Transcrição da Prova — Thiago Victor de Jesus Moura
Matrícula: 20233004511 • 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: Thiago Victor de Jesus Moura
- Matrícula: 20233004511
- Disciplina: Inteligência Artificial II
- Data: 19/10/2026
Questão 1 — Triagem com dados heterogêneos (5,0 pontos)
Resposta do item (a):
“Não está pronto pois há a presença de overfitting, observado pela queda contínua do loss de treino e a separação e crescimento do loss de validação a partir da época 8, indica que o modelo começou a decorar os dados.”
Observações de Leitura (OCR): - Escrita cursiva fluida e perfeitamente legível.
Resposta do item (b):
“Para as features numéricas, utilizar Standard Scaler. Aplicando o fit_transform no treino e transform no teste. Para as features categóricas, One Hot Encoding. Backpropagation é um algoritmo de otimização do gradiente para atualização dos pesos, utiliza a regra da cadeia para calcular o gradiente com base na função loss.”
Observações de Leitura (OCR): - Cita métodos específicos de pré-processamento (StandardScaler, One-Hot Encoding) e regra da cadeia.
Resposta do item (c):
“Utilização de métricas como Recall, Acurácia, F1-Score e também matriz de confusão. Para a reprodução do experimento, é essencial salvar os pesos do modelo.”
Observações de Leitura (OCR): - Texto limpo e sem rasuras.
Questão 2 — Inspeção visual em condições novas (5,0 pontos)
Resposta do item (a):
“Utilizar imagens com diferentes luminosidades, fundo de imagens diferente (indicará se o modelo decorou o fundo). Utilizar peças em posições diferentes, pois o modelo pode ter decorado a posição da peça.”
Observações de Leitura (OCR): - Letra legível.
Resposta do item (b):
“A CNN é indicada por utilizar filtros deslizantes sobre a imagem, ao invés de conectar todos os pixels a todos os neurônios. Utilizar um modelo já pré-treinado é interessante pelo fato de já haver conhecimento adquirido, sendo necessário uma nova camada apenas para classificar a imagem mais específicas.”
Observações de Leitura (OCR): - Menção explícita a filtros deslizantes (convoluções).
Resposta do item (c):
“Realizar novo treinamento com as imagens noturnas é uma opção, tendo uma nova base de treino e testes para cenários específicos noturnos.”
Observações de Leitura (OCR): - Texto claro.
Questão 3 — Alerta que muda decisões (5,0 pontos)
Resposta do item (a):
“Nesse contexto, um classificador mal calibrado é um que classifica uma ocorrência necessária real como sendo falsa.”
Observações de Leitura (OCR): - Texto direto e legível.
Resposta do item (b):
“Deve-se priorizar o aumento de verdadeiros positivos e diminuir o número de falsos positivos, proporcionando melhor atendimento a quem realmente precisa. O custo de falsos positivos é ruim, pois estoura a capacidade operacional da equipe.”
Observações de Leitura (OCR): - Conexão explícita com a capacidade da equipe.
Resposta do item (c):
“Acompanhamento frequente das métricas e matrizes de confusão, se necessário, retreinando o modelo com mais dados.”
Observações de Leitura (OCR): - Resposta concisa e legível.
Questão 4 — Busca de conhecimento para atendimento (5,0 pontos)
Resposta do item (a):
“No Word2Vec palavras são mapeadas para vetores, e palavras relacionadas são próximas entre si com base em seu contexto. Entretanto, o vetor não carrega em si próprio, o seu contexto. A similaridade do cosseno pode falhar ao não considerar totalmente o contexto da palavra.”
Observações de Leitura (OCR): - Escrita clara.
Resposta do item (b):
“Porque o modelo pode errar e trazer respostas que não fazem sentido com aquilo que foi pedido. É necessário se utilizar a união de métricas específicas como suporte, confiança e lift”
Observações de Leitura (OCR): - (Nota de digitalização: No documento escaneado em PDF, as folhas de páginas 5 e 6 foram escaneadas em ordem invertida; as respostas foram devidamente indexadas aos seus respectivos subitens impressos).
Resposta do item (c):
“A abordagem híbrida surge com efeito pois, além de considerar o resultado semântico, ela também leva em consideração a aparição léxica de palavras da query em questão.”
Observações de Leitura (OCR): - Texto legível.
Questão 5 — Assistente que pode não responder (5,0 pontos)
Resposta do item (a):
“É necessário fixar limiares de comparação, por mais que um documento possa ter o maior escore entre todos em uma consulta, não significa que tem uma resposta correta. Se não atingir os limiares, deve haver abstenção.”
Observações de Leitura (OCR): - Argumentação clara sobre abstenção baseada em limiares.
Resposta do item (b):
“Utilizando um validador básico, com métricas de suporte, lift e confiança antes de responder ao usuário, abstenção de resultados que não atingem limiares básicos.”
Observações de Leitura (OCR): - Texto legível.
Resposta do item (c):
“Através de gráficos, por exemplo. Se houver muitas abstenção, é indicativo de que os documentos não fazem sentido de resposta para as perguntas.”
Observações de Leitura (OCR): - Texto legível.
Espaço para Rascunho ou Cálculos Adicionais (Opcional)
[NÃO UTILIZADO / EM BRANCO]