Gabarito disponível
Texto-base:
Texto 2A2-I
Imagens de satélite e inteligência artificial podem ser aplicadas para determinar os níveis de desmatamento e os detalhes da biodiversidade da Floresta Amazônica, de maneira que culturas agrícolas sejam automaticamente classificadas por um sistema de aprendizado de máquina que usa imagens de satélite nesse mapeamento.
É nesse sentido que a ferramenta LLP-Co (learning from label proportions with prototypical contrastive clustering) organiza grandes conjuntos de dados capturados por drones e satélites, que conseguem sobrevoar a floresta e coletar dados em grande escala, inclusive em áreas de cobertura vegetal mais densa. Esses dados são organizados, identificados (rotulados) e classificados pelo sistema, que tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores.
As aplicações do sistema no monitoramento florestal permitem uma maior acurácia no acompanhamento do avanço do desmatamento, possibilitando uma gestão de políticas públicas mais eficaz. Além disso, a identificação e a classificação das espécies vegetais podem revelar detalhes surpreendentes da biodiversidade local, abrindo novos flancos de pesquisas voltadas para a preservação ambiental.
Internet: <https://portal.fgv.br> (com adaptações).
O sistema LLP-Co, descrito no texto 2A2-I, enquadra-se, segundo a literatura especializada, no conceito de sistema de aprendizado de máquina, porque sua característica central consiste em
Texto 2A2-I
Imagens de satélite e inteligência artificial podem ser aplicadas para determinar os níveis de desmatamento e os detalhes da biodiversidade da Floresta Amazônica, de maneira que culturas agrícolas sejam automaticamente classificadas por um sistema de aprendizado de máquina que usa imagens de satélite nesse mapeamento.
É nesse sentido que a ferramenta LLP-Co (learning from label proportions with prototypical contrastive clustering) organiza grandes conjuntos de dados capturados por drones e satélites, que conseguem sobrevoar a floresta e coletar dados em grande escala, inclusive em áreas de cobertura vegetal mais densa. Esses dados são organizados, identificados (rotulados) e classificados pelo sistema, que tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores.
As aplicações do sistema no monitoramento florestal permitem uma maior acurácia no acompanhamento do avanço do desmatamento, possibilitando uma gestão de políticas públicas mais eficaz. Além disso, a identificação e a classificação das espécies vegetais podem revelar detalhes surpreendentes da biodiversidade local, abrindo novos flancos de pesquisas voltadas para a preservação ambiental.
Internet: <https://portal.fgv.br> (com adaptações).
O sistema LLP-Co, descrito no texto 2A2-I, enquadra-se, segundo a literatura especializada, no conceito de sistema de aprendizado de máquina, porque sua característica central consiste em
Resolução comentada
Aprendizado de máquina aprende padrões dos dados e generaliza para novos casos.
A característica central do aprendizado de máquina é aprender padrões a partir de dados, em vez de seguir regras fixas, e generalizar para casos novos. O LLP-Co faz isso ao rotular e classificar imagens com supervisão e validação dos pesquisadores.
Análise das alternativas
A) O texto cita supervisão e validação dos pesquisadores. B) Instruções determinísticas pré-codificadas caracterizam software tradicional. C) Regras simbólicas de especialistas caracterizam sistemas especialistas. E) Estatística descritiva apenas resume dados, sem generalizar.
Referência: Mitchell, Machine Learning; conceitos de aprendizado supervisionado.
Resolução comentada do VaiConcursos.