Transcrição da Prova — Marcela Freitas Mariano
Matrícula: 20233003980 • 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: Marcela Freitas Mariano
Matrícula: 20233003980
Turma: turma2
Taxa de Legibilidade Estimada: 93%
Questão 1 — Triagem com dados heterogêneos (5,0 pontos)
Item 1.a — Figura 1 e Decisão de Produção (2,0 pontos)
“Revela que o modelo entrou em fase de decoragem (overfitting), já que a perda do treino continua caindo mas a perda de validação começa a subir, a partir da Época 8. Como o modelo começa a decorar os dados, o modelo se torna ineficaz e impossibilita que o sistema esteja pronto para produção.”
Observações de Leitura (OCR): Cursiva elegante e uniforme; identifica a quebra de generalização na época 8 e a memorização (“decoragem”) incompatível com produção.
Item 1.b — Representação e Retropropagação (2,0 pontos)
“Elas devem passar pelas camada de entrada (recebe os dados), camadas ocultas (extraem os padrões) e camada de saída (toma a decisão) para assim alimentar a MLP.”
Observações de Leitura (OCR): Descreve a arquitetura canônica da MLP em camadas (entrada, ocultas e saída).
Item 1.c — Evidências de Confiança e Reprodutibilidade (1,0 ponto)
“Verificar se as funções de ativação são não lineares, no caso se possui, porque sem funções de ativação não lineares, a combinação de multiplas camadas empilhadas se reduz matematicamente a uma única transformação linear simples.”
Observações de Leitura (OCR): Resposta teórica impecável sobre a necessidade de não linearidades para evitar o colapso linear da rede neural profunda.
Questão 2 — Inspeção visual em condições novas (5,0 pontos)
Item 2.a — Diagnóstico Experimental (2,0 pontos)
“A utilização de filtros pequenos que deslizarão pela imagem extraindo hierarquias (bordas, texturas, formas completas) com compartilhamento de pesos.”
Observações de Leitura (OCR): Detalha o princípio computacional de convoluções locais com compartilhamento de parâmetros.
Item 2.b — Arquitetura e Transferência de Aprendizado (2,0 pontos)
“Redes convolucionais são apropriadas para esse problema porque as peças são semelhantes sendo necessário identificar os detalhes para diferenciar. Para mitigar a escassez de dados, a reutilização de modelos pré-treinados congelando suas camadas base e treinando apenas a cabeça classificadora (Transfer Learning) é uma boa opção.”
Observações de Leitura (OCR): Justifica a arquitetura convolucional e define transferência de aprendizado (Transfer Learning) congelando a base extratora e treinando a cabeça.
Item 2.c — Cautela Amostral (1,0 ponto)
“Utilizando o GAP que calcula a média de cada mapa de características, reduzindo drasticamente os parâmetros e atuando como regularizador.”
Observações de Leitura (OCR): Cita a técnica de Global Average Pooling (GAP) como substituto regularizador de camadas densas.
Questão 3 — Alerta que muda decisões (5,0 pontos)
Item 3.a — Interpretação da Calibração e Crítica ao Limiar (2,0 pontos)
“É falho porque a intensão do hospital é utilização do modelo para uma resposta rápida, ou seja, ele quer que o modelo acerte mais no chamado e fixar no limiar de 0,5 reduz a probabilidade de ele acertar mais. Nesse contexto clínico, estar mal calibrado significa atender menos pacientes que tiverem piora ou mesmo haver enganos.” (Desenho esquemático de matriz de confusão com rótulos P, F e quadrantes ‘OK’)
Observações de Leitura (OCR): Aponta a inadequação do corte cego em 0,50 diante de modelo mal calibrado e desenha matriz de confusão.
Item 3.b — Custos Assimétricos e Capacidade Operacional (2,0 pontos)
“Devem ser ponderados de forma que haja menos Falsos Positivos já que não alertar a equipe quando um paciente tem piora, pode ocasionar a morte do mesmo, devendo ser um foco de ajuste.”
Observações de Leitura (OCR): A justificativa refere-se diretamente ao risco fatal de não alertar a piora clínica (custo do Falso Negativo), embora tenha grafado o termo “Falsos Positivos” no início.
Item 3.c — Telemetria e Deriva de Conceito (1,0 ponto)
[NÃO RESPONDEU / EM BRANCO]
Observações de Leitura (OCR): Campo deixado em branco pela aluna.
Questão 4 — Busca de conhecimento para atendimento (5,0 pontos)
Item 4.a — Representação Semântica e Limitações do Cosseno (2,0 pontos)
“O uso de embeddings estáticos como o Word2Vec prevê o contexto a partir da palavra central ou vice-versa. Já os contextualizados transforma perguntas e trechos de textos (‘chunks’) em vetores para resgatar os documentos mais afins com base na proximidade angular. As limitações da similaridade de cosseno está na distância angular dos vetores, sendo mais próximo (+ real), mais distante (- real).”
Observações de Leitura (OCR): Compara Word2Vec (janela local de Skip-gram/CBOW) com vetores contextuais divididos em chunks para proximidade angular.
Item 4.b — Avaliação Rigorosa de Recuperação (1,5 pontos)
“Medir o sucesso pela mera proporção de consultas com retorno é inadequado porque o modelo pode ter agrupado palavras com significados distintos por ter decorado um padrão errado.”
Observações de Leitura (OCR): Destaca o risco de retornos espúrios onde palavras distintas são agrupadas incorretamente.
Item 4.c — Busca Híbrida e Governança (1,5 pontos)
“Através do RAG que recebe problemas de conhecimento desatualizados (normas antigas desatualizadas) e alucinações sem a necessidade de re-treinar o modelo base, utilizando a busca semântica (cosseno + embeddings) no banco vetorial.”
Observações de Leitura (OCR): Estrutura o arcabouço de RAG para contornar obsolescência documental sem retreinamento do modelo fundacional.
Questão 5 — Assistente que pode não responder (5,0 pontos)
Item 5.a — Contestação do Maior Escore e Desenho da Abstenção (2,0 pontos)
[NÃO RESPONDEU / EM BRANCO]
Observações de Leitura (OCR): Campo deixado integralmente em branco pela aluna.
Item 5.b — Conflito de Fontes e Validação Prévia (2,0 pontos)
[NÃO RESPONDEU / EM BRANCO]
Observações de Leitura (OCR): Campo deixado integralmente em branco pela aluna.
Item 5.c — Telemetria e Impacto Operacional (1,0 ponto)
[NÃO RESPONDEU / EM BRANCO]
Observações de Leitura (OCR): Campo deixado integralmente em branco pela aluna.
Espaço para Rascunho ou Cálculos Adicionais (Opcional)
[NÃO RESPONDEU / EM BRANCO]