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

Felipe Cassemiro de Paiva

Matrícula: 20213003704 Turma: Turma 2 Data: 19/10/2026 Caligrafia: 88% (Média Legibilidade)

Nota Final

13,8

de 25,0 pontos

Aproveitamento: 55,2%

Quadro Consolidado de Desempenho

Questão	Tópico Avaliado	Pontuação Obtida	Pontuação Máxima	Aproveitamento
Questão 1	Triagem com dados heterogêneos (MLP e Treinamento)	3,2	5,0	64%
Questão 2	Inspeção visual em condições novas (CNN e Transfer Learning)	2,5	5,0	50%
Questão 3	Alerta que muda decisões (Calibração e Custos Clínicos)	3,3	5,0	66%
Questão 4	Busca de conhecimento (Embeddings, IR e Busca Híbrida)	2,7	5,0	54%
Questão 5	Assistente com abstenção (RAG, Limiares e Governança)	2,1	5,0	42%
TOTAL	Nota Consolidada da Avaliação	13,8	25,0	55,2%

Questão 1 — Triagem com dados heterogêneos

3,2 / 5,0

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

1,6 / 2,0

Resposta Transcrita do Aluno:

"O gráfico mostra que o modelo não está pronto para ambiente produtivo e se trata de um caso de overfitting de dados para os casos de treino, o que limita a assertividade do modelo a grande variedades em casos de produção."

Parecer Analítico do Docente:

Excelente conclusão refutando a entrada em produção e diagnosticando a perda de capacidade de generalização por sobreajuste (overfitting). Faltou apenas apontar na Figura 1 o comportamento específico da Época 8 e a técnica de parada antecipada (early stopping).

1.b Representação de Entradas Heterogêneas e Retropropagação

0,8 / 2,0

Resposta Transcrita do Aluno:

"A aplicação deve combinar [?] binaria ao treinamento, no qual a backpropagation tem o papel de refinar o valor dos parametros com base no size da epoca de treinamento aplicado"

Parecer Analítico do Docente:

Mencionou o refinamento de parâmetros via retropropagação, mas omitiu a fundamentação dos gradientes por regra da cadeia e não explicou o pré-processamento de dados heterogêneos (padronização/Z-score para contínuos e One-Hot Encoding ou embeddings para categóricos).

1.c Evidências Clínicas de Confiança e Reprodutibilidade

0,8 / 1,0

Resposta Transcrita do Aluno:

"Antes do ambiente produtivo é necessario metrificar a acuracia, precisão e o recall do modelo com base nos dados de FP, TP, FN, TN esperados e medidos"

Parecer Analítico do Docente:

Muito bom detalhamento da matriz de confusão (TP, FP, FN, TN) e métricas clínicas pertinentes (precisão e recall). Faltou abordar o requisito de reprodutibilidade experimental através da fixação de sementes aleatórias.

Questão 2 — Inspeção visual em condições novas

2,5 / 5,0

2.a Diagnóstico Experimental do Aumento de Alertas

1,0 / 2,0

Resposta Transcrita do Aluno:

"Investigar o valor das perdas de validação e testes ao longo da epocas para realizar os ajustes de parametros e evitar over/underfitting comparado aos resultados de falso positivo e falso negativo."

Parecer Analítico do Docente:

Propôs analisar as perdas de validação e taxas de FP/FN. Contudo, não discriminou o experimento de comparação entre os turnos diurno e noturno para isolar o deslocamento distributivo luminoso (covariate shift) nem a investigação de inconsistências de anotação humana.

2.b Arquitetura CNN, Data Augmentation e Transfer Learning

1,1 / 2,0

Resposta Transcrita do Aluno:

"Para esse caso faz sentido pela possibilidade de congelamento, o que permite que o modelo continue em operação nos demais turnos. Além disso o complemento da base aumentando o numero de epocas de treino"

Parecer Analítico do Docente:

Mencionou o congelamento de camadas na transferência de aprendizado. Não detalhou o mecanismo de extração espacial de CNNs, omitiu aumento de dados fotométrico (brilho/contraste) e não incluiu o esquema visual pedido.

2.c Cautela Amostral e Validação Robusta

0,4 / 1,0

Resposta Transcrita do Aluno:

"Aplicar o conceito de Recall para mitigar a possibilidade de conclusões precipitadas sobre o modelo usado."

Parecer Analítico do Docente:

Citou o acompanhamento de recall, mas não abordou a necessidade de validação cruzada estratificada, teste cego no turno noturno nem testes de significância estatística.

Questão 3 — Alerta que muda decisões

3,3 / 5,0

3.a Leitura da Curva de Calibração e Impacto Clínico

0,8 / 2,0

Resposta Transcrita do Aluno:

"Fixar o limiar do modelo vai limitar a capacidade de aprendizado e melhoria dos resultados, o que diverge do objetivo central. Em contexto clínico isso faz com que o resultado apresente maiores casos de falsos positivos e negativos, diminuindo a assertividade e eficiência do classificador."

Parecer Analítico do Docente:

Compreendeu que um limiar rígido compromete o equilíbrio clínico entre falsos positivos e negativos. Deixou de realizar a leitura numérica do gráfico da Figura 2 (∼18% real para p̂ = 0,50, resultando em 82% de alarmes falsos) e não abordou o conceito de calibração de probabilidades.

3.b Ajuste Operacional com Custos Assimétricos

1,7 / 2,0

Resposta Transcrita do Aluno:

"Os valores devem ser ajustados de forma que os casos de falso resultado não ultrapassem o teto de capacidade da equipe medica, para que dessa forma não aconteça casos de sobrecarga e o diagnostico final seja correto."

Parecer Analítico do Docente:

Excelente percepção prática! Enfatizou que os alertas falsos não podem violar o teto de capacidade da equipe médica, evitando sobrecarga operacional. Faltou explicitar a diminuição do limiar para priorizar os custos maiores do falso negativo.

3.c Telemetria e Monitoramento de Drift

0,8 / 1,0

Resposta Transcrita do Aluno:

"O monitoramento deve fazer um acompanhamento historico sobre resultados esperados e falsos para poder detectar data drift e o modelo utilizado deve permitir congelamento de epocas e ajustes finos das variaveis"

Parecer Analítico do Docente:

Identificou com acerto o monitoramento contínuo para detecção de data drift com necessidade de ajustes finos. Faltou detalhar o protocolo de contingência e fallback hospitalar.

Questão 4 — Busca de conhecimento para atendimento

2,7 / 5,0

4.a Representação Semântica e Limitações do Cosseno

1,0 / 2,0

Resposta Transcrita do Aluno:

"O modelo adotado não consegue garantir relevância por falta de contexto no retorno, buscando qualquer documento que trate minimamente sobre alterar senha."

Parecer Analítico do Docente:

Percebeu a armadilha prática: o modelo capta termos superficiais mas não garante relevância no contexto jurídico/normativo. Faltou diferenciar formalmente embeddings estáticos de Transformers e analisar as propriedades geométricas da similaridade de cosseno.

4.b Avaliação Rigorosa de Recuperação (IR)

0,9 / 1,5

Resposta Transcrita do Aluno:

"Porque assim ele não mensura a assertividade real de resolucao do problema. O ideal seria verificar sucesso com base em resultado positivos em relacao ao compo amostral. $\frac{TP}{TP+FP}$ pode servir com indicativo"

Parecer Analítico do Docente:

Correta crítica à métrica de retorno forçado e proposta válida da métrica de Precisão $\frac{TP}{TP+FP}$. Deixou de citar as métricas clássicas de ordenação em Information Retrieval (MRR, NDCG e Recall@K).

4.c Busca Híbrida e Governança de Normas

0,8 / 1,5

Resposta Transcrita do Aluno:

"A abordagem hibrida garantiria maior contexto sobre o que esta sendo buscado, fazendo com que o numero de falsos positivos no resulta seja menor."

Parecer Analítico do Docente:

Compreendeu que a abordagem híbrida reduz falsos positivos ao agregar contexto. Contudo, não detalhou a fusão lexical (BM25) com vetores densos nem a governança documental através de filtros por metadados de vigência.

Questão 5 — Assistente que pode não responder

2,1 / 5,0

5.a Contestação do Maior Escore e Desenho da Abstenção

0,9 / 2,0

Resposta Transcrita do Aluno:

"A proposta não é boa pois limita a capacidade de aprendizado do modelo se trata tudo de forma binaria, para o caso faz mais sentido o aprendizado com base no resultado e o funcionamento probabilistico."

Parecer Analítico do Docente:

Contestou a decisão do gestor e defendeu o tratamento probabilístico. Faltou formular explicitamente a regra de abstenção com limiares de corte absoluto (τ₁) e margem para desambiguação (τ₂).

5.b Conflito Normativo e Validação Pré-Implantação

0,8 / 2,0

Resposta Transcrita do Aluno:

"O sistema deve trabalhar com base em scores e delimitação de prioridade de parametros. Uso de base de testes mais base de validacao."

Parecer Analítico do Docente:

Propôs uso de bases de validação/teste e prioridade de parâmetros. Não detalhou a resolução de conflitos por vigência temporal de metadados nem o teste obrigatório com consultas não respondíveis.

5.c Telemetria e Impacto Operacional

0,4 / 1,0

Resposta Transcrita do Aluno:

"Crescimento significativo dos caso de falso negativo, demonstrando a possibilidade de underfitting do modelo"

Parecer Analítico do Docente:

Mencionou crescimento de erros no modelo, mas não abordou o indicador central de telemetria solicitado: a taxa de abstenção operacional e seu significado diante de mudanças no acervo regulatório.