Durante o desenvolvimento de um sistema de apoio à elaboração de minutas judiciais em um órgão do Ministério Público, a equipe técnica avaliou o uso de ferramentas de IA generativa para auxiliar na redação inicial dos documentos. Contudo, foi identificado que os textos gerados poderiam conter informações imprecisas e não referenciadas. Para garantir confiabilidade e rastreabilidade das respostas, a equipe decidiu integrar o modelo de IA a uma base de dados institucional, de forma que as respostas fossem fundamentadas em conteúdo validado. Neste contexto, o recurso técnico que atende aessa necessidade é

Ao analisar a viabilidade da implementação de um assistente virtual baseado em IA para auxiliar na triagem de demandas no Ministério Público (MP), um Técnico foi consultado e afirmou que os LLMS

Tendo o texto como referência inicial, julgue o item subsecutivo, a respeito de aprendizado de máquina.

Modelos preditivos dispensam validação em um conjunto separado de dados porque a acurácia calculada durante o treinamento já representa a capacidade real do modelo de prever eventos futuros.

Tendo o texto como referência inicial, julgue o item subsecutivo, a respeito de aprendizado de máquina.

A aprendizagem por reforço se diferencia da aprendizagem supervisionada, pois se baseia em feedback avaliativo, em vez de exemplos rotulados ou especificação da ação correta por um supervisor externo, para julgar a qualidade das ações.

Tendo o texto como referência inicial, julgue o item subsecutivo, a respeito de aprendizado de máquina.

O aprendizado por reforço é essencialmente uma forma de aprendizagem não supervisionada, pois seu objetivo principal é descobrir padrões ocultos e agrupamento nos dados, sem uso de rótulos; nesse paradigma, a recompensa funciona como um critério secundário de avaliação.

Em relação a MLOps (machine learning operations), julgue o item a seguir.

A construção de um repositório estruturado de versionamento e governança de modelos é uma prática recomendada em MLOps para garantir rastreabilidade, controle de implantação e execução segura de rollbacks.

Em relação a MLOps (machine learning operations), julgue o item a seguir.

MLOps é um conjunto de práticas de engenharia que padronizam, automatizam e monitoram o ciclo de vida de modelos de aprendizado de máquina com o objetivo de garantir reprodutibilidade, escalabilidade, governança e operação contínua dos sistemas de IA.

Em relação a MLOps (machine learning operations), julgue o item a seguir.

A orquestração em MLOps concentra-se principalmente na etapa de treinamento dos modelos, não tendo relação direta com o deploy nem com o monitoramento de serviços em produção.

No que se refere a ética, transparência e responsabilidade no uso de IA, julgue o próximo item.

Explicabilidade e interpretabilidade tratam do desafio de entender como os modelos de aprendizado de máquina funcionam, devido especialmente à natureza de “caixa-preta” de muitos modelos, que pode tornar difícil ou impossível a capacidade de explicar uma previsão ou decisão.

Acerca de data warehouse, data lake, data mesh, CI/CD e ETL, julgue o item a seguir.

O pipeline de CI/CD consiste em duas etapas sequenciais: implantação rápida em produção e posterior integração com os demais serviços.