FC ConcursosFC Concursos

Questão FC890569

Um laboratório de pesquisa médica está desenvolvendo um sistema de inteligência artificial para auxiliar no diagnóstico de uma doença de pele extremamente rara. O maior desafio do

Inteligência Artificial (IA)

FGV · 2026

Um laboratório de pesquisa médica está desenvolvendo um sistema de inteligência artificial para auxiliar no diagnóstico de uma doença de pele extremamente rara. O maior desafio do projeto é a escassez de dados: a equipe possui apenas 300 imagens dermatoscópicas rotuladas da doença, quantidade insuficiente para treinar uma rede neural convolucional (CNN) complexa do zero sem causar sobreajuste (overfitting).

 

Para contornar essa limitação, os cientistas de dados decidiram utilizar um modelo de arquitetura robusta (como a ResNet-50), que já foi previamente treinado em milhões de imagens genéricas do banco de dados ImageNet. A estratégia adotada consiste em manter os pesos das camadas iniciais da rede inalterados (congelados), aproveitando a capacidade do modelo de reconhecer formas e texturas, e treinar apenas as últimas camadas para distinguir a lesão de pele específica.

 

Essa técnica de reaproveitamento de conhecimento prévio de um domínio para resolver um problema em outro domínio com poucos dados é denominada:

  1. Data Augmentation (aumento de dados);
  2. Transfer Learning (Aprendizado por Transferência);
  3. Reinforcement Learning (Aprendizado por Reforço);
  4. Unsupervised Clustering (Agrupamento Não Supervisionado);
  5. Dimensionality Reduction (Redução de Dimensionalidade).
Mostrar resposta e comentário

Gabarito

B

Comentário do professor

O enunciado descreve claramente o conceito de Transfer Learning: aproveitar um modelo pré-treinado (por exemplo, ResNet-50 treinada no ImageNet) para resolver uma tarefa com poucos dados.

As camadas iniciais da rede extraem características visuais universais, como bordas, texturas e padrões. Ao congelar essas camadas preservamos esse conhecimento e evitamos que a rede "decore" o conjunto pequeno, reduzindo o risco de overfitting.

Em vez de treinar tudo do zero, substitui-se a última camada por um classificador adequado e realiza-se o treinamento apenas das camadas finais, processo conhecido como fine-tuning parcial. Essa estratégia permite obter bons resultados mesmo com poucas imagens, porque reaproveita representações visuais já aprendidas.

Conteúdo do catálogo FC Concursos · Atualizado em

Continue aprendendo