Segundo a LGPD, o controlador deve “comunicar à autoridade nacional e ao titular a ocorrência de incidente de segurança que possa acarretar risco ou dano relevante aos titulares”. NÃO é obrigação do controlador comunicar:

A Lei Geral de Proteção de Dados Pessoais (LGPD) prevê diversos requisitos para o tratamento de dados pessoais. Avalie se são verdadeiras (V) ou falsas (F) as afirmativas I, II e III a seguir:
São hipóteses previstas na LGPD para o tratamento de dados pessoais:

I. a realização de estudos por órgão de pesquisa, não se aplicando a este a necessidade de anonimização dos dados pessoais que serão tratados, mesmo que possível.

II. o cumprimento de obrigação legal ou regulatória pelo controlador.

III. a tutela da saúde, exclusivamente, em procedimento realizado por profissionais de saúde, serviços de saúde ou autoridade sanitária.

As afirmativas I, II e III são, respectivamente:

Sobre os impactos e riscos do uso de inteligência artificial (IA) e machine learning na saúde, é INCORRETO afirmar que:

Modelos de IA que apresentam vieses podem levar a um tratamento desigual e discriminatório contra indivíduos e grupos específicos. Imagine um modelo usado para a seleção de candidatos a vagas de emprego que privilegia homens em detrimento de mulheres, mesmo que elas sejam igualmente qualificadas. Esse tipo de viés de gênero pode perpetuar desigualdades e prejudicar a carreira de muitas mulheres. Dentre os possíveis elementos que podem mitigar esse efeito está:

Modelos de IA nem sempre são transparentes sobre quais fatores mais influenciam suas decisões. Para mitigar esse efeito, uma abordagem é usar soluções do campo de pesquisa chamado Inteligência Artificial Explicável, ou em inglês: Explainable Artificial Intelligence (XAI). O objetivo é ajudar a entender como um modelo complexo funciona, fornecendo alguma explicabilidade e/ou interpretabilidade sobre suas decisões. Sobre o uso de XAI, avalie se são verdadeiras (V) ou falsas (F) as afirmativas a seguir:

I. Métodos de interpretabilidade robustos e consistentes são elementos fundamentais para a construção de confiança e para viabilizar a responsabilização (accountability) de decisões algorítmicas.

II. No campo da saúde, a busca por modelos de IA interpretáveis é fundamental não só para dar transparência para médicos e pacientes, mas para diversas outras partes interessadas, inclusive aos órgãos reguladores.

III. Na pesquisa científica, muitas aplicações utilizam modelos baseados em redes neurais profundas, que são por natureza pouco transparentes. Neste caso, a XAI pode desempenhar um papel importante ao dar acesso aos padrões identificados durante o processo de treinamento do modelo, podendo subsidiar a geração de hipóteses de pesquisa.

As afirmativas I, II e III são, respectivamente:

Ao analisar dados do campo da saúde, é comum encontrar atributos com dados faltantes. Sobre as estratégias para lidar com essa situação em pesquisas da saúde, avalie se são verdadeiras (V) ou falsas (F) as afirmativas a seguir:

I. É importante compreender se os dados estão faltando de forma aleatória ou sistemática, o que pode influenciar a escolha da técnica apropriada para lidar com eles.

II. Uma abordagem comum é a imputação de dados, onde os valores faltantes são estimados com base em informações disponíveis.

III. A exclusão de observações com dados faltantes não é capaz de introduzir viés significativo.


As afirmativas I, II e III são, respectivamente:

A análise visual de dados, por meio de gráficos e dashboards, por exemplo, tem papel central na análise exploratória de dados. Sobre o papel da análise visual na descoberta de padrões em dados, é possível afirmar que a análise visual:

Na análise de dados textuais, é muito comum o uso de medidas de similaridade para agrupamento de documentos. Sobre a similaridade por cosseno, das afirmações utilizadas abaixo está correta:

Bases de dados desbalanceadas podem afetar os resultados de muitos algoritmos que tentam identificar padrões nesses dados. Essa é uma realidade para muitas bases da saúde, pois a prevalência de uma doença na população pode ser algo raro. Sobre o processo de rebalanceamento de bases de dados, avalie se são verdadeiras (V) ou falsas (F) as afirmativas a seguir.

I. A técnica de oversampling envolve aumentar o número de instâncias da classe minoritária (menos frequente) para equilibrar a distribuição das classes.

II. A técnica de undersampling envolve reduzir o número de instâncias da classe majoritária (mais frequente) para equilibrar a distribuição das classes.

III. Antes de aplicar a técnica de oversampling, é importante dividir os dados em conjuntos de treino e teste. A técnica de oversampling só deve ser aplicada ao conjunto de testes.

As afirmativas I, II e III são respectivamente:

Atributos numéricos diferentes podem possuir enorme discrepância de amplitude em um mesmo conjunto de dados. Por exemplo, enquanto a idade de uma pessoa tende a estar entre 0 e 130 anos, a altura em metros costuma variar entre 0,5 e 2,5. Em casos assim, alguns modelos de análise podem dar uma importância muito maior para a variável de maior amplitude (idade). Para lidar com esse efeito, é comum o uso de métodos de feature scaling disponíveis em pacotes Python como o Scikit Learn. Das opções a seguir, a única que NÃO representa um método para feature scaling é: