Questão 232012 · 57ª da prova
FGV 2026 – DATAPREV – Analista de Tecnologia da Informação: Algoritmos
- Banca
- FGV
- Órgão
- DATAPREV
- Ano
- 2026
- Cargo
- Analista de Tecnologia da Informação
- Matéria
- Algoritmos e Estrutura de Dados
- Assunto
- Algoritmos · Conceitos Básicos e Algoritmos
A equipe de IA de uma FinTech foi encarregada de refatorar o
pipeline de treinamento da rede neural responsável pela detecção
de fraudes em transações de cartão de crédito. Atualmente, o
sistema processa cerca de 50 milhões de transações diárias. No
relatório técnico entregue à diretoria, os engenheiros precisam
justificar a escolha da arquitetura de treinamento, detalhando as
vantagens e o papel de cada algoritmo envolvido na otimização da
rede.
Considerando o funcionamento, a eficiência computacional e as vantagens comparativas dos algoritmos de otimização, assinale a afirmativa correta.
Considerando o funcionamento, a eficiência computacional e as vantagens comparativas dos algoritmos de otimização, assinale a afirmativa correta.
- AO Método do Gradiente (Gradiente Descendente em Lote) é o mais eficiente para grandes volumes de dados, pois o Retropropagação (Backpropagation) calcula a perda de forma estocástica a cada transação, eliminando o uso do Método do Gradiente Estocástico (SGD).
- BO Método do Gradiente Estocástico (SGD) atualiza os pesos da rede com base em poucas amostras, reduzindo a memória necessária e o tempo por iteração em relação ao Método do Gradiente, enquanto a Retropropagação (Backpropagation) é o algoritmo responsável por calcular com eficiência os gradientes da função de perda em relação a cada peso.
- CA Retropropagação (Backpropagation) é um algoritmo de otimização alternativo ao Método do Gradiente Estocástico (SGD) que dispensa o cálculo de derivadas parciais, permitindo que o Método do Gradiente encontre o mínimo global sem risco de ficar preso em mínimos locais.
- DO Método do Gradiente garante atualização rápida a cada transação individual, sendo ideal para sistemas em tempo real, enquanto o Método do Gradiente Estocástico (SGD) requer o processamento de todo o banco de dados antes de atualizar qualquer parâmetro da rede.
- EO Método do Gradiente Estocástico (SGD) substitui a necessidade da Retropropagação (Backpropagation), pois calcula diretamente o erro da camada de saída e ajusta a camada de entrada, sem precisar propagar o sinal de erro pelas camadas ocultas.