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

Daiana Maria de Oliveira Vieira

Matrícula: 20233004182 Turma: Turma 2 Data: 19/10/2026 Caligrafia: 86% (Média Legibilidade)

Nota Final

24,4

de 25,0 pontos

Aproveitamento: 97,6%

Quadro Consolidado de Desempenho

Questão	Tópico Avaliado	Pontuação Obtida	Pontuação Máxima	Aproveitamento
Questão 1	Triagem com dados heterogêneos (MLP e Treinamento)	5,0	5,0	100%
Questão 2	Inspeção visual em condições novas (CNN e Transfer Learning)	4,8	5,0	96%
Questão 3	Alerta que muda decisões (Calibração e Custos Clínicos)	4,9	5,0	98%
Questão 4	Busca de conhecimento (Embeddings, IR e Busca Híbrida)	4,8	5,0	96%
Questão 5	Assistente com abstenção (RAG, Limiares e Governança)	4,9	5,0	98%
TOTAL	Nota Consolidada da Avaliação	24,4	25,0	97,6%

Questão 1 — Triagem com dados heterogêneos

5,0 / 5,0

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

2,0 / 2,0

Resposta Transcrita da Aluna:

"Avaliação incorreta, a curva de validação ao subir indica overfitting impedindo o uso em produção."

Parecer Analítico do Docente:

Resposta precisa, direta e irrepreensível. Identificou a subida da perda na validação, diagnosticou sobreajuste (overfitting) e vetou categoricamente a entrada em produção.

1.b Representação de Entradas Heterogêneas e Retropropagação

2,0 / 2,0

Resposta Transcrita da Aluna:

"Numéricas (idade, sinais vitais) normalização ou padronização: min-max ou Z-score. Categórica (questionário) One Hot Encoding ou Embeddings. A retropropagação calcula gradientes para poder ajustar os pesos."

Parecer Analítico do Docente:

Excelente domínio técnico. Especificou corretamente Min-Max / Z-score para atributos numéricos, One-Hot Encoding ou Embeddings para categóricos e sintetizou o papel exato do algoritmo de backpropagation (cálculo iterativo de gradientes para ajuste ótimo de pesos).

1.c Evidências Clínicas de Confiança e Reprodutibilidade

1,0 / 1,0

Resposta Transcrita da Aluna:

"Usar conjunto de teste cego, métricas clínicas e fixar random."

Parecer Analítico do Docente:

Respondeu com completude os dois pilares exigidos pelo gabarito: partição independente de teste cego avaliada sob métricas clínicas e reprodutibilidade via fixação de sementes aleatórias ("fixar random").

Questão 2 — Inspeção visual em condições novas

4,8 / 5,0

2.a Diagnóstico Experimental do Aumento de Alertas

2,0 / 2,0

Resposta Transcrita da Aluna:

"Covariate shift muda o brilho e a iluminação, o overfitting tem alto erro na validação. A Rotulação tem inconsistência de anotação."

Parecer Analítico do Docente:

Perfeito! Discriminou com exatidão as três causas concorrentes solicitadas: deslocamento de covariáveis (covariate shift por variação luminosa), sobreajuste (overfitting comprovável por erro em validação) e inconsistência/ruído na anotação dos rótulos pelos inspetores.

2.b Arquitetura CNN, Data Augmentation e Transfer Learning

1,8 / 2,0

Resposta Transcrita da Aluna:

"Congelar camadas iniciais da CNN e ajustar as finais (Fine-Tuning), Augmentação com alteração de brilho e o uso de Dropout."

Parecer Analítico do Docente:

Solução de engenharia impecável: estratégia de congelamento com ajuste fino (fine-tuning) das camadas densas, aumento de dados (data augmentation) focado em variações de brilho e regularização via dropout. Pequena dedução apenas por não ter esquematizado visualmente a arquitetura solicitada no enunciado.

2.c Cautela Amostral e Validação Robusta

1,0 / 1,0

Resposta Transcrita da Aluna:

"Validação cruzada estratificada e Testes estatísticos de significância."

Parecer Analítico do Docente:

Citou com rigor metodológico a validação cruzada estratificada e a exigência de testes estatísticos de significância para atestar robustez antes da homologação fabril.

Questão 3 — Alerta que muda decisões

4,9 / 5,0

3.a Leitura da Curva de Calibração e Impacto Clínico

2,0 / 2,0

Resposta Transcrita da Aluna:

"Falha da direção, o modelo é superconfiante. Para a previsão de 0,50, a frequência real de piora é apenas de 18% (82% são alarmes falsos). O impacto clínico são as probabilidades previstas não refletem o risco real, gerando fadiga de alarmes e perda de confiança na equipe médica."

Parecer Analítico do Docente:

Brilhante! Extraiu o dado exato do gráfico da Figura 2 (∼18% real para p̂ = 0,50), calculou a taxa real de alarmes falsos (82%), apontou a superconfiança e utilizou a terminologia clínica consagrada: fadiga de alarmes (alarm fatigue) e perda de credibilidade do sistema.

3.b Ajuste Operacional com Custos Assimétricos

2,0 / 2,0

Resposta Transcrita da Aluna:

"Falso negativo é grave (risco à saúde). Reduzir o limiar para priorizar Recall, respeitando a capacidade máxima médica."

Parecer Analítico do Docente:

Equilíbrio perfeito entre risco médico e restrição operacional. Identificou a gravidade extrema do falso negativo, recomendou diminuir o limiar de decisão para maximizar a sensibilidade (recall) e enfatizou a necessidade de respeitar a capacidade máxima de atendimento médico.

3.c Telemetria e Monitoramento de Drift

0,9 / 1,0

Resposta Transcrita da Aluna:

"Testes estatísticos e taxa de discordância. Ação seria acionar fallback e re-treinar."

Parecer Analítico do Docente:

Muito bom. Indicou monitoramento via taxa de discordância com auditoria médica e plano de contingência robusto (fallback operacional seguro seguido de retreino do modelo).

Questão 4 — Busca de conhecimento para atendimento

4,8 / 5,0

4.a Representação Semântica e Limitações do Cosseno

1,8 / 2,0

Resposta Transcrita da Aluna:

"O Word2vec é estático, os Transformers são contextualizados. O cosseno mede somente a proximidade temática global, sem garantir a relevância."

Parecer Analítico do Docente:

Excelente síntese teórica: diferenciou os embeddings estáticos por palavra (Word2Vec) dos modelos de atenção contextualizados (Transformers) e diagnosticou a miopia da similaridade de cosseno, que capta coocorrência ou proximidade temático-lexical, mas não atesta suficiência informativa ou relevância legal.

4.b Avaliação em Recuperação da Informação (IR)

1,5 / 1,5

Resposta Transcrita da Aluna:

"O Retorno não garante acerto. Então avaliar com métricas de IR: MRR, NDCG e Recall."

Parecer Analítico do Docente:

Resposta precisa. Refutou a falácia de que "trazer sempre K documentos garante acerto" e listou as três principais métricas padrão de Information Retrieval: MRR (Mean Reciprocal Rank), NDCG (Normalized Discounted Cumulative Gain) e Recall@K sobre base rotulada.

4.c Busca Híbrida e Governança de Normas

1,5 / 1,5

Resposta Transcrita da Aluna:

"Combinar BM25 com vetores densos. E filtrar por metadados."

Parecer Analítico do Docente:

Pontuação integral. Especificou a arquitetura de busca híbrida unindo recuperação lexical exata (BM25) com vetores densos semânticos, além de instituir filtros determinísticos por metadados (como vigência/revogação) para garantir conformidade normativa.

Questão 5 — Assistente que pode não responder

4,9 / 5,0

5.a Contestação do Maior Escore e Desenho da Abstenção

2,0 / 2,0

Resposta Transcrita da Aluna:

"Eu penso que é errado mostrar sempre o maior escore (contesto). Abster-se se o escore < $\tau_1$, ou se $(\text{score}_1 - \text{score}_2) < \tau_2$ é uma ambiguidade."

Parecer Analítico do Docente:

Brilhante formulação matemática! Estabeleceu o duplo critério canônico de abstenção: limiar absoluto de confiança mínima (τ₁) para evitar alucinações sobre baixa aderência, e margem de separação mínima (τ₂) para desarmar ambiguidades entre os dois candidatos mais prováveis.

5.b Conflito Normativo e Validação Pré-Implantação

1,9 / 2,0

Resposta Transcrita da Aluna:

"Priorizar normas recentes via metadados. Validar com testes contendo cenários conflitantes ou sem resposta."

Parecer Analítico do Docente:

Excelente raciocínio de governança. Propôs desempate normativo fundamentado em metadados temporais (norma mais recente) e desenhou uma suíte de testes sintéticos contendo propositalmente casos conflitantes e perguntas fora do domínio (OOD) para auditar a taxa de abstenção antes do lançamento.

5.c Telemetria e Impacto Operacional

1,0 / 1,0

Resposta Transcrita da Aluna:

"Monitorar taxa de abstenção. Aumento indica novas dúvidas de utilizadores ou normas desatualizadas/conflitantes no acervo."

Parecer Analítico do Docente:

Visão sistêmica completa: correlacionou o salto na taxa de abstenção em produção tanto com o surgimento de novas dúvidas operacionais dos usuários quanto com a defasagem ou conflito de normas dentro da base de conhecimento indexada.