← Voltar para a lista de provas Tribunal de Justiça do Estado do Pará (TJPA) · Analista Judiciário – Especialidade: Análise de Suporte 70 questões nesta prova · página 4 de 4 · 66 com gabarito Gabarito disponível GPUs superam CPUs em cargas altamente paralelas, como treinamento de deep learning. As GPUs têm milhares de núcleos e executam operações massivamente paralelas, como multiplicações de matrizes. Por isso aceleram o treinamento de modelos de aprendizado profundo, inclusive em análise de texto, mais que CPUs tradicionais. A) Certo: descreve o ganho de desempenho da GPU em cargas paralelas. B) Errado: negaria um fato consolidado. Referência: Fundamentos de computação de alto desempenho com GPU. Resolução comentada do VaiConcursos. Gabarito disponível AWQ e GGUF reduzem memória e viabilizam LLMs locais, com perda pequena de precisão. Quantização como AWQ e o formato GGUF reduzem o tamanho do modelo e o consumo de memória, preservando bem a precisão. Isso viabiliza a execução local em hardware modesto, como em chatbots offline e inferência embarcada. O item afirma o contrário. A) Certo: afirma aumento de latência e memória e inadequação, o que é falso. B) Errado (correta): são técnicas que viabilizam execução local. Referência: Literatura sobre quantização de LLMs (AWQ; llama.cpp/GGUF). Resolução comentada do VaiConcursos. Gabarito disponível Blocks distintos de um grid não compartilham automaticamente memória local nem registradores. A hierarquia thread, block, grid está certa, mas registradores e memória local são privados de cada thread. A memória compartilhada é por bloco, e blocos diferentes só se comunicam via memória global. Logo, não há compartilhamento automático entre blocos. A) Certo: erra ao afirmar compartilhamento automático entre blocos. B) Errado (correta): registradores e memória local são por thread. Referência: Guia de programação CUDA (NVIDIA). Resolução comentada do VaiConcursos. Gabarito disponível O programador define os blocos; o escalonador de hardware os distribui aos multiprocessadores SIMD. Na configuração do kernel, o programador define o número de blocos de threads no grid. O escalonador de blocos de threads, em hardware, atribui esses blocos aos processadores SIMD multithreaded (SMs). O item está correto. A) Certo: descreve o modelo de execução de GPU. B) Errado: contraria o modelo, pois o escalonamento de blocos é feito em hardware. Referência: Hennessy & Patterson, Arquitetura de Computadores (capítulo sobre GPUs); guia de programação CUDA. Resolução comentada do VaiConcursos. Gabarito disponível Em CUDA, deve-se usar a memória compartilhada, pois a global é mais lenta. A memória compartilhada fica no chip, com baixa latência e alta largura de banda, e é recomendada para reduzir acessos à memória global. A memória global tem latência bem maior, então a estratégia descrita no item é o oposto da recomendada. A) Certo: inverte as características das memórias. B) Errado (correta): a recomendação é aproveitar a memória compartilhada. Referência: CUDA C Programming/Best Practices Guide (NVIDIA). Resolução comentada do VaiConcursos. Gabarito disponível cuDNN tem suporte nativo no Windows e instalação simples, sem compilação manual. O cuDNN é distribuído em binários para Windows, e TensorFlow e PyTorch o integram. No PyTorch, as builds com CUDA já trazem o cuDNN embutido, por exemplo via pip. Não é preciso compilar o código-fonte nem modificar bibliotecas de baixo nível. A) Certo: afirma inviabilidade e compilação manual, o que é falso. B) Errado (correta): a instalação é direta e há integração nativa. Referência: Documentação NVIDIA cuDNN; instalação do PyTorch e TensorFlow. Resolução comentada do VaiConcursos. Gabarito disponível O nvidia-smi também permite configurar parâmetros e ativar o modo persistente. O nvidia-smi não é apenas de leitura: permite, por exemplo, ativar o modo de persistência (-pm), definir limite de potência (-pl), modo de computação e resetar a GPU. O item erra ao afirmar que isso depende exclusivamente do NVIDIA Control Panel. A) Certo: falso, pois o nvidia-smi oferece configuração. B) Errado (correta): o utilitário permite reconfiguração e modo persistente. Referência: Documentação do NVIDIA System Management Interface (nvidia-smi). Resolução comentada do VaiConcursos. Gabarito disponível Resfriamento líquido direto ao chip permite água mais quente e menos chillers. Com o resfriamento líquido direto ao chip, o calor é removido na fonte, e a água pode operar em temperaturas mais altas. Isso reduz o uso de chillers mecânicos e de resfriamento evaporativo, melhorando a eficiência energética e hídrica. A) Certo: descreve corretamente a vantagem da técnica. B) Errado: negaria benefícios amplamente reconhecidos. Referência: Boas práticas de data centers de alta densidade (ASHRAE; literatura de liquid cooling). Resolução comentada do VaiConcursos. Gabarito disponível Aceleração por GPU exige compatibilidade entre GPU, driver, CUDA Toolkit e framework. Frameworks como TensorFlow e PyTorch com CUDA são compilados para versões específicas do CUDA e exigem driver compatível com a GPU. Incompatibilidades fazem a GPU não ser detectada ou usada, mesmo instalada e funcional. A) Certo: a dependência de versões é real. B) Errado: ignoraria a necessidade de compatibilidade. Referência: Matriz de compatibilidade CUDA/driver NVIDIA; documentação TensorFlow e PyTorch. Resolução comentada do VaiConcursos. Gabarito disponível vGPU compartilha GPU entre VMs; com Docker exige driver no host e NVIDIA Container Toolkit. A virtualização com NVIDIA vGPU divide uma GPU física entre várias VMs ou contêineres. Para contêineres Docker acessarem a GPU, o host precisa do driver NVIDIA e do NVIDIA Container Toolkit, que expõe a GPU ao runtime. O item está correto. A) Certo: descreve corretamente o compartilhamento e os requisitos do Docker. B) Errado: os requisitos citados são de fato necessários. Referência: Documentação NVIDIA vGPU e NVIDIA Container Toolkit. Resolução comentada do VaiConcursos.TJPA 2025 — Analista Judiciário – Especialidade: Análise de Suporte — Prova Objetiva — Conhecimentos Específicos
A utilização de GPU permite acelerar cargas de trabalho de alta complexidade, superando a capacidade de processamento de CPUs tradicionais para a execução de certas tarefas, como o treinamento de modelos de aprendizado profundo para a análise preditiva de sentenças.Resolução comentada
Análise das alternativas
Técnicas como AWQ (activation-aware weight quantization) e GGUF (general unified format) comprometem a precisão e a viabilidade da execução local de grandes modelos de linguagem, sendo inadequadas para aplicações como chatbots offline, análise de texto em tempo real ou inferência embarcada, já que essas abordagens aumentam a latência e o consumo de memória, exigindo hardware com alta capacidade computacional.Resolução comentada
Análise das alternativas
Em CUDA, a execução paralela é estruturada em threads, que formam blocks, os quais, por sua vez, compõem grids, podendo diferentes blocks dentro de um mesmo grid compartilhar automaticamente sua memória local e seus registradores.Resolução comentada
Análise das alternativas
Em uma GPU, o programador define diretamente no código quantos blocos de threads devem ser executados, enquanto o escalonador de blocos de threads, implementado em hardware, distribui esses blocos entre os processadores SIMD multithreaded.Resolução comentada
Análise das alternativas
No desenvolvimento de aplicações com CUDA, uma das estratégias recomendadas para a otimização de desempenho é a minimização do uso da memória compartilhada do dispositivo, priorizando-se o acesso direto à memória global, já que esta possui maior largura de banda e menor latência.Resolução comentada
Análise das alternativas
No ambiente Windows, a instalação e o uso do cuDNN com Python é um processo complexo que exige a compilação manual do cuDNN a partir do código-fonte e a modificação direta de bibliotecas Python de baixo nível, pois os frameworks de deep learning, como TensorFlow e PyTorch, não possuem integração nativa com o cuDNN no ambiente Windows, tornando-o inviável para desenvolvedores comuns.Resolução comentada
Análise das alternativas
O utilitário nvidia-smi, integrante da SMI da NVIDIA, é restrito à função de leitura passiva de métricas da GPU em tempo real, como temperatura, uso de memória e potência, não oferecendo suporte à reconfiguração de parâmetros operacionais nem à ativação de modos persistentes, funcionalidades que dependem exclusivamente de ferramentas avançadas como o NVIDIA Control Panel.Resolução comentada
Análise das alternativas
O uso de resfriamento líquido direto ao chip em data centers de inteligência artificial permite a operação com temperaturas de água mais elevadas, reduzindo a dependência de chillers mecânicos em diversos climas, abordagem que contribui tanto para a eficiência energética quanto para a eficiência hídrica.Resolução comentada
Análise das alternativas
A correta execução de bibliotecas de inteligência artificial que utilizem aceleração por GPU, como TensorFlow ou PyTorch com suporte CUDA, depende da compatibilidade entre as versões da GPU NVIDIA, do driver instalado, do CUDA Toolkit e da biblioteca utilizada, visto que uma incompatibilidade entre esses componentes pode impedir o uso da GPU, mesmo que ela esteja fisicamente instalada e funcional.Resolução comentada
Análise das alternativas
A virtualização de GPU com NVIDIA vGPU permite o compartilhamento de uma única GPU física entre múltiplas máquinas virtuais ou contêineres; no caso do uso com contêiner Docker, é necessário que o host tenha os drivers NVIDIA instalados, além do NVIDIA Container Toolkit, para que os contêineres consigam acessar a GPU corretamente.Resolução comentada
Análise das alternativas
A respeito dos fundamentos de GPU para ambientes de alto desempenho e das aplicações práticas da CUDA, julgue os itens a seguir.
A respeito dos fundamentos de GPU para ambientes de alto desempenho e das aplicações práticas da CUDA, julgue os itens a seguir.
A respeito dos fundamentos de GPU para ambientes de alto desempenho e das aplicações práticas da CUDA, julgue os itens a seguir.
A respeito dos fundamentos de GPU para ambientes de alto desempenho e das aplicações práticas da CUDA, julgue os itens a seguir.
A respeito dos fundamentos de GPU para ambientes de alto desempenho e das aplicações práticas da CUDA, julgue os itens a seguir.
Julgue os próximos itens, em relação a cuDNN, gerenciamento de GPU com NVIDIA SMI, e infraestrutura e operação de ambientes com GPU.
Julgue os próximos itens, em relação a cuDNN, gerenciamento de GPU com NVIDIA SMI, e infraestrutura e operação de ambientes com GPU.
Julgue os próximos itens, em relação a cuDNN, gerenciamento de GPU com NVIDIA SMI, e infraestrutura e operação de ambientes com GPU.
Julgue os próximos itens, em relação a cuDNN, gerenciamento de GPU com NVIDIA SMI, e infraestrutura e operação de ambientes com GPU.
Julgue os próximos itens, em relação a cuDNN, gerenciamento de GPU com NVIDIA SMI, e infraestrutura e operação de ambientes com GPU.