Questão nº 61
Questão de Tecnologia da Informação · CEBRASPE SEFAZ-RN 2025 - P2 Conhecimentos Complementares (nº 61)
Suponha que, em determinada secretaria de fazenda estadual, se esteja avaliando a aplicação de arquiteturas de deep learning para otimizar processos de fiscalização e gestão. Considerando essa situação hipotética e as propriedades das redes neurais convolucionais (CNNs), cuja arquitetura é baseada em camadas de filtragem para a extração de hierarquias de características espaciais, assinale a opção que indica uma aplicação tecnicamente adequada das CNNs, seguida de sua descrição.
- Aredução de dimensionalidade — aplicação de camadas convolucionais para o cálculo de indicadores fiscais sintéticos a partir de variáveis estatísticas descorrelacionadas em ambiente Big Data
- Banálise econométrica — estimativa da elasticidade-preço da demanda e impacto do PIB na receita estadual por meio do treinamento de filtros convolucionais em variáveis macroeconômicas agregadas
- Cagrupamento de contribuintes — utilização de CNNs para a segmentação de empresas por comportamento de crédito, utilizando como entrada bases de dados relacionais e tabelas de histórico de pagamentos
- Dmodelagem preditiva de receita — aplicação de CNNs para o ajuste de modelos autorregressivos de séries temporais de arrecadação baseados estritamente em dados numéricos tabelados
- Eauditoria de documentos fiscais — reconhecimento de padrões e classificação automática de documentos digitalizados (como notas fiscais, faturas ou contratos), com vistas a identificar fraudes ou inconsistências em elementos visuais (alternativa correta)
Resposta comentada
Gabarito Alternativa E
CNNs são especialistas em encontrar padrões visuais e espaciais em dados que têm uma estrutura de grade, como imagens. Elas não são a ferramenta certa para tabelas numéricas, séries temporais unidimensionais ou dados relacionais, que são melhor tratados por outros modelos.
- (A) Incorreta: Redução de dimensionalidade com CNNs não faz sentido, pois elas extraem características de imagens, não calculam indicadores sintéticos de variáveis estatísticas descorrelacionadas (isso seria PCA ou autoencoders).
- (B) Incorreta: Análise econométrica com filtros convolucionais em variáveis macroeconômicas agregadas é inadequada, pois CNNs não são projetadas para regressão com dados tabulares ou inferência causal.
- (C) Incorreta: Agrupamento de contribuintes por comportamento de crédito usa dados relacionais e tabelas, que não têm estrutura espacial de grade; CNNs não se aplicam a esse tipo de entrada.
- (D) Incorreta: Modelagem preditiva de receita com CNNs em séries temporais numéricas tabeladas é um erro clássico; para isso, usam-se RNNs, LSTMs ou modelos ARIMA, não CNNs.
- (E) Correta: Auditoria de documentos fiscais é a aplicação ideal, pois documentos digitalizados são imagens, e as CNNs reconhecem padrões visuais (textos, logotipos, assinaturas) para classificar e detectar fraudes ou inconsistências.
Armadilha do distrator mais tentador (D): A banca tenta confundir o aluno com "séries temporais" e "modelos autorregressivos", que são termos de análise preditiva. A pegadinha é que, embora CNNs possam ser usadas em séries temporais (como em processamento de sinais), a alternativa diz "estritamente dados numéricos tabelados", o que foge da força da CNN (imagens). O aluno que só lembra que "CNN serve para prever" cai nela, mas o contexto de "documentos digitalizados" na letra E é o único que explora a hierarquia de características espaciais visuais.
Fonte: CEBRASPE SEFAZ-RN 2025 - P2 Conhecimentos Complementares Auditor Fiscal de Receitas Estaduais. Reproduzida para fins de estudo.