O analista de suporte Theo está projetando e otimizando a infraestrutura de desenvolvimento de soluções de inteligência artificial do MPU. Theo observou que a maior demanda de recurso computacional ocorre na fase de treinamento de redes neurais, quando a demanda é diretamente proporcional à quantidade de iterações do modelo sobre o conjunto de dados de treinamento. Considerando o observado, Theo deve analisar a quantidade de vezes que o modelo percorre todo o conjunto de dados de treinamento. Essa quantidade é representada por uma:
- A)TPU;
TPU é um tipo de hardware especializado em processamento de IA, não uma medida de quantas vezes o modelo treina com os dados.
- B)NPU;
NPU também é uma unidade de processamento voltada a inteligência artificial, então não representa o ciclo completo de treinamento.
- C)época;
É a unidade que indica quantas vezes o modelo percorre todo o conjunto de treinamento, exatamente como pede o enunciado.
- D)feature;
Feature é uma característica ou atributo dos dados, não a contagem de passagens do modelo pelo conjunto de treinamento.
- E)camada.
Camada é uma estrutura da rede neural, como camada de entrada, oculta ou de saída, e não a quantidade de ciclos de treinamento.
Gabarito: C
Na fase de treinamento de redes neurais, uma das ideias centrais é que o modelo precisa “ver” o conjunto de dados repetidas vezes para ajustar seus parâmetros. Cada passagem completa pelos dados é chamada de época. Pense assim: uma leitura não basta para aprender direito, então o modelo faz várias voltas, como quem revisa a matéria antes da prova. Isso é diferente de iteração, que costuma se referir a atualizações feitas em passos menores, muitas vezes dentro de uma época. Já a época conta o percurso completo do modelo sobre todo o conjunto de treinamento. Em redes neurais, esse conceito é básico e aparece com frequência em materiais de aprendizado de máquina e deep learning. Por isso, o gabarito é a letra C. Se a questão fala em analisar “a quantidade de vezes que o modelo percorre todo o conjunto de dados de treinamento”, ela está descrevendo exatamente a noção de época. Em termos práticos, mais épocas significam mais oportunidades de aprendizado, embora em excesso possam levar ao overfitting. A banca FGV costuma cobrar esses termos de IA de forma conceitual, trocando nomes parecidos para ver se você confunde hardware com parâmetro de treinamento. Aqui, o segredo é lembrar: percurso completo sobre todos os dados = época.