Transcrição da Prova — Lizandra Abelha Coelho Barbosa
Matrícula: 20223004474 • Turma2 • Prova Escrita 1 (Modelo A)
Voltar ao Quadro Geral de Notas | Visualizar Laudo Oficial em HTML
Transcrição Fiel da Prova Escrita 1 — Modelo A
Discente: Lizandra Abelha Coelho Barbosa
Matrícula: 20223004474
Turma: turma2
Taxa de Legibilidade Estimada: 91%
Questão 1 — Triagem com dados heterogêneos (5,0 pontos)
Item 1.a — Figura 1 e Decisão de Produção (2,0 pontos)
“Uma perda grande no treinamento não necessariamente se revela na validação. Pode ocorrer o overfitting, já que bom treinamento talvez não gere boa generalização. Na época 8 em específico o treino e validação se distanciam ‘boca de jacaré’ mostrando o overfitting.”
Observações de Leitura (OCR): Cursiva nítida em tinta esferográfica escura; destaca a perda de generalização e a metáfora visual clássica de divergência (“boca de jacaré”).
Item 1.b — Representação e Retropropagação (2,0 pontos)
“Para se representar as entradas heterogêneas na MLP se usa a normalização e Z-score para ficarem em escala. Durante o backpropagation são avaliados as derivadas parciais dos pesos, isso ocorre de trás pra frente, isso ajuda a avaliar onde o maior erro aconteceu, e reverbera até o fim, essa análise ajuda a encontrar os parâmetros de maior erro e ajustá-los.”
Observações de Leitura (OCR): Menciona padronização Z-score e explica o cálculo das derivadas parciais em sentido reverso (cadeia de gradientes).
Item 1.c — Evidências de Confiança e Reprodutibilidade (1,0 ponto)
“Separação entre treino, validação e teste para reprodutibilidade, também faria a matriz de confusão para analisar TP TN FP FN e deles extrairia o precision e recall e F1.”
Observações de Leitura (OCR): Cita divisão tripla de conjuntos e avaliação multidimensional com base na matriz de confusão.
Questão 2 — Inspeção visual em condições novas (5,0 pontos)
Item 2.a — Diagnóstico Experimental (2,0 pontos)
“Resultados práticos: sobreajuste se tivesse decorado tudo da peça diurna. A mudança de distribuição: mudança do treino p noturno. E falha no processo de rotulação que é o verdadeiro problema já que a rede memorizou mais características de contexto do que o objeto de estudo, fazendo assim disparar defeitos que não são do objeto e sim do contexto.”
Observações de Leitura (OCR): Excelente percepção do aprendizado de correlações espúrias de contexto/fundo (atalhos visuais induzidos pelo turno).
Item 2.b — Arquitetura e Transferência de Aprendizado (2,0 pontos)
“Estratégia: importação de base pré-treinada, congelamento / desligamento dos parâmetros durante as camadas intermediárias, descongelar no final do treino e ajustar as taxas de aprendizado para ficarem pequenas. E a CNN é apropriada pois é capaz de pegar características em imagens.”
Observações de Leitura (OCR): Aponta a extração de representações visuais pela CNN e descreve a transição de congelamento com ajuste fino sob taxa de aprendizado reduzida.
Item 2.c — Cautela Amostral (1,0 ponto)
“Aumentar a patience e garantir que o modelo generalizou o objeto e não o que o rodeia.”
Observações de Leitura (OCR): Ressalta a necessidade de garantir invariância a artefatos de fundo antes da implantação.
Questão 3 — Alerta que muda decisões (5,0 pontos)
Item 3.a — Interpretação da Calibração e Crítica ao Limiar (2,0 pontos)
“A premissa de 0,5 é falha pois de acordo com a figura 2 dá p extrair que prevista alta não se reflete na frequência real, e de acordo com uma ideal grande parte dos chamados não seria realizada. E este classificador estar mal calibrado significa que nesse contexto vão ocorrer muitos falsos positivos.”
Observações de Leitura (OCR): Leitura correta da curva de calibração abaixo da diagonal ideal, indicando excesso de falsos alarmes pela superestimação de risco.
Item 3.b — Custos Assimétricos e Capacidade Operacional (2,0 pontos)
“Este modelo deve priorizar o Recall pois o peso de deixar alguém doente sem ajuda é alto, porém deve levar em consideração a operacionalidade da equipe, e isso deve ser ponderado na escolha do limiar.”
Observações de Leitura (OCR): Identifica a prioridade ética da sensibilidade (Recall) ponderada contra a capacidade de atendimento da equipe médica.
Item 3.c — Telemetria e Deriva de Conceito (1,0 ponto)
“A rede deve ser bem treinada nos casos normais para ser capaz de identificar o que for diferente e a ação técnica a ser tomada é o aviso e tratamento dessa situação.”
Observações de Leitura (OCR): Propõe detecção de anomalias/desvios de distribuição com alertas operacionais.
Questão 4 — Busca de conhecimento para atendimento (5,0 pontos)
Item 4.a — Representação Semântica e Limitações do Cosseno (2,0 pontos)
“As embeddings estáticas calcula o contexto no espaço vetorial enquanto as contextualizadas leva em consideração os contextos do material fornecido. A similaridade do cosseno tem limitação em relação a busca léxica já que não possui muita correspondência, além de dar a relevância das relações dos vetores o que não tem necessariamente significado real além do probabilístico.”
Observações de Leitura (OCR): Diferencia embeddings por contexto dinâmico e discute os limites da proximidade angular frente a correspondências literais exatas.
Item 4.b — Avaliação Rigorosa de Recuperação (1,5 pontos)
“Apenas a proporção de retorno é errado pois não leva em consideração a qualidade e correspondência desse retorno e considerando que a IA sempre dá um retorno (se não tiver condição de stop) ter retorno não se torna boa métrica.”
Observações de Leitura (OCR): Crítica perspicaz ao viés de complacência em que modelos sempre retornam algo independentemente da pertinência.
Item 4.c — Busca Híbrida e Governança (1,5 pontos)
“A busca híbrida superaria as limitações pois seria uma combinação de semântica com a léxica gerando melhor resultado. E para tratamento usaria a normalização L2 que retiraria o comprimento dos vetores.”
Observações de Leitura (OCR): Define o conceito central da busca híbrida integrando correspondência léxica e densa.
Questão 5 — Assistente que pode não responder (5,0 pontos)
Item 5.a — Contestação do Maior Escore e Desenho da Abstenção (2,0 pontos)
“A proposta do gestor deve ser avaliada, pois como os dados são dinâmicos o de maior score pode não refletir a melhor resposta. Houve o pedido, avalia os scores dos documentos, devem ser maior que o mínimo, se sim pega os dois maiores resultados.”
Observações de Leitura (OCR): Propõe verificação de limiar mínimo e análise de dispersão entre os primeiros colocados para evitar respostas arbitrárias.
Item 5.b — Conflito de Fontes e Validação Prévia (2,0 pontos)
“Trate os documentos de norma conflitante selecionando o de maior correspondência com a pergunta. Determine a taxa mínima para resposta, se atender aos critérios devolve a resposta senão informe que não é possível e pede para tentar novamente.”
Observações de Leitura (OCR): Descreve mecanismo de fallback com mensagem de abstenção quando o critério de certeza não é atingido.
Item 5.c — Telemetria e Impacto Operacional (1,0 ponto)
“Monitoro com as porcentagem de perguntas que estão sendo respondidos, se a taxa diminuir significa falta de correspondência o que mostra mudanças na base ou perguntas.”
Observações de Leitura (OCR): Aponta a telemetria da taxa de abstenção como indicador direto de obsolescência de base ou deslocamento da distribuição de perguntas (query drift).
Espaço para Rascunho ou Cálculos Adicionais (Opcional)
[NÃO RESPONDEU / EM BRANCO]