Centro Federal de Educação Tecnológica de Minas Gerais

"Revela que o modelo está em overfitting. O modelo está memorizando padrões do treinamento e perdendo capacidade de generalização. Portanto, a redução da perda de treinamento não garante bom desempenho em dados novos. Devemos considerar early stopping na época 8 e avaliar o modelo em um conjunto de testes independentes."

"As variáveis numéricas, como idade e sinais vitais, devem ser normalizados e/ou padronizados. As variáveis categóricas podem ser representados por one-hot encoding ou embeddings. Essas entradas são concatenadas e fornecidos à MLP. Durante o treinamento, a retropropagação calcula os gradientes de perda pela regra da cadeia, permitindo atualizar seus pesos e vieses, minimizando erros."

"São necessários dados representativos de diferentes perfis de pacientes, incluindo urgentes. Devem ser avaliados métricas sensibilidade, especificidade, precisão, etc. Para garantir reprodutibilidade, devem ser registrados sementes aleatórias, versões dos dados, hiperparâmetros, etc."

"Comparar imagens diurnas e noturnas quanto à iluminação e desempenho. Analisar perdas de treino e validação para detectar overfitting. Diferenças nas distribuições para identificar covariate shift. Revisar rótulos para encontrar erros de anotação."

"CNNs identificam padrões espaciais, como bordas e texturas. Utilizar-se um modelo pré-treinado, congelando inicialmente suas camadas e depois realizando fine-tuning. Aplicar data augmentation com variações de brilho e contraste."

"Ampliar a amostra, utilizar validação estratificada e intervalos de confiança. Manter revisão humana até obter resultados confiáveis."

"O modelo está mal calibrado, pois prevê probabilidades maiores que as frequências reais. Uma previsão de 50% corresponde a 18% de ocorrência. Portanto, o limiar 0,50 não é adequado."

"O limiar deve equilibrar falsos positivos, que sobrecarregam a equipe, e falsos negativos, que podem comprometer os pacientes. Devem ser considerados os custos dos erros e a capacidade operacional."

"Monitorar distribuição dos dados, probabilidades, taxas de alerta e desempenho. Ao detectar deriva, investigar, recalibrar e/ou treinar o modelo com dados recentes."

"Word2Vec utiliza embeddings estáticos, enquanto BERT considera o contexto das palavras. A similaridade do cosseno mede proximidade semântica, mas não garante relevância, validade ou atualização dos documentos."

"A produção de consultas com retorno não garante qualidade. Deve-se avaliar documentos relevantes usando métricas como Precision@K e Recall@K"

"Combinar busca vetorial com BM25 melhora a recuperação semântica e lexical. Filtros de metadados devem priorizar documentos vigentes, excluindo normas revogadas das respostas atuais."

"O maior escore não garante uma resposta correta. O sistema deve responder apenas quando o escore máximo superar um limiar mínimo ($\tau_1$) e a diferença para o segundo resultado superar a margem ($\tau_2$). Senão, deve se abster."

"Documentos conflitantes devem ser analisados conforme à vigência e autoridade. Persistindo a dúvida, o sistema deve se abster. A validação deve incluir consultas respondíveis e não respondíveis, avaliando precisão, cobertura e taxa de abstenção."

"Monitorar taxas de abstenção, escores e margens entre resultados. Aumentos inesperados podem indicar mudanças nas consultas e documentos, exigindo revisão do sistema."