Centro Federal de Educação Tecnológica de Minas Gerais

"O overfitting começa na época 8, a perda de treino cai, ao passo que a validação sobe, o que indica uma baixa generalização, sendo preciso usar early stopping e testar o modelo antes de implementar"

"Os dados numéricos devem ser normalizados, já os categóricos, codificados com one-hot-encoding ou embeddings. A retropropagação calcula os gradientes da função de perda, o que permite atualizar os pesos da MLP durante o treinamento"

"O modelo deve ser avaliado em dados independentes, separados por treino, teste e validação, usando métricas como sensibilidade e especificidade, para garantir a reprodutibilidade, devem ser registrados os dados que foram utilizados, além dos hiperparâmetros e das sementes aleatórias"

"É preciso comparar o desempenho nos turnos diurno e noturno, o overfitting é indicado pela diferença entre os resultados de treino e validação, já o covariate shift é indicado por mudanças na distribuição de imagens, enquanto as falhas no processo de rotulação são evidenciadas por inconsistências identificadas na revisão manual dos rótulos."

"Uma CNN seria adequada para identificar padrões espaciais, como defeitos e bordas, pode-se utilizar um modelo pré-treinado, congelando inicialmente suas camadas e realizando fine-tunning posteriormente, sendo que algumas técnicas de data argumentation ajudam a reduzir o overfitting, como variações de iluminação e contraste"

"Tem que ser utilizado um conjunto de teste independente, além de calcular intervalos de confiança e realizar a validação cruzada, além disso, também é importante coletar mais imagens rotuladas do turno noturno antes de concluir que houve uma melhora"

"Uma previsão de 0,5 corresponde à uma frequência real de 18%, o que indica que o modelo pode estar superestimando o risco. Dessa forma, está mal calibrado e o limiar não deve ser escolhido apenas com base na interpretação de que probabilidades acima de 0,5 representam maior certeza"

"Os falsos positivos geram alarmes desnecessários, já os falsos negativos podem atrasar o atendimento de pacientes em risco, é importante que o limiar estabeleça um equilíbrio entre custos dos erros e a capacidade operacional da equipe"

"Os dados de entrada, os erros, as previsões e a calibração do modelo devem ser monitorados, sendo necessário investigar a causa ao detectar anomalias, recalibrando e/ou retreinando o modelo"

"O Word2Vec gera vetores de palavras fixos, ao passo que modelos como BERT produzem representações contextualizadas. A similaridade do cosseno mede proximidade entre vetores, porém, não garante que o documento recuperado seja relevante, correto ou atualizado"

"Apenas retornar um documento não significa que ele seja útil, a avaliação deve usar consultas com documentos relevantes previamente identificados, além de métricas como MRR e nDCG"

"A busca híbrida combina a compreensão semântica dos vetores com a busca lexical BM25, que identifica termos exatos, além de permitir filtros por metadados. Normas revogadas devem ser identificadas e excluídas das respostas atuais"

"O maior escore não garante que uma resposta esteja correta, o sistema deve responder somente quando o primeiro resultado superar o limiar mínimo T1 e sua diferença para o segundo superar T2, caso contrário, deve se abster"

"É imprescindível verificar a autoridade, a validade e a data dos documentos, se houver conflito não resolvido, o sistema deve se abster e encaminhar a consulta para revisão humana, a política deve ser testada com consultas respondíveis e não respondíveis, avaliando erros e abstenções"

"Devem ser monitoradas a taxa de abstenção, os escores de recuperação e os conflitos entre documentos, um aumento anormal nas abstenções pode indicar mudanças no perfil das consultas ou no acervo documental, exigindo revisão das fontes e dos limiares"