Laudo Oficial de Correção — Prova Teórica 1

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

Autor

Prof. Aléssio Miranda Júnior

Data de Publicação

19/10/2026

Data de Modificação

04/11/2026

NotaDados do Discente
  • Discente: Matheus Benevenuto Ferreira
  • Matrícula: 20223004509
  • Turma: Turma 2
  • Data da Avaliação: 19/10/2026
  • Pontuação Final: 6,9 / 25,0 (Aproveitamento: 27,6%)
  • Legibilidade da Caligrafia: 89% (Boa Legibilidade)

Desempenho Consolidado por Questão

Questão / Tema Pontos Obtidos Valor Aproveitamento
Q1: Triagem com dados heterogêneos 3,4 5,0 68,0%
Q2: Inspeção visual em condições novas 0,6 5,0 12,0%
Q3: Alerta que muda decisões 1,6 5,0 32,0%
Q4: Busca de conhecimento para atendimento 1,3 5,0 26,0%
Q5: Assistente que pode não responder 0,0 5,0 0,0%
TOTAL GERAL 6,9 25,0 27,6%

Questão 1 — Triagem com dados heterogêneos (3,4 / 5,0 pts)

1.a Diagnóstico da Curva de Aprendizado e Decisão de Produção (1,8 / 2,0)

NotaResposta Transcrita do Aluno

“A curva de Loss_Treino cair para as 30 épocas, mas Loss_Val começar a subir na época 8, significa overfitting, ou seja, a rede decorou os dados de treino e não se dá bem com os dados que ela não conhece. A afirmação da equipe está errada. Esse modelo não vai apresentar bons resultados para dados novos (teste).”

DicaParecer do Docente

Diagnóstico preciso e claro: identificou a divergência na Época 8 com o loss de validação subindo, caracterizou sobreajuste/memorização e refutou a implantação em produção por falha de generalização.

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

NotaResposta Transcrita do Aluno

“As entradas tem que ser todos numéricos, a rede não pode receber textos. Com isso, os atributos textuais devem ser transformados em números. O Backpropagation serve para voltar no início da rede, atualizando os pesos de acordo com o resultado da saída. A rede dando um resultado inesperado, com o backpropagation atualiza os pesos que não contribui para um resultado melhor.”

DicaParecer do Docente

Compreendeu a obrigatoriedade da representação numérica e a mecânica geral do backpropagation para atualização de pesos. Não citou os métodos específicos (normalização, One-Hot/Embeddings) nem os gradientes via regra da cadeia.

1.c Evidências Clínicas de Confiança e Reprodutibilidade (0,6 / 1,0)

NotaResposta Transcrita do Aluno

“Além do gráfico de Loss dado, ao terminar o treino, com o conjunto de teste, métricas como acurácia, precision, recall, f1, etc, são usadas para avaliar o resultado do modelo para os dados que ele nunca viu.”

DicaParecer do Docente

Citou a partição de teste para dados não vistos e um conjunto abrangente de métricas (precision, recall, f1). Omitiu a fixação de sementes aleatórias e versionamento para reprodutibilidade.

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

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

NotaResposta Transcrita do Aluno

“[NÃO RESPONDEU / EM BRANCO]”

DicaParecer do Docente

Subitem deixado em branco pelo aluno.

2.b Arquitetura Convolucional e Transferência de Aprendizado (0,6 / 2,0)

NotaResposta Transcrita do Aluno

“CNN é uma rede neural própria para trabalhar com imagens. Ao receber a imagem, consegue trabalhar com cor (RGB) ou com escala de cinza. Assim, conseguindo identificar imagens com claridade ou sem.”

DicaParecer do Docente

Reconheceu que CNNs operam sobre canais de imagens (RGB/cinza). Contudo, não abordou a transferência de aprendizado com modelo pré-treinado nem o congelamento de camadas base.

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

NotaResposta Transcrita do Aluno

“[NÃO RESPONDEU / EM BRANCO]”

DicaParecer do Docente

Subitem deixado em branco pelo aluno.

Questão 3 — Alerta que muda decisões (1,6 / 5,0 pts)

3.a Interpretação da Calibração e Crítica ao Limiar 0,50 (0,8 / 2,0)

NotaResposta Transcrita do Aluno

“Estar mal calibrado significa o modelo prever um valor onde ele tinha que acertar, isso pode ser fatal, pois o modelo pode diagnosticar um paciente sem nenhuma doença, mas ser falso. A premissa de limiar a 0,5 ser falho, faz o modelo acerta menos que ele deveria acertar.”

DicaParecer do Docente

Discutiu o impacto clínico de previsões mal calibradas. Faltou fundamentar a crítica a partir da leitura analítica da Figura 2 (onde p̂ = 0,50 corresponde a apenas 18% de risco real).

3.b Custos Assimétricos e Capacidade da Equipe Médica (0,8 / 2,0)

NotaResposta Transcrita do Aluno

“Por ser um hospital, FP tem que ter prioridade alta, pois indica que o modelo classificou algo como F sendo que tinha que ser P. Para FF, não tem que haver muita preocupação. (Anotações esquemáticas: VP, VF, FP, FF)”

DicaParecer do Docente

Descreveu a gravidade da omissão (não classificar como positivo quem precisa), embora tenha trocado a sigla para FP. Não abordou o teto operacional da equipe médica.

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

NotaResposta Transcrita do Aluno

“[NÃO RESPONDEU / EM BRANCO]”

DicaParecer do Docente

Subitem deixado em branco pelo aluno.

Questão 4 — Busca de conhecimento para atendimento (1,3 / 5,0 pts)

4.a Representação Semântica e Limitações da Similaridade de Cosseno (0,8 / 2,0)

NotaResposta Transcrita do Aluno

“Embeddings estáticos não possuem contexto pelos vetores, são apenas números no espaço. Embeddings contextualizados os vetores no espaço tem relação uns com outros.”

DicaParecer do Docente

Apontou a distinção entre vetores sem contexto e representações contextuais inter-relacionadas. Omitiu as limitações da similaridade do cosseno e a questão da vigência normativa.

4.b Avaliação Rigorosa de Recuperação (Information Retrieval) (0,0 / 1,5)

NotaResposta Transcrita do Aluno

“[NÃO RESPONDEU / EM BRANCO]”

DicaParecer do Docente

Subitem deixado em branco pelo aluno.

4.c Busca Híbrida e Governança Normativa (0,5 / 1,5)

NotaResposta Transcrita do Aluno

“Vetores puros não possui significado. Uma abordagem híbrida consegue filtrar no espaço combinações semelhantes, retornando os melhores resultados parecidos com a busca.”

DicaParecer do Docente

Mencionou o benefício de abordagens híbridas para refinar o espaço vetorial. Faltou especificar a integração entre busca léxica (BM25) e vetorial, além de metadados de vigência.

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

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

NotaResposta Transcrita do Aluno

“[NÃO RESPONDEU / EM BRANCO]”

DicaParecer do Docente

Subitem deixado integralmente em branco.

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

NotaResposta Transcrita do Aluno

“[NÃO RESPONDEU / EM BRANCO]”

DicaParecer do Docente

Subitem deixado integralmente em branco.

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

NotaResposta Transcrita do Aluno

“[NÃO RESPONDEU / EM BRANCO]”

DicaParecer do Docente

Subitem deixado integralmente em branco.

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

De volta ao topo