Questão nº 37
Questão de Tecnologia da Informação · FCC TRF4 2025 (nº 37)
No desenvolvimento de soluções de Inteligência Artificial para um tribunal, a equipe técnica precisa implementar modelos de Machine Learning de forma integrada em pipelines de produção, considerando práticas de MLOps para garantir a confiabilidade e a atualização contínua dos modelos implantados. Em um projeto que envolve a criação de um sistema de recomendação baseado em processamento de linguagem natural (NLP) e a identificação de anomalias para prevenção de fraudes, a configuração do pipeline de produção deve adotar estratégias que
- Aestabeleçam fluxos de atualização baseados em monitoramento manual, com reavaliações periódicas dos modelos conduzidas conforme demandas operacionais pontuais.
- Bconcetrem os processos de ingestão, transformação e treinamento em única etapa para facilitar manutenções pontuais, mesmo que sem orquestração automatizada de reexecução completa.
- Cintegrem práticas de Continuous Integration/Continuous Delivery (CI/CD) específicas para Machine Learning, facilitando a atualização e monitoramento dos modelos em produção. (alternativa correta)
- Dconcentrem o processo de engenharia de atributos na maximização da variedade de entradas, isentando da aplicação de mecanismos de seleção baseados em relevância estatística ou impacto preditivo.
- Eorganizem as tarefas de recomendação e detecção de anomalias em pipelines serializados, utilizando fontes de dados independentes para evitar acoplamento excessivo entre os modelos.
Resposta comentada
Gabarito Alternativa C
MLOps é a união de práticas de Machine Learning, Desenvolvimento de Software (DevOps) e Operações para gerenciar o ciclo de vida completo de modelos de ML, desde o desenvolvimento até a implantação e monitoramento em produção, garantindo que eles funcionem bem e sejam atualizados automaticamente. CI/CD (Integração Contínua/Entrega Contínua) é uma parte fundamental do MLOps, automatizando a construção, teste e implantação de código e modelos.
- (A) Incorreta: O monitoramento manual e as reavaliações pontuais vão contra o princípio de automação e continuidade do MLOps, que busca atualizações proativas e baseadas em gatilhos automáticos. A armadilha aqui é que "monitoramento" e "reavaliações" são importantes, mas a forma "manual" e "pontual" anula os benefícios de um sistema MLOps robusto.
- (B) Incorreta: Concentrar todos os processos em uma única etapa dificulta a manutenção, escalabilidade e depuração, além de ir contra a modularidade. A falta de orquestração automatizada é um erro fundamental em MLOps.
- (C) Correta: A integração de práticas de CI/CD específicas para Machine Learning é a essência do MLOps, automatizando a construção, teste, validação e implantação de modelos, o que garante a atualização contínua e o monitoramento eficaz em produção.
- (D) Incorreta: A engenharia de atributos deve focar na relevância e impacto preditivo, não apenas na variedade. Ignorar a seleção de atributos leva a modelos ineficientes e com baixo desempenho, sendo uma má prática de ML, não uma estratégia de pipeline MLOps.
- (E) Incorreta: Embora evitar acoplamento excessivo seja bom, a organização em pipelines serializados com fontes de dados independentes não é a estratégia principal para garantir a confiabilidade e atualização contínua dos modelos via MLOps. A questão foca na configuração do pipeline para os objetivos de MLOps, e CI/CD é a resposta direta para isso.
Fonte: FCC TRF4 2025 Técnico Judiciário - Área Apoio Especializado - Especialidade Desenvolvimento de Sistema da Informação (Caderno Tipo 001). Reproduzida para fins de estudo.