Banco público de questões

Questões para Concursos

Pesquise questões reais por disciplina, assunto, tópico, banca, órgão, cargo, ano e modalidade.

Questões por banca

29 bancas disponíveis. Clique para visualizar todas.

Acesse diretamente as bancas disponíveis na QuestLab. As quantidades abaixo consideram as questões ativas do banco.

CEBRASPE 51.363 questões FGV 25.316 questões FCC 24.632 questões AOCP 23.456 questões IBFC 11.190 questões VUNESP 10.983 questões Instituto Quadrix 9.793 questões FUNDATEC 9.088 questões IBADE 7.820 questões CESGRANRIO 6.013 questões OBJETIVA 4.740 questões CONSULPLAN 4.174 questões FEPESE 3.585 questões IADES 3.439 questões IESES 2.627 questões SELECON 2.377 questões IDECAN 1.907 questões MS CONCURSOS 1.485 questões Instituto Legalle 1.281 questões FAFIPA 1.161 questões FUMARC 842 questões ACAFE 551 questões INSTITUTO AOCP 430 questões NUCEPE 378 questões FUNIVERSA 348 questões FAURGS 203 questões FIOCRUZ 48 questões MACKENZIE 48 questões CETRO 17 questões

Encontre as questões que procura

Palavra-chave

Disciplina

Assunto

Tópico

Banca

Órgão

Ano

Cargo

Modalidade

Limpar filtros

55 questões encontradas

ID 209162 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina FGV 2026

O TCE-SC desenvolveu um modelo de IA para detectar fraudes em licitações. Durante o treinamento, o modelo apresentou 99% de acerto na base de dados histórica, mas, ao ser aplicado em dados novos de 2026, a precisão caiu para 55%.
Esse fenômeno técnico, no qual o modelo decora os dados de treinamento mas falha em generalizar para dados novos, é conhecido como

A Underfitting.

B Overfitting.

C Normalização de Dados.

D Aprendizado não supervisionado.

E Regressão Logística.

ID 208962 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina FGV 2026

O TCE-SC desenvolveu um modelo de IA para detectar fraudes em licitações. Durante o treinamento, o modelo apresentou 99% de acerto na base de dados histórica, mas, ao ser aplicado em dados novos de 2026, a precisão caiu para 55%.
Esse fenômeno técnico, no qual o modelo decora os dados de treinamento mas falha em generalizar para dados novos, é conhecido como

A Underfitting.

B Overfitting.

C Normalização de Dados.

D Aprendizado não supervisionado.

E Regressão Logística.

ID 207933 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina FGV 2026

Texto associado

Um grupo de indivíduos é suspeito de utilizar aprendizado de máquina para realizar fraudes bancárias. Para fazer a análise apropriada ele precisa identificar qual tipo de aprendizado está sendo usado em cada etapa.

Associe corretamente o tipo de aprendizado ao cenário:
1. Detecção de anomalias em transações sem rótulos
2. Classificação de transações como "fraude" ou "legítima"
3. Agente que ajusta estratégia de detecção com base em feedback de penalidade e recompensa

A (1) Supervisionado/(2) Supervisionado / (3) Supervisionado

B (1) Supervisionado / (2) Reforço / (3) Não supervisionado

C (1) Reforço / (2) Supervisionado / (3) Não supervisionado

D (1) Não supervisionado / (2) Supervisionado / (3) Reforço

E (1) Não supervisionado / (2) Reforço / (3) Supervisionado

ID 207932 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina FGV 2026

Texto associado

Durante a investigação de possíveis discursos de ódio em grande volume, foi utilizada IA generativa baseada em LLMs. O perito precisa entender como o modelo constrói sua representação interna dos textos.

Associe as técnicas ao seu propósito:
1. Embeddings
2. Tokenização
3. Modelo Transformer

A (1) Compactação ZIP / (2) Criptografia / (3) Kernel do SO

B (1) Vetores de frequência / (2) Segmentação por palavras / (3) Árvores de decisão

C (1) Lista de stopwords / (2) Regex / (3) Hashing SHA

D (1) Vetor de bytes / (2) Base64 / (3) Execução paralela

E (1) Vetores semânticos / (2) Quebra em unidades / (3) Atenção multi-head

ID 207889 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina FGV 2026

Texto associado

A Inteligência Artificial Generativa representa um avanço estratégico para as atividades policiais investigativas, ao permitir a análise automatizada, síntese e geração de informações complexas a partir de grandes volumes de dados. Arquiteturas como os transformers e modelos de linguagem de grande porte podem auxiliar investigações criminais, ampliando a capacidade analítica, a precisão investigativa e a eficiência operacional das forças de segurança.

Uma das características inerentes aos transformers é a de

A apresentar, como desafio, a dificuldade de captura de dependências de longo alcance pelo uso de camadas empilhadas de atenção (self-attention).

B otimizar o seu desempenho pela substituição do uso da técnica de atenção escalonada por produto interno (scaled dot-product attention), que causava instabilidade nos gradientes em dimensões altas.

C produzir, ao longo da sua execução, vetores de codificação posicional parabólicos, que se multiplicam aos embeddings das palavras, permitindo o reconhecimento da posição absoluta e relativa de cada termo.

D ser a primeira arquitetura de transdução de sequências construídas com mecanismos de atenção sustentados em redes neurais recorrentes e convolucionais profundas.

E utilizar o modelo de múltiplas "cabeças" de atenção paralelas, substituindo a proposta de atenção única global, atentando a diferentes subespaços de representação simultaneamente.

ID 207163 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina FCC 2026

Uma equipe de inovação de um Tribunal de Justiça está desenvolvendo uma solução baseada em Processamento de Linguagem Natural (PLN) para auxiliar magistrados e servidores na análise de documentos processuais. Durante a definição da arquitetura, foram discutidas diferentes formas de utilização do PLN em atividades relacionadas ao tratamento de textos jurídicos. Considerando os fundamentos do Processamento de Linguagem Natural e suas aplicações no contexto jurídico, uma utilização dessa tecnologia é empregar técnicas capazes de identificar padrões linguísticos em documentos jurídicos,

ID 207161 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina FCC 2026

Uma equipe de inovação de um órgão público está desenvolvendo um assistente baseado em modelos de linguagem para auxiliar servidores na consulta de atos normativos, resoluções internas e manuais administrativos. Durante os testes, observou-se que o modelo gerava respostas plausíveis, porém ocasionalmente apresentava informações desatualizadas ou não respaldadas pelos documentos institucionais. Para reduzir esse comportamento, foi proposta a adoção da arquitetura Retrieval-Augmented Generation (RAG). Diante dos fundamentos dessa arquitetura, seu objetivo é recuperar documentos potencialmente relevantes durante a consulta,

ID 207160 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina FCC 2026

Uma equipe de inovação de um Tribunal de Justiça está avaliando alternativas para automatizar atividades relacionadas à classificação de documentos, análise de textos processuais e apoio à tomada de decisão. Durante as discussões, surgiu a necessidade de diferenciar os conceitos de inteligência artificial e aprendizado de máquina para selecionar adequadamente as tecnologias a serem empregadas. Considerando esses conceitos, a relação mais adequada entre inteligência artificial e aprendizado de máquina é

ID 207157 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina FCC 2026

Uma equipe de governança de tecnologia de um Tribunal de Justiça está avaliando a implantação de uma solução de inteligência artificial para apoiar a classificação de petições e a identificação de documentos processuais. Durante a análise de conformidade, foram discutidos mecanismos para mitigar vieses, promover transparência algorítmica e assegurar aderência às diretrizes estabelecidas pela Resolução CNJ nº 615/2025. Considerando essas diretrizes, a medida mais adequada é utilizar modelos de IA submetidos a supervisão humana,

ID 206970 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina FCC 2026

Uma Secretaria da Fazenda está implantando um sistema baseado em inteligência artificial para apoiar a identificação de indícios de fraude tributária em operações fiscais eletrônicas. Durante a definição da política de ética e governança de dados foi realizado um debate, concluindo-se que

A o risco de alucinação em sistemas de inteligência artificial está relacionado à indisponibilidade de bases históricas para treinamento, produzindo falhas operacionais decorrentes da ausência de registros suficientes para execução dos algoritmos.

B a rastreabilidade das decisões automatizadas exige o mapeamento do ciclo de vida dos dados e dos parâmetros de treinamento, permitindo auditorias técnicas que identifiquem a origem de eventuais desvios e alucinações nos relatórios fiscais.

C em estruturas de governança centralizada, as decisões relacionadas à qualidade dos dados e aos critérios de segurança devem ser concentradas nas unidades administrativas, permitindo que cada setor estabeleça seus próprios padrões de controle e auditoria.

D a explicabilidade em sistemas de inteligência artificial consiste na capacidade de impedir alterações nos modelos analíticos após sua implantação, reduzindo a necessidade de monitoramento sobre possíveis desvios de comportamento algorítmico.

E em modelos de governança compartilhada, os papéis de data steward e data owner tornam-se dispensáveis, pois as responsabilidades sobre os dados passam a ser absorvidas diretamente pelos sistemas automatizados de inteligência artificial.