Questão FC871660
A Inteligência Artificial Generativa representa um avanço estratégico para as atividades policiais investigativas, ao permitir a análise automatizada, síntese e geração de informaç
Inteligência Artificial (IA)
FGV · 2026
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
- apresentar, como desafio, a dificuldade de captura de dependências de longo alcance pelo uso de camadas empilhadas de atenção (self-attention).
- 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.
- 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.
- ser a primeira arquitetura de transdução de sequências construídas com mecanismos de atenção sustentados em redes neurais recorrentes e convolucionais profundas.
- utilizar o modelo de múltiplas "cabeças" de atenção paralelas, substituindo a proposta de atenção única global, atentando a diferentes subespaços de representação simultaneamente.
Mostrar resposta e comentário
Gabarito
Errado
Comentário do professor
Multi-Head Attention é o recurso que a alternativa descreve: em vez de uma única atenção global, o modelo roda várias atenções em paralelo, cada uma atuando em um subespaço diferente da representação.
Na prática, o vetor de entrada é projetado por matrizes lineares em conjuntos de queries, keys e values para cada cabeça. Cada cabeça calcula a atenção por meio da fórmula \( \text{Attention}(Q,K,V)=\text{softmax}\left(\frac{QK^{T}}{\sqrt{d_k}}\right)V \).
Os resultados das cabeças são concatenados e novamente projetados linearmente, produzindo uma representação rica.
Isso permite capturar simultaneamente diferentes relações sintáticas e semânticas e facilita a modelagem de dependências de longo alcance, além de explorar paralelismo computacional para maior eficiência.
Conteúdo do catálogo FC Concursos · Atualizado em