Transcrição da Prova — Cássio Freire

Matrícula: 20233003971 • Turma1 • Prova Escrita 1 (Modelo A)

Data de Publicação

27/10/2026

Data de Modificação

22/10/2026

Transcrição da Prova Escrita 1 — Cássio Freire

Resposta Manuscrita: > “O aumento da curva de loss-val demonstra que o modelo começa a entrar em Overfitting a partir da Época 8, portanto, a decisão de utilizar os pesos do final do treinamento está equivocada. A queda do loss do treinamento por si só não garante o seu uso na produção pois essa mede apenas o desempenho dos dados de treino, o que não necessariamente indica que o desempenho também será bom para dados inéditos.”
Observações de Leitura (OCR): Excelente análise da divergência da perda de validação vs. treino e a impropriedade de usar os pesos do final.

Resposta Manuscrita: > “As entradas precisam ser normalizadas para poderem alimentar a MLP. O backpropagation ajuda a medir a contribuição de cada peso de cada camada para a obtenção do resultado.”
Observações de Leitura (OCR): Cita normalização prévia e o papel da retropropagação na contribuição dos pesos.

Resposta Manuscrita: > “Pelo contexto clínico do problema, prever que um paciente está livre de atendimento enquanto ele deveria ser atendido é uma situação inaceitável, enquanto um alarme falso seria tolerável. Portanto, a métrica Recall é de extrema importância para a confiança do modelo.”
Observações de Leitura (OCR): Argumentação clínica sólida justificando a prioridade do Recall.

Resposta Manuscrita: > “Uma alta acurácia no treino e uma baixa/média acurácia na validação são fatores que indicam que o modelo sofre de overfitting. O fato da amostra ser pequena contribui para resultados ruins, utilizar modelos pré-treinados com amostras maiores podem ser melhores. Caso os resultados continuem divergindo, pode ser falha no processo de rotulação.”
Observações de Leitura (OCR): Relaciona discrepâncias de acurácia, escassez de dados, modelos pré-treinados e erros de rotulação.

Diagrama / Elemento Visual: Sem diagrama esquemático.
Resposta Manuscrita: > “Utilizar o modelo pré-treinado, inicialmente com a base congelada e descongelar com o tempo a partir das camadas mais externas e realizar ajuste fino no final.”
Observações de Leitura (OCR): Citação técnica exata de congelamento inicial e descongelamento progressivo para fine-tuning.

Resposta Manuscrita: > “Comparar o desempenho utilizando outras fotos noturnas ajudaria a decidir se o modelo priorizou a cor do fundo ou a peça em si para tomar a decisão.”
Observações de Leitura (OCR): Alerta pertinente sobre atalhos espúrios (cor do fundo vs. defeito na peça).

Diagrama / Elemento Visual: Sem alterações no gráfico da Figura 2.
Resposta Manuscrita: > “Como o modelo provavelmente não atingirá 100% de acurácia na validação, a escolha de 0,5 para o limiar achando que ele garantiria metade dos casos foi ruim. Um modelo mal calibrado soltaria alarmes falso para pacientes saudáveis e não alertaria pacientes em situação crítica.”
Observações de Leitura (OCR): Conecta a descalibração à emissão de alarmes falsos e negligência de pacientes críticos.

Resposta Manuscrita: > “A capacidade de identificar Falso Positivo e Negativo é métrica de extrema importância para a escolha do ponto operacional. Assim, o teto de capacidade seria direcionado mais certamente aos casos Verdadeiros.”
Observações de Leitura (OCR): Reconhece a importância do balanceamento entre falsos positivos/negativos em função da capacidade da equipe.

Resposta Manuscrita: > “A utilização da equipe médica nos casos de detecção de anomalias é importante para definir a natureza do ocorrido.”
Observações de Leitura (OCR): Sugere intervenção da equipe médica diante de anomalias detectadas.

Resposta Manuscrita: > “O uso da similaridade de cosseno nos embeddings estáticos faz com que este meça apenas a proximidade léxica das sentenças, ignorando o contexto/sentido presente nelas.”
Observações de Leitura (OCR): Destaca que embeddings estáticos não capturam o contexto/sentido semântico das sentenças.

Resposta Manuscrita: > “A mera proporção de consultas com retorno por si só não garante que o retorno de fato faz sentido para a consulta.”
Observações de Leitura (OCR): Critica a métrica simplista apontando a necessidade de pertinência real do documento retornado.