Questão 232015 · 60ª da prova
FGV 2026 – DATAPREV – Analista de Tecnologia da Informação: Inteligencia Artificial
- Banca
- FGV
- Órgão
- DATAPREV
- Ano
- 2026
- Cargo
- Analista de Tecnologia da Informação
- Matéria
- Engenharia de Software
- Assunto
- Inteligencia Artificial
A equipe de Engenharia de Dados de uma multinacional está
otimizando o pipeline de PLN de um sistema de atendimento ao
cliente em tempo real. O objetivo é classificar os chamados
recebidos em categorias de urgência e encaminhá-los ao suporte
técnico correto.
Durante o desenvolvimento do modelo de inteligência artificial, os
engenheiros debateram sobre o impacto de diferentes técnicas de
pré-processamento e vetorização na captura do significado
semântico e contextual das mensagens dos usuários.
Considerando os conceitos fundamentais de pré-processamento, vetorização e arquitetura de PLN aplicados a esse cenário, assinale a afirmativa correta.
Considerando os conceitos fundamentais de pré-processamento, vetorização e arquitetura de PLN aplicados a esse cenário, assinale a afirmativa correta.
- AA aplicação severa da técnica de Stemming é recomendada para substituir totalmente a Lematização em análises de contexto avançadas, pois o Stemming garante a criação de palavras gramaticalmente válidas e preserva o contexto exato do verbo conjugado.
- BO modelo tradicional de Bag-of-Words (BoW) é a escolha ideal para capturar ambiguidades e dependências de longo alcance na frase, uma vez que sua representação matricial preserva rigorosamente a ordem sequencial das palavras na mensagem.
- CA remoção de Stop Words deve ser aplicada obrigatoriamente em todas as tarefas de PLN, inclusive em modelos baseados em Transformers para tradução automática, pois palavras como "não" ou "com" apenas geram ruído e nunca alteram o sentido de uma sentença.
- DA métrica TF-IDF (Term Frequency-Inverse Document Frequency) gera embeddings densos e de baixa dimensão que aprendem as relações semânticas entre sinônimos, superando o algoritmo Word2Vec em tarefas de representação contextual contínua.
- EAs técnicas de Word Embeddings densos, como Word2Vec ou embeddings de Transformers, mapeiam palavras ou tokens em vetores contínuos em um espaço multidimensional, permitindo que palavras semanticamente semelhantes fiquem geometricamente próximas umas das outras.