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

Fernanda Laylla Almeida

Matrícula: 20233008299 Turma: Turma 2 Data: 19/10/2026 Caligrafia: 93% (Alta Legibilidade)

Nota Final

19,1

de 25,0 pontos

Aproveitamento: 76,4%

Quadro Consolidado de Desempenho

Questão	Tópico Avaliado	Pontuação Obtida	Pontuação Máxima	Aproveitamento
Questão 1	Triagem com dados heterogêneos (MLP e Treinamento)	4,6	5,0	92%
Questão 2	Inspeção visual em condições novas (CNN e Transfer Learning)	2,2	5,0	44%
Questão 3	Alerta que muda decisões (Calibração e Custos Clínicos)	3,4	5,0	68%
Questão 4	Busca de conhecimento (Embeddings, IR e Busca Híbrida)	4,4	5,0	88%
Questão 5	Assistente com abstenção (RAG, Limiares e Governança)	4,5	5,0	90%
TOTAL	Nota Consolidada da Avaliação	19,1	25,0	76,4%

Questão 1 — Triagem com dados heterogêneos

4,6 / 5,0

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

1,8 / 2,0

Resposta Transcrita da Aluna:

"A curva de perda de treino continua diminuindo e a curva de validação aumenta indica overfitting, o modelo está apenas memorizando e não aprendendo, até mesmo os ruídos, por isso não está pronto para produção."

Parecer Analítico do Docente:

Excelente diagnóstico: explicou com precisão a dissociação entre perda de treino e de validação, caracterizou o sobreajuste como memorização de ruídos e vetou corretamente a ida a produção. Faltou apenas apontar a Época 8 e sugerir parada antecipada (early stopping).

1.b Representação de Entradas Heterogêneas e Retropropagação

2,0 / 2,0

Resposta Transcrita da Aluna:

"Colunas numericas devem ser normalizadas e para colunas categóricas devem usar o one-hot encoding. O backpropagation calcula o gradiente da função da perda, ele são usados pelo otimizador"

Parecer Analítico do Docente:

Pontuação integral. Especificou a normalização para variáveis numéricas, o One-Hot Encoding para categóricas e sintetizou perfeitamente o papel do backpropagation (cálculo dos gradientes da função de perda para atualização dos pesos pelo otimizador).

1.c Evidências Clínicas de Confiança e Reprodutibilidade

0,8 / 1,0

Resposta Transcrita da Aluna:

"Métricas além da acuracia, nesse caso pode ser o Recall e Precission."

Parecer Analítico do Docente:

Identificou com acerto que a acurácia é insuficiente e propôs Recall e Precisão como métricas adequadas à triagem. Faltou indicar a fixação de sementes aleatórias para garantir reprodutibilidade experimental.

Questão 2 — Inspeção visual em condições novas

2,2 / 5,0

2.a Diagnóstico Experimental do Aumento de Alertas

0,8 / 2,0

Resposta Transcrita da Aluna:

"Overfitting pode ser corrigido ajustando os hiperparametros, tratando ruídos, melhora na rotulação."

Parecer Analítico do Docente:

Mencionou ações corretivas como ajuste de hiperparâmetros e melhora na rotulação. Contudo, não estruturou o experimento para contrastar e diagnosticar a mudança na distribuição de iluminação noturna (covariate shift) frente ao sobreajuste.

2.b Arquitetura CNN, Data Augmentation e Transfer Learning

0,9 / 2,0

Resposta Transcrita da Aluna:

"estratégia congelamento pode ser o Dropout que desliga os neurios de forma aleatoria para que a rede não dependa dele."

Parecer Analítico do Docente:

Houve confusão conceitual entre congelamento de camadas (fixação dos pesos pré-treinados do backbone) e regularização por Dropout (desativação estocástica de neurônios). Omitiu a justificativa do uso de CNNs, data augmentation e o diagrama visual.

2.c Cautela Amostral e Validação Robusta

0,5 / 1,0

Resposta Transcrita da Aluna:

"Validação cruzada."

Parecer Analítico do Docente:

Citou validação cruzada, mas de maneira lacônica. Faltou detalhar a estratificação da amostra, a necessidade de teste cego noturno e testes de significância estatística.

Questão 3 — Alerta que muda decisões

3,4 / 5,0

3.a Leitura da Curva de Calibração e Impacto Clínico

0,9 / 2,0

Resposta Transcrita da Aluna:

"0,5 é baixo por isso tem muitos alarmes poucos úteis aumentar o limiar melhoraria nesse contexto."

Parecer Analítico do Docente:

Percebeu que o limiar 0,50 gera alarmes pouco úteis. Não realizou a leitura analítica do gráfico da Figura 2 (∼18% real para p̂ = 0,50, resultando em 82% de alarmes falsos) nem distinguiu o conceito de calibração probabilística da simples manipulação de limiar.

3.b Ajuste Operacional com Custos Assimétricos

1,6 / 2,0

Resposta Transcrita da Aluna:

"Falso negativo um paciente doente e não recebe tratamento. Falso positivo um paciente estável recebendo tratamento que não precisa. O limiar tem que atingir o máximo do Recall para detectar todos FN."

Parecer Analítico do Docente:

Excelente definição contextual de FN e FP, recomendando priorizar o Recall para capturar todos os casos graves. Faltou ponderar o teto físico da capacidade operacional da equipe médica frente ao aumento de falsos positivos.

3.c Telemetria e Monitoramento de Drift

0,9 / 1,0

Resposta Transcrita da Aluna:

"testes estatísticos para data drift, retreinar o modelo para detecta anomalias"

Parecer Analítico do Docente:

Muito bom. Citou testes estatísticos de detecção de data drift em telemetria e plano de retreino periódico para mitigação de anomalias.

Questão 4 — Busca de conhecimento para atendimento

4,4 / 5,0

4.a Representação Semântica e Limitações do Cosseno

2,0 / 2,0

Resposta Transcrita da Aluna:

"Word2Vec cada palavra é um vetor ignorando o contexto da palavra. O Transformers/Bert importa com o contexto da palavra o significado, então é vetores dinamicos conforme vai mudando o sentindo. A similaridade de cosseno mede apenas o angulo dos vetores, então pode não ser real o sentindo"

Parecer Analítico do Docente:

Excelente clareza conceitual: diferenciou vetores estáticos por palavra de representações contextuais profundas dinâmicas (Transformers/BERT) e explicou a miopia geométrica da similaridade de cosseno (mede ângulo mas não garante relevância semântica real).

4.b Avaliação Rigorosa de Recuperação (IR)

0,9 / 1,5

Resposta Transcrita da Aluna:

"Sim pois nem todo retorno é correto. Métricas pode ser Recall, benchmark."

Parecer Analítico do Docente:

Correta crítica ao mito do retorno forçado e indicação de Recall com benchmark de avaliação. Faltou detalhar as métricas consagradas de ranking (MRR e NDCG).

4.c Busca Híbrida e Governança de Normas

1,5 / 1,5

Resposta Transcrita da Aluna:

"A busca lexical/Bm25 garante a correspondência dos termos e a busca vetorial pega o significado semântico. Então junta essas duas coisas. Aplicar filtros."

Parecer Analítico do Docente:

Pontuação integral. Sintetizou perfeitamente a sinergia entre busca léxica via BM25 e vetorial densa, associada à aplicação de filtros por metadados para garantir conformidade normativa.

Questão 5 — Assistente que pode não responder

4,5 / 5,0

5.a Contestação do Maior Escore e Desenho da Abstenção

2,0 / 2,0

Resposta Transcrita da Aluna:

"Nem sempre o documento com maior escore é bom pode ser por alta confiança quando a consulta for ambigua, ou sem evidências.
τ₁: escore(doc₁) < τ₁, não há evidencias o suficiente
τ₂: escore(doc₁) - escore(doc₂) < τ₂, consulta ambigua"

Parecer Analítico do Docente:

Brilhante formulação matemática! Estabeleceu com precisão os dois critérios canônicos de abstenção: limiar de evidência mínima τ₁ e margem competitiva contra ambiguidade τ₂.

5.b Conflito Normativo e Validação Pré-Implantação

1,6 / 2,0

Resposta Transcrita da Aluna:

"Utilizar metadados para priorizar documentos mais recentes e revisão mais recente tambem. Medir a taxa de erro em respostas emitidas."

Parecer Analítico do Docente:

Excelente uso de metadados temporais (recência de publicação/revisão) para resolução de conflitos e acompanhamento da taxa de erro. Faltou apenas especificar a bateria de testes com casos não respondíveis.

5.c Telemetria e Impacto Operacional

0,9 / 1,0

Resposta Transcrita da Aluna:

"Monitoramento contínuo. Sinal de aumento por mudança nas perguntas precisa de novos dados de treino ou ruído nas normas."

Parecer Analítico do Docente:

Muito bom. Correlacionou o aumento na taxa de recusa com a alteração no perfil de perguntas dos usuários ou com o surgimento de ruídos/defasagem no acervo normativo.