← Voltar para a lista de provas Tribunal de Justiça do Estado do Pará (TJPA) · Analista Judiciário – Especialidade: Análise de Sistemas 70 questões nesta prova · página 3 de 4 · 65 com gabarito Gabarito disponível git cherry-pick aplica alterações de commits existentes e exige árvore de trabalho limpa. Conforme o gabarito, o item está correto. O git cherry-pick aplica as mudanças introduzidas por commits já existentes, criando novos commits na branch atual. A documentação indica que o comando requer uma árvore de trabalho limpa, sem modificações pendentes. A) Certa, pois descreve a função do comando e o requisito indicado na documentação. B) Errada, pois nega a descrição correta. Referência: Documentação do Git: git-cherry-pick. Resolução comentada do VaiConcursos. Gabarito disponível Realm no Tomcat é base de autenticação/autorização, não verificação de integridade. O item é errado. No Tomcat, um realm é um banco de usuários, senhas e papéis usado para autenticação e controle de acesso. Ele pode ser baseado em arquivo, JDBC ou JNDI/LDAP. A verificação de integridade por comparação de resumo (hash) de mensagem é outra função e não cabe ao realm. A) Errada, pois confunde realm com checagem de integridade por hash. B) Certa, pois nega essa atribuição. Referência: Documentação Apache Tomcat (Realm Configuration). Resolução comentada do VaiConcursos. Questão anulada Gabarito disponível XMLHttpRequest manipula vários formatos, não só JSON. O item é errado. O XMLHttpRequest pode trocar dados em texto puro, XML, HTML, JSON, binário e outros. O nome do objeto sugere XML, e o uso com JSON é apenas um dos casos possíveis. A) Errada, pois restringe o objeto ao JSON. B) Certa, pois reconhece a variedade de formatos suportados. Referência: Ajax / XMLHttpRequest (MDN). Resolução comentada do VaiConcursos. Gabarito disponível Em Python, y = x cria alias; y += lista altera a mesma lista. O item é errado. A atribuição y = x faz as duas variáveis apontarem para a mesma lista. O operador += em listas faz extend in-place, então ambas passam a ser [10, 20, 30, 60, 50, 40]. A saída apresentada no item não corresponde a isso. A) Errada, pois a saída indicada não ocorre. B) Certa, pois ambas as variáveis imprimem [10, 20, 30, 60, 50, 40]. Referência: Documentação Python: listas mutáveis e atribuição por referência. Resolução comentada do VaiConcursos. Gabarito disponível HashSet descarta duplicatas; a ordem de impressão depende dos hashes das strings. Conforme o gabarito, o código imprime [Java, Javascript, Python]. O Set não admite elementos repetidos, então o segundo "Java" é ignorado. A ordem de iteração do HashSet segue os hash codes das strings, e para esses três valores resulta nessa sequência. A) Certa, pois a saída é a esperada pelo gabarito. B) Errada, pois nega esse resultado. Referência: Java Collections Framework: java.util.HashSet. Resolução comentada do VaiConcursos. Questão anulada Gabarito disponível O eMAG exige que as funções em JavaScript sejam pensadas primeiro para o teclado. O item está correto. A recomendação do eMAG sobre scripts diz que as funcionalidades em JavaScript devem ser programadas primeiramente para uso com o teclado, e só depois adaptadas a outros dispositivos. Assim, quem não usa o mouse também consegue operar a página. A) Certa, pois reflete a recomendação de acessibilidade por teclado. B) Errada, pois contradiz essa recomendação. Referência: eMAG – Modelo de Acessibilidade em Governo Eletrônico (recomendação sobre scripts e teclado). Resolução comentada do VaiConcursos. Gabarito disponível SPA é front-end em JavaScript; Zend/PHP é back-end. O item é errado. Uma SPA carrega uma única página e atualiza o conteúdo dinamicamente no cliente, com JavaScript e frameworks como Angular, React e Vue. O Zend é um framework PHP de servidor, sem papel fundamental no front-end de uma SPA. A) Errada, pois associa indevidamente um framework de back-end ao front-end de SPA. B) Certa, pois nega essa associação. Referência: Conceitos de Single-Page Application; frameworks JavaScript front-end. Resolução comentada do VaiConcursos. Gabarito disponível Big Data não se define apenas pelo volume (modelo dos Vs). O item é errado. Big Data envolve ao menos volume, velocidade e variedade, além de veracidade e valor. O objetivo principal não é só armazenar, mas processar e analisar os dados para gerar valor. A) Errada, pois reduz o conceito ao volume e ao armazenamento. B) Certa, pois a definição é multidimensional e voltada à análise. Referência: Modelo dos Vs do Big Data (3Vs/5Vs). Resolução comentada do VaiConcursos. Gabarito disponível Análise em tempo real processa dados em fluxo, muitas vezes antes de persistir, e não elimina a latência. O item é errado. No processamento em tempo real (streaming), os dados costumam ser analisados em memória à medida que chegam, antes ou independentemente da persistência. Além disso, a latência pode ser minimizada, mas nunca eliminada por completo. Os termos 'invariavelmente' e 'eliminação completa' tornam o item falso. A) Errada, pois o armazenamento prévio não é invariável e a latência não é zerada. B) Certa, pois rejeita as afirmações absolutas. Referência: Conceitos de Big Data: processamento em batch versus streaming (arquiteturas Lambda e Kappa). Resolução comentada do VaiConcursos. Gabarito disponível Previsão a partir de dados históricos é função de data mining. O item está correto. A modelagem preditiva é uma das principais tarefas de data mining. Ela usa dados históricos e algoritmos como regressão, redes neurais e árvores de decisão para prever valores ou classes. A) Certa, pois descreve a função preditiva e cita algoritmos adequados. B) Errada, pois nega uma função básica de data mining. Referência: Han, Kamber & Pei, Data Mining: Concepts and Techniques. Resolução comentada do VaiConcursos. Gabarito disponível Data mining também usa dados não rotulados, com algoritmos não supervisionados. O item é errado. Data mining usa tanto aprendizado supervisionado (classificação, regressão) quanto não supervisionado (clusterização, regras de associação). A descoberta de padrões não exige conhecimento prévio das classes. A) Errada, pois a exclusividade de dados rotulados e de algoritmos supervisionados é falsa. B) Certa, pois nega essa exclusividade. Referência: Han, Kamber & Pei, Data Mining: Concepts and Techniques. Resolução comentada do VaiConcursos. Gabarito disponível Knowledge modules são componentes reutilizáveis e personalizáveis do ODI. O item está correto. Os knowledge modules (KMs) encapsulam a lógica de extração, carga, integração e checagem, e são reutilizáveis entre mapeamentos. Podem ser customizados com SQL, Groovy, Jython e Shell Script. A) Certa, pois descreve corretamente os KMs. B) Errada, pois nega a reutilização e a personalização que os KMs permitem. Referência: Documentação Oracle Data Integrator (Knowledge Modules). Resolução comentada do VaiConcursos. Gabarito disponível O ODI integra-se nativamente a Big Data e gera HiveQL, Spark e Pig por meio de knowledge modules. O item está correto. O ODI oferece o Big Data Adapter/knowledge modules para Hadoop, Hive, Spark, Pig e outras tecnologias. A lógica de mapeamento é declarada graficamente e o código é gerado automaticamente, sem escrita manual dos scripts. A) Certa, pois descreve a capacidade de geração de código do ODI para ambientes Big Data. B) Errada, pois nega uma funcionalidade existente. Referência: Documentação Oracle Data Integrator (Big Data Integration / Knowledge Modules). Resolução comentada do VaiConcursos. Gabarito disponível A vedação não é absoluta quando há anonimização ou mecanismos técnicos de proteção. O item é errado conforme o gabarito. Ao afirmar que o uso é vedado mesmo com anonimização ou mecanismos técnicos de proteção, ele torna a proibição absoluta. A norma restringe o uso de modelos de linguagem externos com documentos sigilosos, mas admite exceções quando há salvaguardas adequadas. A) Errada, pois trata como proibição absoluta o que a norma condiciona a salvaguardas. B) Certa, pois a vedação irrestrita descrita não corresponde ao texto da resolução. Referência: Resolução CNJ n.º 615/2025 (uso de LLMs e IA generativa e proteção de informações sigilosas). Resolução comentada do VaiConcursos. Gabarito disponível Após o treinamento, eliminar dados pessoais não anonimizados e manter só os tokenizados necessários. O item está correto conforme o gabarito. Segundo a Resolução CNJ 615/2025, depois do treinamento recomenda-se eliminar dos repositórios os dados pessoais não anonimizados. Mantêm-se apenas os dados tokenizados estritamente necessários ao modelo, em linha com a minimização de dados da LGPD. A) Certa, pois reproduz a diretriz de eliminação e de manutenção apenas do estritamente necessário. B) Errada, pois nega uma recomendação que a norma traz. Referência: Resolução CNJ n.º 615/2025 (diretrizes sobre dados pessoais e treinamento de modelos de IA); LGPD (Lei n.º 13.709/2018). Resolução comentada do VaiConcursos. Gabarito disponível Tokenização normalmente precede a lematização, mas não é uma regra absoluta. O item afirma que a tokenização deve ser necessariamente precedida pela lematização, o que inverte a ordem lógica. A lematização opera sobre tokens, já segmentados, então a tokenização vem antes. O erro está na ordem apresentada. A) Errada: inverte a ordem lógica do pipeline. B) Correta: a tokenização antecede a lematização. Referência: Jurafsky e Martin, Speech and Language Processing. Resolução comentada do VaiConcursos. Gabarito disponível Aprendizado supervisionado exige dados rotulados. Classificadores em análise preditiva são treinados com dados rotulados, o que caracteriza o aprendizado supervisionado. Treinar com dados sem rótulos é aprendizado não supervisionado (descritivo), como o agrupamento. A) Errada: associa dados sem rótulos ao aprendizado supervisionado. B) Correta: o item contém erro conceitual. Referência: Fundamentos de aprendizado de máquina. Resolução comentada do VaiConcursos. Gabarito disponível Modelos antigos em TensorFlow podem exigir adaptação para PyTorch. A biblioteca Hugging Face Transformers suporta vários frameworks, mas alguns modelos antigos treinados em TensorFlow podem ter dificuldade de integração em pipelines PyTorch. Nesses casos, converter ou reconstruir o modelo é uma solução razoável para garantir compatibilidade e controle. A) Correta: a ressalva é tecnicamente plausível. B) Errada: negaria uma situação prática possível. Referência: Documentação do Hugging Face Transformers. Resolução comentada do VaiConcursos.TJPA 2025 — Analista Judiciário – Especialidade: Análise de Sistemas — Prova Objetiva — Conhecimentos Específicos
O comando git-cherry-pick aplica as alterações introduzidas por alguns commits existentes, sendo necessário, nesse caso, que a árvore de trabalho esteja limpa.Resolução comentada
Análise das alternativas
Um realm no servidor Tomcat verifica a integridade de um arquivo ao comparar o seu resumo de mensagem com o do arquivo original.Resolução comentada
Análise das alternativas
O código a seguir, ao ser executado, apresentará number como resultado.
let x: alk = “ABC”;
x = 10;
console.log(typeof x);
O objeto XMLHttpRequest manipula somente dados em formato JSON.Resolução comentada
Análise das alternativas
x = [10, 20, 30]
y = x
y += [60, 50, 40]
print(x)
print(y)
O código Python precedente, ao ser executado, apresentará o resultado a seguir.
[10, 20, 30]
[60, 60, 60]Resolução comentada
Análise das alternativas
import java.util.*;
public class Prova {
public static void main(String[] args) {
Set<String> conjunto = new HashSet<>();
conjunto.add(“Java”);
conjunto.add(“Python”);
conjunto.add(“Javascript”);
conjunto.add(“Java”);
System.out.println(conjunto);
}
}
O código Java precedente, ao ser executado, apresentará o resultado a seguir.
[Java, Javascript, Python]Resolução comentada
Análise das alternativas
<html>
<table border=1>
<tr>
<td rowspan=2> abcd </td>
<td colspan=2> efgh </td>
</tr>
<tr>
<td> ijkl </td>
<td rowspan=2> mnop </td>
</tr>
<tr> <td colspan=2> rstu </td>
</tr>
</table>
</html>
Com base no código precedente, em HTML 5, julgue o item seguinte, acerca dos conceitos de XML e de HTML.
O código apresentará como resultado uma tabela com 3 linhas e 3 colunas: as linhas 1, 2 e 3 contendo 2, 3 e 2 elementos, respectivamente; e as colunas 1, 2 e 3 contendo 2, 3 e 2 elementos, respectivamente.
De acordo com o eMAG, todas as funções de uma página web desenvolvidas utilizando-se linguagens de script (JavaScript) devem ser programadas, primeiramente, para o uso com teclado.Resolução comentada
Análise das alternativas
Um SPA é uma implementação de aplicativo web em que frameworks PHP com Zend são uma parte fundamental do desenvolvimento web front-end.Resolução comentada
Análise das alternativas
Define-se Big Data apenas pelo volume de dados, sendo o armazenamento eficiente desses dados o principal objetivo dos sistemas modernos de processamento de informações.Resolução comentada
Análise das alternativas
Em soluções de Big Data orientadas à análise em tempo real, os dados são invariavelmente persistidos antes de serem processados, o que assegura a integridade analítica e a eliminação completa de latência na geração de insights.Resolução comentada
Análise das alternativas
Uma das funções de data mining é realizar previsões com base em dados históricos, utilizando algoritmos como regressão, redes neurais e árvores de decisão.Resolução comentada
Análise das alternativas
As técnicas de data mining operam exclusivamente com dados rotulados, utilizando apenas algoritmos supervisionados, uma vez que a descoberta de padrões requer o conhecimento prévio das classes dos dados.Resolução comentada
Análise das alternativas
No ODI, os knowledge modules são componentes reutilizáveis que encapsulam as lógicas de integração e transformação e que podem ser personalizados em linguagens como SQL, Groovy e Shell Script.Resolução comentada
Análise das alternativas
O ODI suporta integração nativa com tecnologias Big Data por meio do ODI Big Data Adapter e é capaz de gerar código HiveQL, Spark e Pig sem que o desenvolvedor escreva manualmente tais scripts.Resolução comentada
Análise das alternativas
É vedado o uso de modelos de linguagem de grande escala e sistemas de inteligência artificial generativa, privados ou externos ao Poder Judiciário, para processar ou gerar conteúdo com base em documentos sigilosos, mesmo que os dados tenham sido anonimizados ou que existam mecanismos técnicos para garantir sua proteção.Resolução comentada
Análise das alternativas
Após o treinamento de modelos de inteligência artificial, recomenda-se eliminar os dados pessoais não anonimizados dos repositórios de dados, mantendo apenas os dados tokenizados estritamente necessários ao modelo.Resolução comentada
Análise das alternativas
Em um pipeline de pré-processamento de linguagem natural aplicado ao domínio jurídico, a tokenização deve, necessariamente, ser precedida pela lematização, uma vez que a lematização opera sobre formas canônicas já segmentadas.Resolução comentada
Análise das alternativas
Em análise preditiva, algoritmos de classificação podem ser treinados a partir de conjuntos de dados sem rótulos; sendo o processo de ajuste dos parâmetros pelo algoritmo com base nesses dados denominado aprendizado supervisionado.Resolução comentada
Análise das alternativas
Embora a biblioteca Hugging Face ofereça suporte a múltiplos frameworks, alguns modelos específicos — especialmente os mais antigos, originalmente treinados em TensorFlow — podem apresentar dificuldades de integração em pipelines de inferência desenvolvidos em PyTorch, como os utilizados em aplicações jurídicas; nesses casos, pode ser recomendável adaptar ou reconstruir o modelo em PyTorch para assegurar compatibilidade e controle total sobre o fluxo de dados.Resolução comentada
Análise das alternativas
Julgue os itens a seguir, a respeito de servidores de aplicação e ferramentas de versionamento.
Julgue os itens a seguir, a respeito de servidores de aplicação e ferramentas de versionamento.
Acerca de Ajax e TypeScript e seus frameworks, julgue os itens seguintes.
Acerca de Ajax e TypeScript e seus frameworks, julgue os itens seguintes.
Julgue os itens subsequentes, referentes a Python e Java.
Julgue os itens subsequentes, referentes a Python e Java.
Texto-base:
No que concerne aos conceitos de eMAG e de SPA (single-page application), julgue os itens a seguir.
No que concerne aos conceitos de eMAG e de SPA (single-page application), julgue os itens a seguir.
Julgue os próximos itens, a respeito de Big Data, data mining e Oracle Data Integrator (ODI).
Julgue os próximos itens, a respeito de Big Data, data mining e Oracle Data Integrator (ODI).
Julgue os próximos itens, a respeito de Big Data, data mining e Oracle Data Integrator (ODI).
Julgue os próximos itens, a respeito de Big Data, data mining e Oracle Data Integrator (ODI).
Julgue os próximos itens, a respeito de Big Data, data mining e Oracle Data Integrator (ODI).
Julgue os próximos itens, a respeito de Big Data, data mining e Oracle Data Integrator (ODI).
De acordo com a Resolução CNJ n.º 615/2025, que estabelece diretrizes para o desenvolvimento, a utilização e a governança de soluções desenvolvidas com recursos de inteligência artificial no Poder Judiciário, julgue os próximos itens.
De acordo com a Resolução CNJ n.º 615/2025, que estabelece diretrizes para o desenvolvimento, a utilização e a governança de soluções desenvolvidas com recursos de inteligência artificial no Poder Judiciário, julgue os próximos itens.
Acerca do processamento de linguagem natural e dos conceitos de modelos preditivos (supervisionados) e descritivos (não supervisionados), julgue os itens a seguir.
Acerca do processamento de linguagem natural e dos conceitos de modelos preditivos (supervisionados) e descritivos (não supervisionados), julgue os itens a seguir.
Julgue os itens subsequentes, no que concerne ao uso da biblioteca Hugging Face Transformers com PyTorch e aos sistemas baseados na arquitetura RAG (retrieval-augmented generation).