Responsible AI (IA Responsável) e Explainable AI (IA Explicável) são conceitos importantes no desenvolvimento de sistemas de inteligência artificial. A IA Explicável refere-se à capacidade de explicar como uma decisão foi tomada pelo modelo de IA, permitindo que os usuários entendam o processo de tomada de decisão. Já a IA Responsável envolve garantir que a IA seja desenvolvida e implementada de forma ética e legalmente responsável.

Nesse contexto, sobre Responsible AI, assinale a afirmativa incorreta.

No contexto dos algoritmos utilizados em análise de dados, considere os passos a seguir:

1. recebe os dados de treinamento como entrada, que incluem atributos e categorias;

2. calcula a probabilidade de cada categoria ocorrer com base na quantidade de exemplos de cada categoria no conjunto de dados;

3. calcula a probabilidade condicional para cada atributo, ou seja, a probabilidade de um atributo dada uma categoria;

4. para uma nova entrada, calcula a probabilidade de cada categoria dada a entrada;

5. seleciona a categoria com a maior probabilidade condicional como a previsão para a nova entrada;

6. repete os passos 4 e 5 para todas as entradas desconhecidas.

Assinale o algoritmo que é implementado nos passos acima.

Assinale a opção que melhor descreve a diferença entre os frameworks Apache Spark e Apache Hadoop, no contexto do processamento de Big Data.

No contexto do desenvolvimento de chatbots baseados em prompt textuais, uma habilidade importante é a resolução de ambiguidades, visando à compreensão completa do texto.

Assinale a técnica de NLP adequada nesse tipo de desenvolvimento.

A Análise de Componentes Principais (PCA) é uma técnica de transformação de dados que tem como objetivo encontrar as direções de maior variação nos dados, geralmente representadas pelos chamados componentes principais, e gerar novas representações dos dados.

Assinale o objetivo principal dessa técnica.

A análise de dados prescritiva é uma técnica de análise de dados que

Suponha que um modelo de classificação binária foi treinado para distinguir e-mails de spam de e-mails legítimos. O modelo foi testado em um conjunto de dados de teste com 200 e-mails, sendo 100 e-mails de spam e 100 e-mails legítimos.

A matriz de confusão é dada por 80 verdadeiros positivos, 85 verdadeiros negativos, 15 falsos positivos (erro tipo 1) e 20 falsos negativos (erro tipo 2).

Nessas condições, o F1-Score do modelo deve ser aproximadamente igual a

O objetivo principal do uso de técnicas de Agrupamento (Clustering) em Análise de Dados é dividir um grande conjunto de dados em subconjuntos, agrupando elementos similares em categorias distintas.

Assinale a opção que indica o tipo de algoritmo que não se enquadra nessa descrição.

As ferramentas OLAP (On-Line Analytical Processing) permitem ao usuário analisar o porquê dos resultados obtidos. Atualmente, existe disponível no mercado uma variedade dessas ferramentas com diferentes abordagens. As ferramentas OLAP, que possuem como característica principal permitir o acesso tanto aos bancos de dados relacionais quanto aos multidimensionais, são conhecidas como:

Com o objetivo de minimizar os riscos na concessão de crédito, um banco contratou uma empresa especializada em sistemas digitais para desenvolver um classificador de requisitantes de crédito em bons ou maus pagadores. Ao entregar o modelo de classificação para o banco, a empresa afirmou que o classificador havia obtido nos testes uma precisão de mais de 95%. No entanto, após alguns meses, o banco notou que o desempenho do classificador estava aquém do esperado, ficando abaixo de 60%.

Essa situação apresenta um problema de: