Laudo Oficial de Correção — Prova Teórica 1

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

NotaDados do Discente

• Discente: Gustavo Alexandre Silva
• Matrícula: 20233004100
• Turma: Turma 1
• Data da Avaliação: 19/10/2026
• Pontuação Final: 21,0 / 25,0 (Aproveitamento: 84,0%)
• Legibilidade da Caligrafia: 91% (Alta Legibilidade)

Desempenho Consolidado por Questão

Questão / Tema	Pontos Obtidos	Valor	Aproveitamento
Q1: Triagem com dados heterogêneos	4,7	5,0	94,0%
Q2: Inspeção visual em condições novas	3,6	5,0	72,0%
Q3: Alerta que muda decisões	4,1	5,0	82,0%
Q4: Busca de conhecimento para atendimento	4,4	5,0	88,0%
Q5: Assistente que pode não responder	4,2	5,0	84,0%
TOTAL GERAL	21,0	25,0	84,0%

---

Questão 1 — Triagem com dados heterogêneos (4,7 / 5,0 pts)

1.a Diagnóstico da Curva de Aprendizado e Decisão de Produção (1,9 / 2,0)

NotaResposta Transcrita do Aluno

“A afirmação da equipe é uma afirmação incorreta a queda contínua da perda de treino indica que o modelo se tornou especialista naqueles dados de treinamento e perdeu a capacidade de generalizar, no entanto a partir da época 8 o modelo começa a sofrer overfitting, ou seja ele começa a errar as predições de novos dados.”

DicaParecer do Docente

Diagnóstico impecável: identificou a dissociação das curvas, apontou a perda de generalização (overfitting) a partir da Época 8 e refutou com solidez a decisão da equipe técnica.

1.b Representação de Entradas Heterogêneas e Retropropagação (2,0 / 2,0)

NotaResposta Transcrita do Aluno

“Dados categóricos devem ser convertidos em numéricos aplicando-se a tecnica de one hot incoding e os dados numéricos devem ser normalizados. O backpropagation serve para ajuste dos pesos no treinamento a cada época, indicando a direção e a necessidade e grau de ajuste”

DicaParecer do Docente

Excelente domínio: indicou One-Hot Encoding para atributos categóricos, normalização para numéricos e articulou com clareza o papel do backpropagation (cálculo vetorial da direção e magnitude de ajuste dos pesos via gradientes).

1.c Evidências Clínicas de Confiança e Reprodutibilidade (0,8 / 1,0)

NotaResposta Transcrita do Aluno

“Antes de avaliar o modelo é necessário extrair as métricas para avaliar precisão, Recall, F1-Score, são métricas que ajudam a verificar a capacidade de previsão do modelo, escolhendo aumentar uma métrica que diminua a consequência caso haja um erro de previsão. Uma medida concreta para garantir reprodutividade é usar earlystop para verificar a validação e parar o treinamento antes de sofrer overfitting”

DicaParecer do Docente

Correta ênfase no trade-off de métricas clínicas (Recall vs Precisão) e uso de early stopping. Faltou citar a fixação de sementes aleatórias para reprodutibilidade estrita.

---

Questão 2 — Inspeção visual em condições novas (3,6 / 5,0 pts)

2.a Diagnóstico Experimental do Aumento de Alertas (1,2 / 2,0)

NotaResposta Transcrita do Aluno

“É necessário uma análise durante o treinamento de treino e validação para não treinar demais ao ponto de não ser generalista. É interessante comparar os dois turnos e verificar o resultado se a rotulação predita está compatível com a real”

DicaParecer do Docente

Propôs comparar os resultados entre os turnos diurno e noturno. Deixou de discriminar formalmente o deslocamento de covariáveis luminoso (covariate shift) e a inconsistência na anotação dos inspetores humanos.

2.b Arquitetura Convolucional e Transferência de Aprendizado (1,8 / 2,0)

NotaResposta Transcrita do Aluno

“A CNN (rede convolucional) é ideal para esse problema porque lida com precisão de imagem, entretanto pelo custo operacional é necessário carregar um modelo pré-treinado e congelar os pesos durante o treinamento, após isso como é apresentado poucos dados para melhorar o modelo é essencial regularizar usando data augmentation, pegando os dados já existentes e rotacionar, aplicar alguns filtros e transformações para aumentar os dados”

DicaParecer do Docente

Muito boa resposta de engenharia: justificou o uso de CNNs pré-treinadas, congelamento de pesos e uso ostensivo de data augmentation (rotações, filtros e transformações). Pequeno desconto pela ausência do esquema visual.

2.c Cautela Amostral e Validação com Poucos Dados (0,6 / 1,0)

NotaResposta Transcrita do Aluno

“É necessário aumentar as amostras para o modelo ter um treinamento melhor e capaz de generalizar mais então coletar mais dados realizar data augmentation contribui para isso. Outro ponto é avaliar as métricas, porque sem uma análise de métricas, pode dar uma falsa sensação de resultado bom.”

DicaParecer do Docente

Alertou sobre a falsa sensação de bom resultado. Faltou detalhar a validação cruzada estratificada, teste cego no turno noturno e cálculo de intervalos de confiança / testes de hipótese estatísticos.

---

Questão 3 — Alerta que muda decisões (4,1 / 5,0 pts)

3.a Interpretação da Calibração e Crítica ao Limiar 0,50 (1,9 / 2,0)

NotaResposta Transcrita do Aluno

“Porque ouve uma falsa sensação de aceitável, 0,5 não quer dizer 50% na verdade é somente 18% do real o que deixa passar ainda muitos erros por estar mal calibrado”

DicaParecer do Docente

Leitura quantitativa cirúrgica da Figura 2: extraiu o valor de 18% real para o escore 0,50, denunciou a falsa sensação de segurança e diagnosticou o desvio de calibração.

3.b Custos Assimétricos e Capacidade da Equipe Médica (1,4 / 2,0)

NotaResposta Transcrita do Aluno

“A matriz de confusão deve ser bem analisada para o contexto específico, então a escolha do ponto deve levar em conta os efeitos colaterais de um erro. Dessa forma, deve priorizar a analise de uma métrica que reduza o dano.”

DicaParecer do Docente

Compreendeu a minimização do dano em custos assimétricos. Faltou explicitar a diminuição do limiar para priorizar Recall e ponderar a restrição de capacidade operacional da equipe de saúde.

3.c Telemetria Contínua e Deriva de Conceito (0,8 / 1,0)

NotaResposta Transcrita do Aluno

“É necessário um monitoramento das previsões, qual os resultados, monitorar as entradas e caso disparado uma anomalia revisar imediatamente o modelo de treinamento”

DicaParecer do Docente

Monitoramento de previsões e entradas em tempo real, com gatilho de revisão em anomalias. Faltou citar o plano de contingência e fallback assistencial.

---

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

4.a Representação Semântica e Limitações da Similaridade de Cosseno (1,9 / 2,0)

NotaResposta Transcrita do Aluno

“no uso de Transformers/BERT é levado em conta contextos já WORD2VEC gera vetores fixos. O cosseno calcula a similaridade semântica com base na direção do vetor mas não garante a relevância real de documentos”

DicaParecer do Docente

Excelente contraste entre modelos contextuais (BERT) e estáticos (Word2Vec) e diagnóstico preciso da limitação do cosseno (mede apenas direção vetorial, sem garantir relevância factual/legal).

4.b Avaliação Rigorosa de Recuperação (Information Retrieval) (1,3 / 1,5)

NotaResposta Transcrita do Aluno

“Porque você não tem uma garantia apenas pela analise visual é necessário validações como ‘ground truth’ para analisar as métricas de relevância dos documentos com base nos top k itens”

DicaParecer do Docente

Muito bom! Exigiu a existência de uma base rotulada (‘ground truth’) e métricas de relevância sobre os Top-K itens recuperados. Faltou apenas nomear as métricas padrão como NDCG ou MRR.

4.c Busca Híbrida e Governança Normativa (1,2 / 1,5)

NotaResposta Transcrita do Aluno

“Porque a busca híbrida analisa tanto buscas semânticas como também busca léxicas o que faz com que haja um desempenho melhor que busca vetoriais puras não cobrem.”

DicaParecer do Docente

Identificou com clareza o ganho de cobertura unindo recuperação léxica e semântica. Faltou explicitar os filtros por metadados de vigência para governança de normas revogadas.

---

Questão 5 — Assistente que pode não responder (4,2 / 5,0 pts)

5.a Contestação do Maior Escore e Desenho da Abstenção (1,6 / 2,0)

NotaResposta Transcrita do Aluno

“O maior escore não vai garantir uma resposta correta, é necessário um limiar mínimo para que o agente não alucine e cuspa uma resposta incorreta mas porque teve que dar uma resposta por não ter um limiar mínimo”

DicaParecer do Docente

Refutou com firmeza o maior escore e associou a ausência de limiar mínimo à indução forçada de alucinações. Faltou apenas formalizar a margem de separação contra ambiguidade (τ₂).

5.b Conflito de Fontes e Validação Prévia da Abstenção (2,0 / 2,0)

NotaResposta Transcrita do Aluno

“Deve ser validado, tanto com metricas, na qual especialistas vão dizer quais documentos são relevantes e atribuir metricas a partir do resultado gerado, quanto os documentos devem carregar metadados de origem. Deve ser feito consultas: queris respondíveis e não respondíveis, no qual quando não respondível, o score abaixo do limiar dizer que não tem informações sobre isso e não trazer respostas alienadas”

DicaParecer do Docente

Excelente resposta! Previu avaliação com especialistas e ground truth, metadados de origem e desenho de testes com consultas propositalmente respondíveis e não respondíveis, validando o mecanismo de abstenção.

5.c Telemetria da Taxa de Abstenção em Produção (0,6 / 1,0)

NotaResposta Transcrita do Aluno

“Deve ser monitorado através dos metadados que carregam apresentando uma serie de informações do documento retornado”

DicaParecer do Docente

Citou acompanhamento dos metadados dos documentos. Faltou acompanhar a métrica operacional central: a taxa de abstenção e seu significado diante da desatualização da base normativa.

---

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