos (que há risco de negligência para o paciente doente) do que falso positivo."

Parecer Analítico do Docente:

Confundiu o conceito de descalibração com o balanço de erros na matriz de confusão. Não interpretou a curva da Figura 2 (onde probabilidade prevista de 0,50 gera apenas 18% real de urgência, mostrando forte sobreconfiança) nem explicou o conceito de calibração empírica (reta ideal y=x).

3.b Custos Assimétricos e Capacidade da Equipe Médica

1,7 / 2,0

Resposta Transcrita do Aluno:

"Os casos de falsos positivos deve ser o maior possível desde que a equipe médica dê conta de avaliar os casos pois se tratando do contexto de diagnóstico é muito pior o paciente ter a doença e ser classificado como 'saudável'."

Parecer Analítico do Docente:

Excelente raciocínio prático! Articulou com clareza que o falso negativo é clinicamente inaceitável, e fez a correlação explícita com o teto de capacidade da equipe médica ("desde que a equipe médica dê conta de avaliar os casos") para não sobrecarregar o pronto-socorro.

3.c Telemetria Contínua e Deriva de Conceito

0,0 / 1,0

Resposta Transcrita do Aluno:

[NÃO RESPONDEU / EM BRANCO]

Parecer Analítico do Docente:

Subitem não respondido pelo discente.

Questão 4 — Busca de conhecimento para atendimento

1,4 / 5,0

4.a Representação Semântica e Limitações da Similaridade de Cosseno

1,4 / 2,0

Resposta Transcrita do Aluno:

"O uso de embeddings estáticos apesar de identificar a palavra não consegue distinguir semanticamente pelo contexto, ou seja, ele identifica a palavra 'manga' mas não tem como saber se é a fruta ou a parte da camisa."

Parecer Analítico do Docente:

Analogia impecável da polissemia ("manga fruta vs manga da camisa") para evidenciar a falha estrutural dos embeddings estáticos frente a modelos contextuais (Transformers). Omitiu apenas as limitações específicas da métrica de cosseno (não avalia autoridade, recência ou precisão factual).

4.b Avaliação Rigorosa de Recuperação (Information Retrieval)

0,0 / 1,5

Resposta Transcrita do Aluno:

[NÃO RESPONDEU / EM BRANCO]

Parecer Analítico do Docente:

Subitem não respondido pelo discente.

4.c Busca Híbrida e Governança Normativa

0,0 / 1,5

Resposta Transcrita do Aluno:

[NÃO RESPONDEU / EM BRANCO]

Parecer Analítico do Docente:

Subitem não respondido pelo discente.

Questão 5 — Assistente que pode não responder

0,0 / 5,0

5.a Contestação do Maior Escore e Desenho da Abstenção

0,0 / 2,0

Resposta Transcrita do Aluno:

[NÃO RESPONDEU / EM BRANCO]

Parecer Analítico do Docente:

Subitem não respondido pelo discente.

5.b Conflito de Fontes e Validação Prévia da Abstenção

0,0 / 2,0

Resposta Transcrita do Aluno:

[NÃO RESPONDEU / EM BRANCO]

Parecer Analítico do Docente:

Subitem não respondido pelo discente.

5.c Telemetria da Taxa de Abstenção em Produção

0,0 / 1,0

Resposta Transcrita do Aluno:

[NÃO RESPONDEU / EM BRANCO]

Parecer Analítico do Docente:

Subitem não respondido pelo discente.