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

Danyel Martins Zini Silva

Matrícula: 20243014020 Turma: Turma 2 Data: 19/10/2026 Caligrafia: 82% (Média Legibilidade)

Nota Final

9,2

de 25,0 pontos

Aproveitamento: 36,8%

Quadro Consolidado de Desempenho

Questão	Tópico Avaliado	Pontuação Obtida	Pontuação Máxima	Aproveitamento
Questão 1	Triagem com dados heterogêneos (MLP e Treinamento)	2,8	5,0	56%
Questão 2	Inspeção visual em condições novas (CNN e Transfer Learning)	2,3	5,0	46%
Questão 3	Alerta que muda decisões (Calibração e Custos Clínicos)	0,6	5,0	12%
Questão 4	Busca de conhecimento (Embeddings, IR e Busca Híbrida)	1,5	5,0	30%
Questão 5	Assistente com abstenção (RAG, Limiares e Governança)	2,0	5,0	40%
TOTAL	Nota Consolidada da Avaliação	9,2	25,0	36,8%

Questão 1 — Triagem com dados heterogêneos

2,8 / 5,0

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

1,6 / 2,0

Resposta Transcrita do Aluno:

"A partir da época 8 o modelo deixa de treinar a partir dos dados e começa a memorizar os treinos, por isso que há um aumento da perda de validação, ou melhor overfitting."

Parecer Analítico do Docente:

Identificou com acerto o fenômeno de memorização dos dados e o aumento da perda de validação (overfitting) a partir da Época 8. Faltou concluir explicitamente refutando a recomendação da equipe de implantar o modelo em produção.

1.b Representação de Entradas Heterogêneas e Retropropagação

0,8 / 2,0

Resposta Transcrita do Aluno:

"Devem ser por dados filtrados utilizando funções de vetorização como a Pandas e de cálculo como a Numpy. Para a retropropagação são usados calculos com gradient para encontrar o melhor passo para cada época."

Parecer Analítico do Docente:

Mencionou ferramentas de vetorização (Pandas/NumPy) e o cálculo de gradientes. Contudo, não especificou as transformações matemáticas obrigatórias para dados tabulares heterogêneos (escalonamento numérico e One-Hot Encoding ou embeddings para variáveis categóricas).

1.c Evidências Clínicas de Confiança e Reprodutibilidade

0,4 / 1,0

Resposta Transcrita do Aluno:

"Através do treinamento há critérios feitos para aproximar da definição de um bom modelo como o conjunto de dados de variáveis perda, acurácia por parte dos testes efetuados."

Parecer Analítico do Docente:

Resposta superficial. Acurácia é insuficiente e inadequada em cenários de triagem com desbalanceamento severo. Não mencionou métricas clínicas essenciais (Recall, AUC-PR) nem requisitos de reprodutibilidade (fixação de sementes aleatórias).

Questão 2 — Inspeção visual em condições novas

2,3 / 5,0

2.a Diagnóstico Experimental do Aumento de Alertas

0,9 / 2,0

Resposta Transcrita do Aluno:

"No overfitting haveria falhas nos resultados, pois os resultados fugiriam do padrão esperado. No covariate shift os resultados seriam somente peças extremamente semelhantes que o modelo usou no treino."

Parecer Analítico do Docente:

Tentou diferenciar sobreajuste de covariate shift, mas a formulação carece de precisão metodológica e não delineou o teste experimental comparativo. Omitiu por completo a hipótese de inconsistência de anotação/rotulação humana.

2.b Arquitetura CNN, Data Augmentation e Transfer Learning

1,1 / 2,0

Resposta Transcrita do Aluno:

"É apropriado devido a ser um modelo redes escondidas que conseguem retirar múltiplos resultados a partir de fragmento da imagem. Com isso, com o modelo pré-treinado e com os resultados quase certos, é possível congelar o treinamento e selecionar os dados restantes para a finalização do treino, para evitar um overfitting."

Parecer Analítico do Docente:

Mencionou a extração de características locais em fragmentos e sugeriu o congelamento para evitar overfitting. Faltou detalhar o fluxo de fine-tuning das camadas densas, técnicas de data augmentation (brilho/contraste) e o diagrama arquitetural solicitado.

2.c Cautela Amostral e Validação Robusta

0,3 / 1,0

Resposta Transcrita do Aluno:

"Evitar inserir imagens de treino fora do contexto da noite, rotulando as imagens mais visíveis para o treino do modelo."

Parecer Analítico do Docente:

Sugestão ingênua e arriscada (filtrar apenas imagens mais visíveis introduz viés de seleção). Não abordou os rigores de validação cruzada estratificada, teste cego noturno nem testes de significância estatística.

Questão 3 — Alerta que muda decisões

0,6 / 5,0

3.a Leitura da Curva de Calibração e Impacto Clínico

0,6 / 2,0

Resposta Transcrita do Aluno:

"A falta de um limiar variável acarreta em uma falha que pode trazer conforme mais dados são inseridos, nesse contexto os valores recebidos que não eram de risco alterando assim o peso mas necessariamente precisaria que alterasse o limiar também."

Parecer Analítico do Docente:

Pontuou a ideia genérica de limiar variável, mas não interpretou a curva de calibração da Figura 2 (∼18% de eventos reais para probabilidade prevista de 0,50), não quantificou os 82% de alarmes falsos nem discutiu a superconfiança do modelo.

3.b Ajuste Operacional com Custos Assimétricos

0,0 / 2,0

Resposta Transcrita do Aluno:

[Subitem deixado em branco pelo discente]

Parecer Analítico do Docente:

Sem resposta apresentada. Pontuação não atribuída.

3.c Telemetria e Monitoramento de Drift

0,0 / 1,0

Resposta Transcrita do Aluno:

[Subitem deixado em branco pelo discente]

Parecer Analítico do Docente:

Sem resposta apresentada. Pontuação não atribuída.

Questão 4 — Busca de conhecimento para atendimento

1,5 / 5,0

4.a Representação Semântica e Limitações do Cosseno

0,8 / 2,0

Resposta Transcrita do Aluno:

"O estático realiza uma busca por parâmetros similares e retorna a chunk a que represente. Já a contextualizada define o contexto do parâmetro e retorna as chunks que se correlaciona. O uso do cosseno traz uma validação de parâmetros entre pontos distintos, sendo mais preciso o uso de ReLU para ordenar."

Parecer Analítico do Docente:

Diferenciou superficialmente estático de contextualizado em chunks. Contudo, há confusão conceitual grave ao sugerir "uso de ReLU para ordenar", desconhecendo o cálculo vetorial de ranking e as limitações intrínsecas da similaridade de cosseno.

4.b Avaliação em Recuperação da Informação (IR)

0,2 / 1,5

Resposta Transcrita do Aluno:

"Para um resultado ótimo, é necessário o uso de função de ativação para a validade do resultado."

Parecer Analítico do Docente:

Conceitualmente desconectado do problema de Information Retrieval. O discente não propôs consultas rotuladas nem mencionou métricas consagradas de ranking (MRR, NDCG, Recall@K).

4.c Busca Híbrida e Governança de Normas

0,5 / 1,5

Resposta Transcrita do Aluno:

"Pela precisão da busca híbrida, na busca por chunks e parâmetros contextualizados."

Parecer Analítico do Docente:

Afirmação tautológica. Não explicou como compor busca lexical exata com vetores densos nem citou a governança documental através de filtros por metadados de vigência.

Questão 5 — Assistente que pode não responder

2,0 / 5,0

5.a Contestação do Maior Escore e Desenho da Abstenção

0,8 / 2,0

Resposta Transcrita do Aluno:

"O retorno de maior escore é realmente busca vetorial mais bruta, com intuito de retornar somente o documento que mais se relaciona ao contexto." [Desenhou esboço de função de ativação sigmoide]

Parecer Analítico do Docente:

Criticou a decisão de pegar cegamente o maior escore, mas não formalizou a regra de abstenção com os limiares de corte (τ₁) e margem para desambiguação (τ₂).

5.b Conflito Normativo e Validação Pré-Implantação

0,7 / 2,0

Resposta Transcrita do Aluno:

"Através do vetor mais relacionado ao contexto de busca, caso não exista um relacionamento mínimo não seria possível haver uma resposta."

Parecer Analítico do Docente:

Mencionou a exigência de "relacionamento mínimo" para poder responder (limiar de corte). Contudo, omitiu regras de governança para normas conflitantes/revogadas e protocolo de teste experimental prévio.

5.c Telemetria e Impacto Operacional

0,5 / 1,0

Resposta Transcrita do Aluno:

"Através da taxa de acerto e retorno de resultados através do modelo em produção, caso se modifique os documentos, um novo Embedding será realizado aos documentos, e os parâmetros do modelo se manterá diferente da base desses vetores."

Parecer Analítico do Docente:

Percebeu a necessidade de recomputação de embeddings (reindexação) quando há modificação no acervo documental. Faltou detalhar a telemetria da taxa de abstenção em tempo real.