Questão FC373148
A implantação de uma solução de machine learning tipicamente passa por 5 fases. Na fase inicial, deve-se ter clareza quanto à pergunta ou problema para o qual se busca uma solução
Inteligência Artificial (IA)
FCC · 2022
A implantação de uma solução de machine learning tipicamente passa por 5 fases. Na fase inicial, deve-se ter clareza quanto à pergunta ou problema para o qual se busca uma solução e quanto às informações que serão utilizadas, sejam elas de propriedade do interessado ou a serem adquiridas no mercado. As outras fases são:
I. Treinar o modelo ajustando os atributos, parâmetros de treinamento e algoritmos até que o modelo produza os resultados desejados. A validação é realizada comparando-se as predições com os resultados reais.
II. Monitorar os resultados das predições para verificar se o modelo continua generalizando. Se houver uma diminuição significativa na capacidade de predição do modelo, este deve ser treinado novamente com novos dados ou até mesmo os algoritmos, atributos e parâmetros de treinamento devem ser ajustados.
III. Definir o objetivo do aprendizado de máquina, estruturar o modelo que será o responsável por realizar as predições e adequar os dados para os algoritmos selecionados.
IV. Verificar se o modelo generaliza. No caso de o modelo não generalizar, deve-se retornar para as fases anteriores ou até mesmo para a fase inicial. Se generalizar, o modelo já pode seguir para a produção.
A ordem sequencial correta das outras fases é:
| FASE 2 | FASE 3 | FASE 4 | FASE 5 |
III I IV II I IV II III IV III I II I II III IV III II I IV
Mostrar resposta e comentário
Gabarito
A
Comentário do professor
A sequência correta é: III → I → IV → II. Primeiro, é preciso definir o objetivo do projeto e preparar os dados: escolha de variável-alvo, tipos de algoritmo e tratamento/engenharia das features.
Em seguida, treina-se o modelo, ajustando atributos, hiperparâmetros e método de treinamento, e realiza-se a validação comparando predições com resultados reais para medir desempenho.
Depois, deve-se verificar a generalização: testar o modelo em dados não vistos; se não generalizar, voltar às etapas anteriores até atingir robustez.
Por fim, monitoram-se as predições em produção para detectar degradação. Caso a acurácia caia, re-treina-se ou ajustam-se algoritmos e dados, mantendo um ciclo iterativo de melhoria.
Conteúdo do catálogo FC Concursos · Atualizado em