Laudo Oficial de Correção — Prova Teórica 1

Inteligência Artificial II (IA II) • CEFET-MG 2026.2

NotaDados do Discente

• Discente: Danyel Martins Zini Silva
• Matrícula: 20243014020
• Turma: Turma 2
• Data da Avaliação: 19/10/2026
• Pontuação Final: 9,2 / 25,0 (Aproveitamento: 36,8%)
• Legibilidade da Caligrafia: 82% (Média Legibilidade)

Desempenho Consolidado por Questão

Questão / Tema	Pontos Obtidos	Valor	Aproveitamento
Q1: Triagem com dados heterogêneos	2,8	5,0	56,0%
Q2: Inspeção visual em condições novas	2,3	5,0	46,0%
Q3: Alerta que muda decisões	0,6	5,0	12,0%
Q4: Busca de conhecimento para atendimento	1,5	5,0	30,0%
Q5: Assistente que pode não responder	2,0	5,0	40,0%
TOTAL GERAL	9,2	25,0	36,8%

---

Questão 1 — Triagem com dados heterogêneos (2,8 / 5,0 pts)

1.a Diagnóstico da Curva de Aprendizado e Decisão de Produção (1,6 / 2,0)

NotaResposta 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.”

DicaParecer 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)

NotaResposta 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.”

DicaParecer 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)

NotaResposta 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.”

DicaParecer 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 pts)

2.a Diagnóstico Experimental do Aumento de Alertas (0,9 / 2,0)

NotaResposta 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.”

DicaParecer 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 Convolucional e Transferência de Aprendizado (1,1 / 2,0)

NotaResposta 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.”

DicaParecer 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 com Poucos Dados (0,3 / 1,0)

NotaResposta Transcrita do Aluno

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

DicaParecer 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 pts)

3.a Interpretação da Calibração e Crítica ao Limiar 0,50 (0,6 / 2,0)

NotaResposta 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.”

DicaParecer 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 Custos Assimétricos e Capacidade da Equipe Médica (0,0 / 2,0)

NotaResposta Transcrita do Aluno

[Subitem deixado em branco pelo discente]

DicaParecer do Docente

Sem resposta apresentada. Pontuação não atribuída.

3.c Telemetria Contínua e Deriva de Conceito (0,0 / 1,0)

NotaResposta Transcrita do Aluno

[Subitem deixado em branco pelo discente]

DicaParecer do Docente

Sem resposta apresentada. Pontuação não atribuída.

---

Questão 4 — Busca de conhecimento para atendimento (1,5 / 5,0 pts)

4.a Representação Semântica e Limitações da Similaridade de Cosseno (0,8 / 2,0)

NotaResposta 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.”

DicaParecer 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 Rigorosa de Recuperação (Information Retrieval) (0,2 / 1,5)

NotaResposta Transcrita do Aluno

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

DicaParecer 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 Normativa (0,5 / 1,5)

NotaResposta Transcrita do Aluno

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

DicaParecer 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 pts)

5.a Contestação do Maior Escore e Desenho da Abstenção (0,8 / 2,0)

NotaResposta 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]

DicaParecer 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 de Fontes e Validação Prévia da Abstenção (0,7 / 2,0)

NotaResposta Transcrita do Aluno

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

DicaParecer 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 da Taxa de Abstenção em Produção (0,5 / 1,0)

NotaResposta 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.”

DicaParecer 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.

---

Laudo gerado oficialmente pela disciplina Inteligência Artificial II (IA II) • CEFET-MG Timóteo