Questão nº 36
Questão de TI - Ciência de Dados · FGV EPE 2024 (nº 36)
Há uma família de modelos de IA generativa que tem dois modelos treinados em conjunto: o gerador e o discriminador.
O gerador tenta criar dados falsos que sejam indistinguíveis dos dados reais, enquanto que o discriminador tenta distinguir entre dados reais e falsos. O treinamento é um jogo min-max, em que o gerador melhora suas habilidades para enganar o discriminador, e o discriminador melhora suas habilidades para detectar dados falsos.
Assinale a opção que apresenta as características do modelo de IA generativa descritas no texto.
- AGenerative Adversarial Networks. (alternativa correta)
- BVariational Autoencoders.
- CEnergy-Based Models.
- DAutoregressive Models.
- ENormalizing Flow Models.
Resposta comentada
Gabarito Alternativa A
Generative Adversarial Networks (GANs) são modelos de inteligência artificial que aprendem a criar dados novos e realistas (como imagens ou áudios) através de uma competição entre duas redes neurais: um gerador e um discriminador. O gerador tenta enganar o discriminador, e o discriminador tenta não ser enganado.
- (A) Correta: O texto descreve exatamente as Generative Adversarial Networks (GANs), que consistem em um gerador que cria dados falsos e um discriminador que os avalia, treinados em um jogo min-max adversarial.
- (B) Incorreta: Variational Autoencoders (VAEs) são modelos generativos que aprendem a codificar dados em uma representação latente e depois decodificá-los, mas não utilizam um discriminador nem um treinamento adversarial. A armadilha é que VAEs também são modelos generativos populares, mas com uma arquitetura e método de treinamento fundamentalmente diferentes.
- (C) Incorreta: Energy-Based Models (EBMs) definem uma função de energia que associa valores baixos a dados reais e valores altos a dados irreais, mas não seguem a arquitetura de gerador-discriminador em um jogo min-max.
- (D) Incorreta: Autoregressive Models (como GPT) geram dados sequencialmente, prevendo o próximo elemento com base nos anteriores, e não utilizam a estrutura de gerador e discriminador em competição.
- (E) Incorreta: Normalizing Flow Models transformam uma distribuição de probabilidade simples em uma complexa através de uma sequência de transformações invertíveis, mas não envolvem um gerador e um discriminador em um jogo adversarial.
Fonte: FGV EPE 2024 Analista de Gestão Corporativa - TI - Ciência de Dados (Caderno Tipo 1). Reproduzida para fins de estudo.