As questões abaixo são apenas exemplos ilustrativos. O simulado completo pode conter outras perguntas.
Questão 1:
Uma empresa recebe imagens digitalizadas de notas fiscais em formatos variados. Para cada imagem, o sistema deve identificar os caracteres impressos, retornar o texto extraído e preservar a localização de cada trecho na página, sem precisar interpretar campos específicos, classificar o documento ou localizar objetos físicos presentes na imagem. Qual carga de trabalho de IA atende mais diretamente a esse requisito?
- (E) Extração de informações de documentos, que identifica campos predefinidos e seus valores estruturados, normalmente exigindo interpretação do layout ou do esquema do documento
- (B) Detecção de objetos, que localiza regiões correspondentes a campos ou elementos visuais, mas não converte diretamente os caracteres em texto
- (A) Classificação de documentos, que atribui uma categoria à imagem, como nota fiscal, recibo ou contrato, sem necessariamente transcrever seu conteúdo
- (C) Reconhecimento óptico de caracteres (OCR), que converte texto visível em dados textuais e pode fornecer as coordenadas dos trechos identificados na imagem
- (D) Segmentação semântica, que atribui uma classe a cada pixel ou região da imagem, sem necessariamente produzir o conteúdo textual dos caracteres
Questão 2:
Uma instituição financeira pretende treinar um modelo com o histórico de solicitações de crédito. Cada registro contém atributos como renda, prazo e relacionamento com o banco, além de um rótulo definido posteriormente: “aprovada” ou “recusada”. Para uma nova solicitação, o sistema deverá atribuir exatamente uma dessas duas categorias. Qual carga de trabalho de aprendizado de máquina é mais adequada?
- (D) Detecção de anomalias, pois o modelo pode identificar solicitações cujo padrão de atributos se distancia do comportamento observado no histórico
- (C) Agrupamento, pois o modelo deve formar grupos de solicitantes com características semelhantes sem depender dos rótulos históricos de decisão
- (A) Regressão, pois o modelo pode estimar um valor contínuo de risco ou probabilidade e aplicar um limiar para convertê-lo em aprovação ou recusa
- (E) Recomendação, pois o modelo deve selecionar a decisão de crédito mais adequada com base nas características e no histórico de cada solicitante
- (B) Classificação, pois o treinamento utiliza exemplos rotulados e a saída esperada pertence a um conjunto discreto de duas categorias
Questão 3:
Uma fábrica coleta continuamente temperatura, vibração e pressão de equipamentos. Durante vários meses, os dados foram registrados apenas quando os equipamentos operavam normalmente; não há exemplos rotulados de falhas. A equipe deseja identificar, em tempo quase real, combinações multivariadas de valores que se desviem significativamente do comportamento aprendido e encaminhá-las para inspeção. Qual carga de trabalho de IA atende mais diretamente ao objetivo e à disponibilidade dos dados?
- (C) Detecção de anomalias, aprendendo a distribuição do comportamento normal e atribuindo pontuações elevadas a desvios relevantes
- (E) Agrupamento, separando as leituras por similaridade e interpretando automaticamente o grupo menos frequente como correspondente a falhas
- (B) Regressão, estimando uma medição contínua a partir das demais e usando o erro de previsão como indicador de falha
- (A) Classificação, treinando um modelo supervisionado para atribuir a cada leitura o rótulo de falha ou operação normal
- (D) Previsão de séries temporais, projetando os valores dos sensores para o próximo intervalo e sinalizando diferenças entre previsão e medição
Questão 4:
Uma fábrica precisa classificar imagens de componentes em três categorias: aprovado, risco superficial e defeito estrutural. O conjunto de treinamento contém imagens rotuladas, mas as diferenças visuais relevantes variam conforme a iluminação, a orientação e a posição da peça. A equipe deseja evitar a criação manual de regras e de descritores específicos, permitindo que o modelo aprenda representações progressivamente mais complexas a partir dos pixels. Qual combinação de abordagem e justificativa atende melhor a esse requisito?
- (E) Redução de dimensionalidade seguida de classificação pelos exemplos mais próximos, pois a projeção para menos dimensões já extrai as representações necessárias e equivale ao aprendizado profundo.
- (B) Aprendizado profundo supervisionado, pois uma rede neural com várias camadas pode aprender representações hierárquicas dos pixels e associá-las às classes rotuladas.
- (D) Aprendizado não supervisionado por agrupamento, utilizando os rótulos apenas para validar os grupos encontrados, pois a separação visual das imagens permite obter diretamente as três categorias.
- (C) Aprendizado supervisionado com uma rede neural de camada única, pois a otimização dos pesos a partir dos rótulos produz automaticamente representações tão complexas quanto as de uma rede profunda.
- (A) Aprendizado supervisionado com um modelo linear aplicado diretamente aos pixels, pois os rótulos permitem aprender as fronteiras entre as três classes sem a necessidade de descritores manuais.
Questão 5:
Uma solução corporativa reúne três componentes: um mecanismo de regras que bloqueia transações conforme políticas fixas, um modelo que estima o risco de fraude a partir de exemplos históricos rotulados e uma rede neural com várias camadas que classifica imagens de documentos. Considerando a relação entre inteligência artificial, aprendizado de máquina e aprendizado profundo, qual conclusão é tecnicamente correta?
- (E) Aprendizado de máquina é o campo mais amplo que contém inteligência artificial, enquanto aprendizado profundo é uma técnica complementar, normalmente restrita à classificação de imagens.
- (D) O modelo de fraude e a rede neural pertencem a categorias independentes, pois aprendizado profundo é baseado em redes multicamadas e, por isso, não faz parte do aprendizado de máquina supervisionado.
- (C) O mecanismo de regras pode ser uma solução de inteligência artificial sem necessariamente usar aprendizado de máquina; o modelo de fraude é aprendizado de máquina; e a rede neural multicamadas é aprendizado profundo, uma modalidade de aprendizado de máquina.
- (B) Os três componentes podem ser classificados como aprendizado de máquina, pois todos automatizam decisões usando informações previamente fornecidas ao sistema, ainda que parte delas esteja codificada em regras.
- (A) Somente o componente baseado em rede neural pertence à inteligência artificial, porque sistemas baseados em regras executam instruções predefinidas e não aprendem com dados.
Questão 6:
Uma equipe está desenvolvendo um controlador para um robô móvel que precisa escolher entre diferentes trajetórias em um armazém. O sistema recebe variáveis estruturadas, como distância dos obstáculos, carga da bateria e tempo estimado de entrega. Para cada situação, não existe uma ação correta previamente rotulada: o robô testa ações e recebe recompensas ao longo do tempo, inclusive penalizações atrasadas quando uma sequência de decisões provoca colisões ou atrasos. A equipe considera implementar inicialmente uma tabela de valores para os estados, sem redes neurais. Qual classificação descreve com maior precisão essa solução?
- (E) Trata-se de uma técnica de inteligência artificial baseada em busca e otimização, mas não propriamente de aprendizado de máquina, porque a política é armazenada em uma tabela em vez de ser representada por uma rede neural.
- (B) Trata-se de aprendizado não supervisionado no campo da inteligência artificial, pois o sistema precisa descobrir padrões de comportamento sem receber ações previamente rotuladas.
- (C) Trata-se de aprendizado por reforço com aprendizado profundo, pois decisões sequenciais e recompensas atrasadas exigem uma rede neural capaz de representar estados e ações.
- (A) Trata-se de aprendizado supervisionado no campo da inteligência artificial, pois as recompensas funcionam como rótulos que indicam diretamente a ação correta para cada estado.
- (D) Trata-se de aprendizado por reforço, uma modalidade de aprendizado de máquina no campo da inteligência artificial; uma tabela de valores pode ser usada sem que exista aprendizado profundo.
Questão 7:
Uma rede varejista quer prever, para cada SKU e para cada uma das próximas quatro semanas, o número de unidades que deverão ser vendidas. O conjunto de treinamento contém vendas históricas, preço, descontos, campanhas, dia da semana e disponibilidade em estoque. O resultado será usado para calcular a quantidade de reposição, e não apenas para indicar se a demanda será alta ou baixa. Qual abordagem de IA é mais adequada?
- (E) Aplicar regressão logística para calcular a probabilidade de venda de cada SKU e interpretar essa probabilidade como o número esperado de unidades
- (B) Treinar um modelo de classificação multiclasse para associar cada SKU a uma faixa de demanda e converter a classe prevista em uma quantidade de reposição
- (A) Treinar um modelo de regressão supervisionada, possivelmente com uma saída por horizonte, para estimar a quantidade vendida usando as variáveis históricas como atributos
- (D) Treinar um modelo de detecção de anomalias para identificar padrões atípicos de venda e usar o nível de anomalia como estimativa da demanda futura
- (C) Aplicar agrupamento aos SKUs com base no histórico de vendas e usar a média de cada grupo como estimativa para as quatro semanas seguintes
Questão 8:
Uma empresa precisa analisar gravações de uma central de atendimento. O requisito inicial é transformar o áudio em texto pesquisável, preservar a sequência temporal das falas e, quando possível, distinguir os participantes. Somente depois dessa etapa o texto será enviado para análise de sentimento e identificação de temas. Qual recurso ou combinação de recursos atende corretamente à primeira etapa da solução?
- (B) Usar tradução de fala para converter a gravação diretamente para um idioma padrão e indexar o texto traduzido como substituto da transcrição original
- (E) Usar reconhecimento óptico de caracteres para extrair textos exibidos nas telas da chamada e combinar esse conteúdo com os metadados dos participantes
- (C) Usar conversão de fala em texto sem diarização, separar os participantes posteriormente com base no conteúdo das frases e então encaminhar os segmentos para análise
- (D) Usar identificação de locutores e classificação de áudio para determinar quem falou e qual foi o tema, gerando o texto pesquisável somente a partir das categorias identificadas
- (A) Usar conversão de fala em texto com carimbos de tempo e diarização de locutores quando disponível, indexando a transcrição antes de enviá-la para análise de linguagem
Questão 9:
Uma plataforma de comércio eletrônico pretende gerar, para cada usuário autenticado, uma lista ordenada de produtos para a página inicial. A solução deverá considerar compras anteriores, itens visualizados, cliques e padrões de interação de usuários com comportamentos semelhantes. Qual carga de trabalho de IA atende mais diretamente a esse requisito?
- (B) Sistema de recomendação, classificando produtos para cada usuário com base nas interações usuário-item e nos padrões de usuários semelhantes
- (E) Processamento de linguagem natural, representando descrições e avaliações de produtos para calcular sua relevância em relação ao perfil textual do usuário
- (C) Detecção de anomalias, calculando o grau de desvio de cada interação em relação ao comportamento histórico do usuário
- (D) Classificação, atribuindo o usuário a uma ou mais categorias de interesse e selecionando produtos associados à categoria predominante
- (A) Previsão de demanda, estimando a quantidade esperada de vendas de cada produto e período para orientar a priorização dos itens
Questão 10:
Uma aplicação de atendimento ao cliente utiliza um modelo registrado no Azure Machine Learning. O modelo deve receber solicitações REST síncronas por HTTPS, suportar picos imprevisíveis de tráfego, permitir a divisão gradual do tráfego entre duas versões durante uma atualização e escalar sem que a equipe administre diretamente um cluster de Kubernetes. Qual opção atende simultaneamente a esses requisitos?
- (E) Executar as duas versões em uma instância de computação, expor um serviço HTTPS e implementar manualmente o balanceamento e a expansão da capacidade
- (D) Publicar as duas versões em um endpoint de lote, configurar execuções paralelas e consultar os resultados por chamadas REST assíncronas
- (C) Implantar as duas versões em um endpoint online baseado em Kubernetes, configurar a distribuição de tráfego e delegar à equipe a administração do cluster
- (B) Implantar duas versões em um endpoint online gerenciado, configurar a escalabilidade automática e distribuir gradualmente o tráfego entre as implantações
- (A) Implantar o modelo em um endpoint online gerenciado, usar uma única implantação e direcionar todo o tráfego para ela, com escalabilidade automática
Questão 11:
Uma solução do Azure AI Search possui uma fonte de dados em armazenamento de documentos e um índice com um campo para o texto extraído. Foi criado um conjunto de habilidades para executar OCR, extrair frases-chave e identificar entidades. Entretanto, após a execução da indexação, apenas o conteúdo bruto é disponibilizado no índice; os campos enriquecidos permanecem vazios. A análise da configuração mostra que o conjunto de habilidades existe, mas não está associado ao componente que lê os documentos e envia os resultados ao índice. Qual alteração corrige o fluxo?
- (E) Criar um indexador separado para cada habilidade e apontar todos eles para o mesmo índice, sem alterar a associação do conjunto de habilidades
- (A) Associar o conjunto de habilidades diretamente à fonte de dados e aguardar que o indexador descubra automaticamente os campos enriquecidos
- (D) Associar o conjunto de habilidades ao indexador e usar apenas mapeamentos de campos de origem para encaminhar as saídas enriquecidas
- (C) Adicionar o conjunto de habilidades à definição do índice e marcar os campos de saída como pesquisáveis e recuperáveis
- (B) Associar o conjunto de habilidades ao indexador e configurar os mapeamentos de saída das habilidades para os campos correspondentes do índice
Questão 12:
Um sistema de inspeção recebe imagens nas quais várias caixas da mesma categoria podem estar encostadas ou parcialmente sobrepostas. Para cada caixa, ele deve retornar a categoria, uma região delimitadora e uma máscara de pixels exclusiva, distinguindo as diferentes instâncias mesmo quando pertencem à mesma classe. Qual carga de trabalho de visão computacional atende diretamente a esse requisito?
- (C) Segmentação semântica, classificando cada pixel como pertencente à categoria caixa, mas sem diferenciar caixas da mesma classe
- (A) Classificação de imagens, atribuindo uma ou mais categorias à imagem inteira, sem delimitar individualmente cada caixa
- (D) Segmentação de instâncias, classificando cada caixa e produzindo uma máscara de pixels independente para cada objeto identificado
- (B) Detecção de objetos, identificando cada caixa e retornando uma região delimitadora, mas sem produzir uma máscara de pixels para cada instância
- (E) Localização de objetos, estimando a posição e o tamanho de cada caixa, mas representando seus limites apenas por coordenadas ou retângulos
Questão 13:
Uma empresa analisa avaliações que podem expressar opiniões diferentes sobre aspectos distintos do mesmo produto, como: “A bateria dura bastante, mas o suporte técnico demorou para responder”. O sistema deve identificar os aspectos mencionados e associar a cada um deles uma polaridade, em vez de atribuir apenas um sentimento geral à avaliação. Qual capacidade de processamento de linguagem é mais adequada?
- (A) Análise de sentimento em nível de documento ou frase, atribuindo uma polaridade predominante à avaliação ou ao trecho analisado, sem necessariamente relacionar cada polaridade a um aspecto específico
- (B) Extração de frases-chave, identificando expressões relevantes da avaliação sem associar necessariamente uma polaridade a cada aspecto
- (E) Classificação de texto, atribuindo a avaliação a categorias predefinidas de satisfação, reclamação ou recomendação
- (D) Reconhecimento de entidades nomeadas, identificando produtos, serviços e organizações que possam funcionar como alvos da opinião
- (C) Análise de sentimento com mineração de opiniões, relacionando cada aspecto ou alvo identificado à sua respectiva polaridade
Questão 14:
Uma seguradora pretende automatizar o processamento de faturas recebidas em PDF e como imagens digitalizadas. Os documentos variam entre fornecedores: alguns apresentam os dados do cabeçalho em posições diferentes, enquanto outros incluem múltiplas páginas com tabelas de itens. O sistema deve extrair número da fatura, fornecedor, data, totais e cada linha de item, mantendo a associação entre descrição, quantidade, preço unitário e valor total. Qual carga de trabalho de IA atende mais diretamente ao requisito?
- (D) Usar processamento de linguagem natural sobre o texto obtido por OCR para classificar trechos como cabeçalho, total ou item e extrair entidades sem depender da posição visual dos campos.
- (A) Aplicar OCR às páginas e, posteriormente, usar reconhecimento de entidades e regras de contexto para identificar os campos e reconstruir as linhas de itens a partir do texto extraído.
- (C) Usar visão computacional para localizar regiões de texto e tabelas, aplicar OCR por região e relacionar os valores extraídos com base na proximidade espacial entre os elementos.
- (E) Usar detecção de anomalias para comparar as faturas com documentos históricos, identificar valores fora do padrão e inferir os campos e relacionamentos ausentes.
- (B) Usar análise de documentos para interpretar o layout, extrair pares chave-valor e tabelas e, quando necessário, aplicar um modelo personalizado aos diferentes formatos.
Questão 15:
Uma empresa pretende implementar um controle de acesso em que cada funcionário apresenta uma imagem capturada no momento da entrada e uma imagem de referência já indicada em seu cadastro. O sistema deve retornar apenas se as duas imagens representam a mesma pessoa, sem pesquisar a captura em uma galeria de funcionários. Qual carga de trabalho de IA atende especificamente a esse requisito?
- (C) Detecção facial, localizando o rosto na imagem e retornando sua posição e seus limites
- (A) Verificação facial, comparando a imagem capturada com a imagem de referência informada
- (B) Identificação facial, comparando a imagem capturada com uma galeria para localizar a pessoa correspondente
- (D) Análise facial, estimando atributos visuais ou estados associados ao rosto detectado
- (E) Classificação de imagens, atribuindo a captura a uma categoria visual previamente definida
