Em um projeto escolar de Computação, estudantes desenvolveram um modelo para identificar espécies marinhas em…
Publicado por Alexandre Lombardi dos Santos, fundador do GeraProva
Conhecer os fundamentos da Inteligência Artificial, comparando-a com a inteligência humana, analisando suas potencialidades, riscos e limites.
Fonte: Base Nacional Comum Curricular (MEC).Questão
Em um projeto escolar de Computação, estudantes desenvolveram um modelo para identificar espécies marinhas em fotografias. Inicialmente, o conjunto de treinamento continha apenas imagens feitas em águas rasas, claras e com boa iluminação. Quando o modelo foi usado em fotografias de águas profundas, turvas e com diferentes ângulos, seus erros aumentaram. Após incluírem imagens variadas, os estudantes observaram resultados mais consistentes em situações que não apareciam no treinamento inicial. Com base no texto, qual é a principal razão computacional para utilizar dados variados no treinamento de um modelo de inteligência artificial?
- A) A diversidade do conjunto de treinamento aumenta somente o espaço ocupado pelos arquivos armazenados.
- B) A diversidade do conjunto de treinamento permite dispensar a identificação das categorias presentes nas imagens.
- C) A diversidade do conjunto de treinamento elimina a necessidade de testar o modelo em situações diferentes.
- D) A diversidade do conjunto de treinamento reduz vieses e melhora a generalização do modelo para novos contextos.
- E) A diversidade do conjunto de treinamento garante que o modelo nunca cometerá erros durante seu uso.
✅ Resposta correta: alternativa D
Resolução passo a passo
- O texto descreve um modelo treinado apenas com imagens de águas rasas, claras e bem iluminadas, que piorou ao ser usado em águas profundas, turvas e com outros ângulos. Depois de incluir imagens variadas, o desempenho ficou mais consistente, inclusive em situações que não apareciam no treinamento inicial.
- Isso mostra o principal ponto computacional: um modelo aprende padrões a partir dos dados de treinamento. Se esses dados são restritos, ele tende a funcionar bem apenas no tipo de situação que viu, e as diferenças de contexto (turbidez, profundidade, ângulo) geram erros. Ao usar dados variados, o modelo passa a capturar padrões mais gerais e a reduzir vieses causados por um conjunto homogêneo, o que melhora a generalização para novos contextos.
- Por isso a alternativa D é a correta, e ela coincide com o gabarito oficial.
- A alternativa A está errada porque o texto trata de desempenho e erros do modelo, não de espaço de armazenamento. A alternativa B está errada porque identificar as categorias continua necessário para o treinamento supervisionado. A alternativa C está errada porque a diversidade não elimina a necessidade de testar o modelo; ao contrário, o teste em situações novas é o que revela se a generalização funcionou. A alternativa E está errada porque nenhum modelo de IA fica livre de erros, e o texto fala apenas em resultados mais consistentes, não perfeitos.
💡 Dica: Relacione a variedade dos dados à capacidade de o modelo funcionar bem em situações novas.
Alternativa por alternativa
O aluno entendeu que mais diversidade significa apenas mais dados e mais arquivos ocupando espaço, ignorando que o foco do texto é o desempenho do modelo.
O aluno acredita que, com dados variados, não é mais preciso identificar o que cada imagem representa, confundindo diversidade com ausência de rotulagem.
O aluno supõe que, por treinar com muitas situações, o modelo dispensa testes posteriores, quando na verdade os testes em contextos novos são o que valida a generalização.
O conjunto inicial representava apenas condições muito específicas, o que fazia o modelo apresentar mais erros diante de imagens diferentes. A inclusão de exemplos variados permite que o modelo identifique padrões relevantes em vez de depender de características particulares das imagens de treinamento, melhorando sua generalização e reduzindo vieses.
O aluno interpreta 'resultados mais consistentes' como garantia de acerto total, uma leitura de senso comum que ignora que modelos de IA sempre têm alguma taxa de erro.
Por que engana: O aluno pode confundir variedade dos dados com aumento do armazenamento ou acreditar que mais exemplos eliminam completamente os erros do modelo.
Raio-X da questão
Generalização em inteligência artificial
avaliacao
Treinamento de modelos de IA · Vieses em dados
Revise como dados variados reduzem vieses e favorecem a generalização de modelos de inteligência artificial.
O aluno pode confundir variedade dos dados com aumento do armazenamento ou acreditar que mais exemplos eliminam completamente os erros do modelo.
ciencia_tecnologia
tomada_decisao
cientifico
Questões parecidas com resolução
- Um programa de IA foi treinado com muitas fotos de gatos e cachorros para aprender a diferenciar os dois. Para que serve…
- Um programa de IA foi treinado com muitas fotos de gatos e cachorros para aprender a separar as imagens. Para ele…
- Estudo recente avaliou um sistema de inteligência artificial usado por um banco para aprovar pedidos de empréstimo. O…
- Um professor explicou que alguns sistemas de inteligência artificial melhoram seu desempenho depois de analisar muitos…
- Por que é importante usar dados corretos e respeitosos ao treinar uma inteligência artificial?
- Um programa de IA aprende melhor quando recebe: O que ajuda um programa de IA a aprender melhor?
🔎 Procurar outra questão
Procure no banco do GeraProva pelo tema ou por um trecho do enunciado. Cada questão já vem com resolução comentada e a análise de cada alternativa.
Professor: monte a prova com questões como esta, com gabarito e folha de respostas, em 30 segundos. Ver planos · Blog