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

João Pedro Silva Martins

Matrícula: 20233009035 Turma: Turma 1 Data: 19/10/2026 Caligrafia: 90% (Alta Legibilidade)

Nota Final

24,2

de 25,0 pontos

Aproveitamento: 96,8%

Quadro Consolidado de Desempenho

Questão	Tópico Avaliado	Pontuação Obtida	Pontuação Máxima	Aproveitamento
Questão 1	Triagem com dados heterogêneos (MLP e Treinamento)	4,8	5,0	96%
Questão 2	Inspeção visual em condições novas (CNN e Transfer Learning)	4,8	5,0	96%
Questão 3	Alerta que muda decisões (Calibração e Custos Clínicos)	5,0	5,0	100%
Questão 4	Busca de conhecimento (Embeddings, IR e Busca Híbrida)	4,6	5,0	92%
Questão 5	Assistente com abstenção (RAG, Limiares e Governança)	5,0	5,0	100%
TOTAL	Nota Consolidada da Avaliação	24,2	25,0	96,8%

Questão 1 — Triagem com dados heterogêneos

4,8 / 5,0

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

2,0 / 2,0

Resposta Transcrita do Aluno:

"A equipe está errada porque a perda de validação sobe após a Época 8, o que indica overfitting. O treino devia ter parado aí, o early stopping."

Parecer Analítico do Docente:

Resposta precisa e cirúrgica: refutou a equipe, identificou o início do sobreajuste na Época 8 com a subida da perda de validação e recomendou expressamente early stopping.

1.b Representação de Entradas Heterogêneas e Retropropagação

1,8 / 2,0

Resposta Transcrita do Aluno:

"Dados numéricos devem ser normalizados e os categóricos convertidos. A retropropagação ajusta os pesos da rede calculando os gradientes do erro."

Parecer Analítico do Docente:

Muito bom. Citou normalização numérica, conversão categórica e a definição exata do papel do backpropagation (ajuste dos pesos via cálculo dos gradientes do erro).

1.c Evidências Clínicas de Confiança e Reprodutibilidade

1,0 / 1,0

Resposta Transcrita do Aluno:

"São necessárias validação cruzada estratificada e métricas como Recall. A reprodutibilidade é garantida fixando a semente aleatória."

Parecer Analítico do Docente:

Pontuação máxima. Articulou a validação cruzada estratificada com a métrica clínica fundamental (Recall) e especificou a fixação de sementes aleatórias para reprodutibilidade.

Questão 2 — Inspeção visual em condições novas

4,8 / 5,0

2.a Diagnóstico Experimental do Aumento de Alertas

2,0 / 2,0

Resposta Transcrita do Aluno:

"No overfitting, o modelo falha na validação. No covariate shift, a distribuição de iluminação muda, o que se confirma comparando as fotos de dia e noite. Falhas de rotulação acabam-se pela concordância entre anotadores."

Parecer Analítico do Docente:

Excelente síntese experimental! Diferenciou com perfeição as assinaturas empíricas das três hipóteses: validação para sobreajuste, contraste dia/noite para covariate shift e teste de concordância interanotador para ruído de rotulação.

2.b Arquitetura CNN, Data Augmentation e Transfer Learning

1,8 / 2,0

Resposta Transcrita do Aluno:

"Uma CNN é ideal por extrair padrões visuais. A estratégia é congelar as primeiras camadas de um modelo pré-treinado, ajustar as finais e usar data augmentation."

Parecer Analítico do Docente:

Pipeline clássico de transferência de aprendizado apresentado com clareza: extração convolucional, congelamento inicial com fine-tuning no topo e data augmentation. Pequena dedução apenas por ausência de esquema gráfico.

2.c Cautela Amostral e Validação Robusta

1,0 / 1,0

Resposta Transcrita do Aluno:

"Com poucos dados noturnos, deve-se usar intervalos de confiança e rodar testes em paralelo antes da aprovação."

Parecer Analítico do Docente:

Muito bom. Especificou o uso de intervalos de confiança estatísticos e operação em paralelo/sombra antes da homologação final em ambiente fabril.

Questão 3 — Alerta que muda decisões

5,0 / 5,0

3.a Leitura da Curva de Calibração e Impacto Clínico

2,0 / 2,0

Resposta Transcrita do Aluno:

"Fixar o limiar em 0,50 é um erro porque, quando o modelo prevê 0,50, a taxa real é de apenas 18%. O modelo é superconfiante e gera alarmes falsos em excesso."

Parecer Analítico do Docente:

Perfeita leitura dos dados da Figura 2 (∼18% real para p̂ = 0,50), apontando a superconfiança do modelo e o disparo massivo de alarmes falsos (82%).

3.b Ajuste Operacional com Custos Assimétricos

2,0 / 2,0

Resposta Transcrita do Aluno:

"F.N. são piores que F.P., o limiar deve minimizar o custo total e respeitar a capacidade máxima de atendimento da equipe."

Parecer Analítico do Docente:

Equilíbrio perfeito: priorizou a mitigação dos custos críticos de falsos negativos e incorporou o respeito imperativo à capacidade operacional máxima da equipe médica.

3.c Telemetria e Monitoramento de Drift

1,0 / 1,0

Resposta Transcrita do Aluno:

"Deve-se monitorar a taxa real de eventos. Se houver alteração no perfil, a ação imediata é recalibrar o modelo ou re-treiná-lo."

Parecer Analítico do Docente:

Acompanhamento contínuo da taxa real de eventos em produção associado a intervenções imediatas de recalibração ou retreino.

Questão 4 — Busca de conhecimento para atendimento

4,6 / 5,0

4.a Representação Semântica e Limitações do Cosseno

1,9 / 2,0

Resposta Transcrita do Aluno:

"O Word2Vec usa vetores estáticos enquanto o BERT entende o contexto completo. A similaridade do cosseno mede proximidade angular, mas não garante a validade do documento."

Parecer Analítico do Docente:

Diferenciação precisa entre embeddings estáticos e contextuais profundos, destacando que a métrica de cosseno mede apenas proximidade angular geométrica, mas é cega à validade jurídica/normativa.

4.b Avaliação Rigorosa de Recuperação (IR)

1,2 / 1,5

Resposta Transcrita do Aluno:

"Retornar algum resultado não garante qualidade. O protocolo correto exige métricas de recuperação de informação."

Parecer Analítico do Docente:

Correta crítica ao mito da taxa de retorno forçado e indicação da necessidade de métricas de IR. Faltou apenas listar nominalmente MRR, NDCG e Recall@K.

4.c Busca Híbrida e Governança de Normas

1,5 / 1,5

Resposta Transcrita do Aluno:

"A busca híbrida junta termos exatos com contexto. Para excluir normas revogadas, utilizam-se filtros de metadados."

Parecer Analítico do Docente:

Pontuação máxima. Síntese impecável da complementaridade entre recuperação léxica e densa, com filtragem explícita por metadados para descarte de normas revogadas.

Questão 5 — Assistente que pode não responder

5,0 / 5,0

5.a Contestação do Maior Escore e Desenho da Abstenção

2,0 / 2,0

Resposta Transcrita do Aluno:

"Retornar sempre o maior escore força respostas erradas quando não há certezas. A política exige um limiar mínimo de pontuação e uma margem entre os primeiros resultados."

Parecer Analítico do Docente:

Excelente! Refutou a imposição forçada do maior escore e formulou a política de abstenção com os dois critérios clássicos: limiar mínimo de pontuação (τ₁) e margem competitiva (τ₂).

5.b Conflito Normativo e Validação Pré-Implantação

2,0 / 2,0

Resposta Transcrita do Aluno:

"Usa-se prioridade por data/hierarquia. A validação é feita com um conjunto de testes contendo perguntas válidas, sem resposta e ambíguas."

Parecer Analítico do Docente:

Critérios seguros de governança (prioridade por data e hierarquia) com partição de testes contendo perguntas válidas, propositalmente sem resposta e ambíguas.

5.c Telemetria e Impacto Operacional

1,0 / 1,0

Resposta Transcrita do Aluno:

"Acompanhar a taxa de abstenção indica se o acervo precisa de novos dados ou se o sistema está a inventar respostas."

Parecer Analítico do Docente:

Visão sistêmica madura: correlacionou a telemetria da taxa de abstenção tanto com a necessidade de atualização do acervo quanto com o risco crítico de alucinação.