Transcrição da Prova — Pedro Augusto Pinto de Almeida
Matrícula: 20233004066 • Turma1 • Prova Escrita 1 (Modelo A)
Voltar ao Quadro Geral de Notas | Visualizar Laudo Oficial em HTML
Transcrição Fiel da Prova Escrita 1 — Modelo A
Informações do Cabeçalho
- Aluno: Pedro Augusto Pinto de Almeida
- Matrícula: [Não preenchido no cabeçalho; mapeado para 20233004066]
- Disciplina: Inteligência Artificial II
- Data: 19/10/2026
Questão 1 — Triagem com dados heterogêneos (5,0 pontos)
Resposta do item (a):
“O sistema não está pronto para implantação em produção. A partir da época 8, a perda de validação começa a subir, enquanto a perda de treino continua a cair, o que indica um Overffiting, ou seja, a MLP pode estar decorando os padrões da base de treino, e quando usa a base de validação, começa a ter resultados ruins. Se esse sistema fosse para produção, os resultados seriam muito piores do que no treino.”
Observações de Leitura (OCR): - Letra cursiva clara e legível. Há duas anotações em forma de rascunho acima do bloco de resposta: “fit -> treino” e “transforme -> validação”.
Resposta do item (b):
“As entradas heterogêneas são representadas na forma de matrizes. O backpropagation é usado para atualizar os parâmetros com base nos resultados da épocas anteriores para tentar diminuir o erro do resultado predito para o resultado real.”
Observações de Leitura (OCR): - Texto limpo e sem rasuras.
Resposta do item (c):
“No treinamento, a base deve ser dividida em treino, validação e teste, com fit no treino, e transform na validação para evitar vazamento de dados. Deve-se avaliar as metricas de acurácia, precisão, recall e f1-score e tentar melhorar a que faz mais sentido para a clínica. Também deve-se utilizar uma base balanceada para evitar memorização de padrões.”
Observações de Leitura (OCR): - Texto perfeitamente legível.
Questão 2 — Inspeção visual em condições novas (5,0 pontos)
Resposta do item (a):
“O modelo pode estar falhando pois foi treinado com imagens de peças durante o dia, onde o fundo pode estar mais claro do que fotos de noite. Isso pode ser um problema de overfitting, onde o modelo memorizou o fundo da imagem e não a peça.”
Observações de Leitura (OCR): - Escrita clara.
Resposta do item (b):
“Uma CNN é apropriada pois ela calcula a similaridade dos pixels para encontrar padrões. Para utilizar o modelo pré-treinado, nos congelamos os parâmetro na maior parte do treino e só descongelamos no final para realizar ajustes finos. Poderíamo também utiliza uma base com imagens sem fundo, com apenas a peça, para o modelo aprender os padrões da peça em sí.”
Observações de Leitura (OCR): - Escrita legível, termos técnicos identificáveis.
Resposta do item (c):
“Podemo utilizar imagem de peças feitas de noite tiradas durante o dia, o padronizar o local onde as imagens são feitas para não haver diferenças de fundo.”
Observações de Leitura (OCR): - Texto claro e direto.
Questão 3 — Alerta que muda decisões (5,0 pontos)
Resposta do item (a):
“O limiar em 0,50 é falho pois é aleatório, 50% das vezes ele vai acionar e 50% não, o que é um resultado muito ruim. Os profissionais podem ser alertados em horas que não precisavam e não serem acionados em vezes que precisavam.”
Observações de Leitura (OCR): - Escrita clara.
Resposta do item (b):
“Os dois devem ser minimizados, mas principalmente os falsos negativos, já que são mais graves, e os falsos positivos para diminuir a quantidade de profissionais em falsos alarmes.”
Observações de Leitura (OCR): - Texto legível.
Resposta do item (c):
[NÃO RESPONDEU / EM BRANCO]
Observações de Leitura (OCR): - Campo mantido completamente em branco pelo aluno.
Questão 4 — Busca de conhecimento para atendimento (5,0 pontos)
Resposta do item (a):
“O Word2Vec utiliza o contexto onde as palavras são utilizadas para calcular a similaridade. Se elas aparecem em frases parecidas, elas devem ser similares. Na similaridade de cosseno, quanto mais próximo de 1 o resultado mais similares as palavras, mas ela não olha para o contexto.”
Observações de Leitura (OCR): - Escrita cursiva fluida e legível.
Resposta do item (b):
“Se medir o sucesso apenas pela quantidade de resultados, o modelo pode retornar vários documentos com uma relação baixa e que nenhum responda a pergunta e ele dará como sucesso. Deve-se utiliz outras métricas para avaliação, como Recall@K, além de utilizar um filtro de similaridade, para devolver apenas os documentos com similaridade maior que esse filtro.”
Observações de Leitura (OCR): - Menção explícita a Recall@K e filtros de similaridade.
Resposta do item (c):
“Uma abordagem híbrida vai levar em conta tanto a quantidade de vezes que uma palavra aparece, quanto o contexto onde ela é utilizada, melhorando o resultado.”
Observações de Leitura (OCR): - Texto curto e legível.
Questão 5 — Assistente que pode não responder (5,0 pontos)
Resposta do item (a):
“A proposta do gestor é boa. O documento com o maior escore tem a maior chance de conter a resposta da pergunta.”
Observações de Leitura (OCR): - Texto legível.
Resposta do item (b):
[NÃO RESPONDEU / EM BRANCO]
Observações de Leitura (OCR): - Campo mantido completamente em branco pelo aluno.
Resposta do item (c):
[NÃO RESPONDEU / EM BRANCO]
Observações de Leitura (OCR): - Campo mantido completamente em branco pelo aluno.
Espaço para Rascunho ou Cálculos Adicionais (Opcional)
[NÃO UTILIZADO / EM BRANCO]