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

Mariana Luciano Moraes

Matrícula: 20233007710 Turma: Turma 2 Data: 19/10/2026 Caligrafia: 95% (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)	4,9	5,0	98,0%
Questão 2	Inspeção visual em condições novas (CNN e Transfer Learning)	4,9	5,0	98,0%
Questão 3	Alerta que muda decisões (Calibração e Custos Clínicos)	5,0	5,0	100,0%
Questão 4	Busca de conhecimento (Embeddings, IR e Busca Híbrida)	4,7	5,0	94,0%
Questão 5	Assistente com abstenção (RAG, Limiares e Governança)	4,7	5,0	94,0%
TOTAL	Nota Consolidada da Avaliação	24,2	25,0	96,8%

Questão 1 — Triagem com dados heterogêneos

4,9 / 5,0

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

1,9 / 2,0

Resposta Transcrita do Aluno:

"A avaliação: Incorreta a curva de validação a subir indica overfitting impedindo o uso em produção"

Parecer Analítico do Docente:

Resposta direta, precisa e categórica: identificou o sobreajuste pela curva de perda de validação ascendente a partir da Época 8, vetando a ida para produção.

1.b Representação de Entradas Heterogêneas e Retropropagação

2,0 / 2,0

Resposta Transcrita do Aluno:

"Normalizar dados numericos e usar One-Hot, Embeddings em categoricos, a retropropagação calcula gradientes para ajustar os pesos"

Parecer Analítico do Docente:

Nota integral. Cobriu todos os requisitos: normalização numérica, One-Hot e Embeddings para variáveis categóricas, e cálculo de gradientes para ajuste de pesos via retropropagação.

1.c Evidências Clínicas de Confiança e Reprodutibilidade

1,0 / 1,0

Resposta Transcrita do Aluno:

"Usar conjunto de teste cego métricas clínicas (Sensibilidade AUC-ROC) e fixar random seeds."

Parecer Analítico do Docente:

Síntese exemplar: partição de teste cego independente, métricas clínicas adequadas (Sensibilidade, AUC-ROC) e garantia de reprodutibilidade por fixação de sementes aleatórias.

Questão 2 — Inspeção visual em condições novas

4,9 / 5,0

2.a Diagnóstico Experimental do Aumento de Alertas

2,0 / 2,0

Resposta Transcrita do Aluno:

"Comparar distribuições de entrada entre turno diurno e noturno (iluminação, contraste, ruído). Inspecionar uma amostra das imagens noturnas que geraram alerta falso e re-rotulá-las manualmente. Avaliar o desempenho em subconjuntos separados por turno. Covariate shift (mudança na iluminação/pixels), overfitting (erro em validação) ou Erro de Rotulação (inconsistência na anotação)."

Parecer Analítico do Docente:

Excelente delineamento experimental: discriminou as três hipóteses concorrentes (covariate shift por iluminação, sobreajuste por erro em validação e erro de rotulação por re-anotação manual de amostras).

2.b Arquitetura Convolucional e Transferência de Aprendizado

1,9 / 2,0

Resposta Transcrita do Aluno:

"Congelar camadas iniciais da CNN e ajustar as finais, aplicar variação de brilho e contrastes e Dropout"

Parecer Analítico do Docente:

Prescrição técnica completa: fine-tuning com congelamento das camadas iniciais da CNN, data augmentation focado em variações luminosas e regularização com Dropout.

2.c Cautela Amostral e Validação Metodológica

1,0 / 1,0

Resposta Transcrita do Aluno:

"Usar validação cruzada estratificada para gerar intervalos de confiança nas metricas (evitando que poucas amostras distorçam a avaliação). Aplicar teste de hipótese, antes de afirmar que a alteração no modelo trouxe uma melhoria real e estatisticamente relevante"

Parecer Analítico do Docente:

Rigor científico impecável: validação cruzada estratificada, intervalos de confiança e testes formais de hipótese para certificar significância estatística.

Questão 3 — Alerta que muda decisões

5,0 / 5,0

3.a Interpretação da Curva de Calibração e Crítica ao Limiar

2,0 / 2,0

Resposta Transcrita do Aluno:

"Falha p̂ = 0,50 equivale a apenas 18% de risco real (82% alarmes falsos). Probabilidades irreais geram fadiga de alarme e desconfiança médica"

Parecer Analítico do Docente:

Nota integral. Extraiu com exatidão o ponto da curva (previsão de 50% corresponde a 18% de risco real, gerando 82% de alarmes falsos) e diagnosticou fadiga de alarme no corpo médico.

3.b Custos Assimétricos e Capacidade Operacional

2,0 / 2,0

Resposta Transcrita do Aluno:

"Falsos negativo é critico (risco a saúde), mas o modelo superconfiante gera excesso de Falsos positivo. O limiar deve ser recalibrado para que o volume de alerta não ultrapasse o teto da equipe médica"

Parecer Analítico do Docente:

Excelente ponderação: equilibrou a gravidade vital do falso negativo com o teto de capacidade física da equipe médica frente à superconfiança do modelo.

3.c Telemetria Contínua e Protocolo de Degradação

1,0 / 1,0

Resposta Transcrita do Aluno:

"Monitorar Data Drift (entradas) e Concept Drift (discordancia medica). Ação: ativar fallback (triagem humana) e re-treinar o modelo"

Parecer Analítico do Docente:

Diferenciou perfeitamente Data Drift de Concept Drift e propôs o protocolo correto de contingência com ativação de fallback para triagem humana e retreino.

Questão 4 — Busca de conhecimento para atendimento

4,7 / 5,0

4.a Representação Semântica e Limitações do Cosseno

1,8 / 2,0

Resposta Transcrita do Aluno:

"Word2vec é estatico, transformers usam contextualizados. O cosseno mede apenas proximidade temática global"

Parecer Analítico do Docente:

Diferenciou com precisão embeddings estáticos e contextuais via Transformers, observando que a similaridade do cosseno reflete proximidade temática, não relevância normativa pontual.

4.b Métricas e Protocolo de Avaliação de Recuperação

1,4 / 1,5

Resposta Transcrita do Aluno:

"Apenas ter retorno não garante precisão usar metricas como MRR"

Parecer Analítico do Docente:

Rejeitou a contagem simplista de retorno bruto e prescreveu a métrica canônica de ranking em Information Retrieval (MRR - Mean Reciprocal Rank).

4.c Busca Híbrida e Governança de Validade Normativa

1,5 / 1,5

Resposta Transcrita do Aluno:

"combinar BM25 (lexical) com vetores densos (sematicos) aplicar filtros por metadados."

Parecer Analítico do Docente:

Definição precisa da busca híbrida: fusão de busca lexical exata (BM25) com vetores densos semânticos e filtros estritos por metadados.

Questão 5 — Assistente que pode não responder

4,7 / 5,0

5.a Contestação do Maior Escore e Desenho da Abstenção

2,0 / 2,0

Resposta Transcrita do Aluno:

"O maior escore falha em consultas ambiguas abster-se se o escore for menor que t1 ou se a diferença entre o 1º e 2º for menor que t2"

Parecer Analítico do Docente:

Formulação canônica perfeita: contestou a regra de maior escore e definiu os dois limiares clássicos de abstenção (τ₁ para corte mínimo e τ₂ para margem competitiva).

5.b Conflito Normativo e Validação Pré-Implantação

1,8 / 2,0

Resposta Transcrita do Aluno:

"Priorizar normas recentes por metadados e testar o sistema com cenarios sem respostas conflitantes"

Parecer Analítico do Docente:

Governança clara por recência/vigência em metadados e validação com banco de teste contendo cenários propositalmente sem resposta.

5.c Telemetria e Impacto Operacional

0,9 / 1,0

Resposta Transcrita do Aluno:

"Olhar a taxa de abstenção, aumentos indicam duvidas dos utilizadores ou duplicidade"

Parecer Analítico do Docente:

Boa leitura de telemetria: correlacionou oscilações anormais na taxa de abstenção a novos padrões de dúvidas ou duplicidade/conflito no acervo normativo.