Julgue os itens subsequentes, relativos a padrões arquiteturais e padrões de projeto.

No padrão de projeto abstract factory, a inclusão de uma nova categoria de objeto em uma família de produtos já existente prescinde da alteração da interface da fábrica abstrata e de suas subclasses concretas.

Julgue os itens subsequentes, relativos a padrões arquiteturais e padrões de projeto.

No padrão arquitetural MVC (model-view-controller), o componente controller atua como um intermediário que interpreta as entradas enviadas pelo usuário e coordena as atualizações necessárias no model, de forma a permitir que a lógica de negócio e o estado dos dados permaneçam independentes da interface de apresentação.

Julgue os itens subsequentes, relativos a padrões arquiteturais e padrões de projeto.

A adoção de uma estratégia de camadas fechadas (closed layers) permite que a camada de apresentação acesse diretamente os serviços da camada de dados quando houver necessidade de otimização de performance, desde que a camada de negócio permaneça inalterada.

Julgue os itens subsequentes, relativos a padrões arquiteturais e padrões de projeto.

Diferentemente das arquiteturas tradicionais de N camadas, a arquitetura de microsserviços se baseia na descentralização da gestão de dados, em que cada serviço deve, idealmente, possuir sua própria base de dados, de forma a garantir a independência de implantação e o baixo acoplamento.

Julgue os próximos itens, relativos às MLOps, à interpretabilidade de modelos e ao viés algorítmico.

Modelos altamente interpretáveis, como árvores de decisão simples, tendem a apresentar menor transparência em comparação a modelos complexos, como redes neurais profundas.

Julgue os próximos itens, relativos às MLOps, à interpretabilidade de modelos e ao viés algorítmico.

A mitigação de viés em modelos de IA pode envolver técnicas como balanceamento de dados, regularização e avaliação de métricas de equidade.

Julgue os próximos itens, relativos às MLOps, à interpretabilidade de modelos e ao viés algorítmico.

Em pipelines de MLOps, a automação de testes, de monitoramento e de re-treinamento contínuo contribui para a confiabilidade e para a escalabilidade dos sistemas de ML.

Em algoritmos de aprendizado de máquina, a validação cruzada (cross-validation) é utilizada para aumentar o conjunto de treinamento ao duplicar os dados disponíveis, elevando assim a capacidade de generalização do modelo.

Redes neurais profundas diferenciam-se das redes neurais rasas principalmente pela presença de múltiplas camadas ocultas, permitindo maior capacidade de representação.

Em modelos de deep learning, o overfitting ocorre quando o modelo possui baixa capacidade de representação, sendo raro em redes neurais profundas com muitos parâmetros.