Questão de Biblioteconomia · CEBRASPE TCE-MG 2025 (nº 40)

Embeddings são representações numéricas (vetores) que capturam o significado de palavras, imagens ou documentos, permitindo que a máquina "entenda" similaridade entre eles. Transformers são arquiteturas de redes neurais que usam mecanismos de atenção para processar sequências inteiras de dados em paralelo, sendo a base dos modelos de linguagem modernos (como GPT e BERT) e revolucionando a recuperação e organização da informação.

• (A) Incorreta: Deep learning e machine learning são campos amplos e genéricos; machine learning é o guarda-chuva que contém deep learning, então não são dois conceitos técnicos específicos no cerne da revolução atual de organização/recuperação de dados.
• (B) Incorreta: Redes neurais são a base histórica, mas machine learning é campo mais amplo; a dupla não representa o salto técnico específico que transformou busca semântica e recuperação de informação.
• (C) Incorreta: Aprendizado hebbiano e perceptron são conceitos pioneiros (anos 1940–1950), importantes historicamente, mas superados e não são o cerne da revolução atual.
• (D) Correta: Embeddings e transformers são exatamente os dois pilares técnicos que permitiram representar significado em vetores e processar contexto em larga escala, viabilizando busca semântica, RAG e sistemas modernos de recuperação da informação.
• (E) Incorreta: "Algoritmo randomizado" é termo vago e genérico; "neurônio artificial" é unidade básica antiga, não o par conceitual que define a revolução atual.

Comentário do distrator mais tentador (A): a banca explora a confusão entre campo guarda-chuva e conceito técnico específico. Machine learning é a área geral (que inclusive contém deep learning), então apresentá-los como "dois conceitos no cerne" é uma armadilha de hierarquia: um está dentro do outro, não são pares no mesmo nível. Já embeddings e transformers são tecnologias complementares e específicas — uma representa significado, a outra processa contexto — e juntas explicam por que a IA atual consegue organizar e recuperar dados de forma semântica, e não apenas por palavra-chave. Fixe assim: se a questão pede o "cerne técnico" da revolução em dados, pense em vetores de significado (embeddings) + arquitetura de atenção (transformers).