De acordo com a Lei Geral de Proteção de Dados Pessoais, no contexto de um sistema informatizado de um órgão público, é atribuição do encarregado de dados tomar decisões referentes ao tratamento de dados pessoais, a exemplo da definição das finalidades do respectivo tratamento.

Considerando-se que os sistemas baseados na arquitetura RAG são projetados para mitigar limitações dos grandes modelos de linguagem, como a alucinação factual e a dificuldade de atualização constante, é correto afirmar que o uso do RAG permite incorporar documentos normativos, jurisprudência ou doutrina diretamente no processo de geração de respostas, viabilizando consultas mais confiáveis, com rastreabilidade das fontes e sem a necessidade de retreinamento do modelo-base.

Embora a biblioteca Hugging Face ofereça suporte a múltiplos frameworks, alguns modelos específicos — especialmente os mais antigos, originalmente treinados em TensorFlow — podem apresentar dificuldades de integração em pipelines de inferência desenvolvidos em PyTorch, como os utilizados em aplicações jurídicas; nesses casos, pode ser recomendável adaptar ou reconstruir o modelo em PyTorch para assegurar compatibilidade e controle total sobre o fluxo de dados.

Em análise preditiva, algoritmos de classificação podem ser treinados a partir de conjuntos de dados sem rótulos; sendo o processo de ajuste dos parâmetros pelo algoritmo com base nesses dados denominado aprendizado supervisionado.

Em um pipeline de pré-processamento de linguagem natural aplicado ao domínio jurídico, a tokenização deve, necessariamente, ser precedida pela lematização, uma vez que a lematização opera sobre formas canônicas já segmentadas.

Após o treinamento de modelos de inteligência artificial, recomenda-se eliminar os dados pessoais não anonimizados dos repositórios de dados, mantendo apenas os dados tokenizados estritamente necessários ao modelo.

É vedado o uso de modelos de linguagem de grande escala e sistemas de inteligência artificial generativa, privados ou externos ao Poder Judiciário, para processar ou gerar conteúdo com base em documentos sigilosos, mesmo que os dados tenham sido anonimizados ou que existam mecanismos técnicos para garantir sua proteção.

Julgue os próximos itens, a respeito de Big Data, data mining e Oracle Data Integrator (ODI).

O ODI suporta integração nativa com tecnologias Big Data por meio do ODI Big Data Adapter e é capaz de gerar código HiveQL, Spark e Pig sem que o desenvolvedor escreva manualmente tais scripts.

Julgue os próximos itens, a respeito de Big Data, data mining e Oracle Data Integrator (ODI).

No ODI, os knowledge modules são componentes reutilizáveis que encapsulam as lógicas de integração e transformação e que podem ser personalizados em linguagens como SQL, Groovy e Shell Script.

Julgue os próximos itens, a respeito de Big Data, data mining e Oracle Data Integrator (ODI).

As técnicas de data mining operam exclusivamente com dados rotulados, utilizando apenas algoritmos supervisionados, uma vez que a descoberta de padrões requer o conhecimento prévio das classes dos dados.