Inteligência Artificial Aplicada em Concursos: Guia Prático 2025

Olá! Sou Ronaldo Cardoso, criador do blog Tecnologia Moderna e mentor do canal no YouTube. Neste guia completo, você vai entender como a IA aplicada em concursos tem sido cobrada pelas principais bancas em 2025, incluindo conceitos formais segundo a ISO/IEC 22989, e terá questões comentadas para reforçar seu preparo.

Objetivos deste post:

• Apresentar os principais conceitos de IA cobrados em concursos de TI e áreas correlatas.
• Explorar sistemas especialistas, Machine Learning, IA generativa e agentes autônomos para concursos.
• Incluir referências à Norma ISO/IEC 22989, que estabelece terminologia e conceitos essenciais de IA.
• Oferecer questões comentadas e dúvidas frequentes para fixar o aprendizado.

A inteligência artificial visa criar sistemas capazes de simular processos cognitivos humanos, como percepção, raciocínio e aprendizado, conforme descrito na norma ISO/IEC 22989. Esse guia serve tanto para quem está estudando para provas de TI generalista quanto para concursos com viés mais normativo, que tendem a cobrar a terminologia oficial com maior rigor.

Fundamentos de Inteligência Artificial (IA)

• Definição geral: campo que estuda agentes (software ou robô) que percebem o ambiente e tomam decisões para alcançar metas.
• IA forte x IA fraca: a IA forte busca consciência semelhante à humana; a IA fraca é especializada em tarefas específicas, como reconhecimento de voz.
• Componentes básicos: sensoriamento, processamento de dados, tomada de decisão e atuação no mundo real.

Sistemas especialistas e apoio à decisão

Sistemas especialistas são programas que imitam o raciocínio de especialistas em domínios fechados, usando regras heurísticas para inferência e justificativa de decisões.

• Arquitetura: base de conhecimento (regras) + mecanismo de inferência (motor de regras).
• Explicabilidade: capacidade de rastrear a cadeia lógica das decisões, fundamental em provas de TI e de gestão pública.
• Aplicações típicas: diagnóstico médico, análise jurídica e suporte a decisões financeiras em concursos de bancos.

Machine Learning em provas de TI

Machine Learning (ML) estuda algoritmos que aprendem padrões a partir de dados sem serem explicitamente programados para cada tarefa.

• Aprendizado supervisionado: modelos treinados com dados rotulados para classificação e regressão.
• Aprendizado não supervisionado: identificação de agrupamentos ou padrões sem rótulos, como clustering.
• Aprendizado por reforço: agentes aprendem por tentativa e erro, recebendo recompensas associadas a ações corretas.

Conhecimentos cobrados nas provas: tipos de ML, diferenças entre métodos, validação de modelos e métricas de desempenho.

Tópicos emergentes: IA generativa e agentes autônomos

• IA generativa: modelos como GPT e DALL·E criam texto, imagem ou código novo a partir de grandes volumes de dados de treinamento.
• Agentes autônomos: softwares que operam de forma independente, tomando decisões dinâmicas com base em aprendizado por reforço e lógica simbólica.
• Relevância para concursos: bancas começaram a incluir temas como “vieses em modelos generativos” e “ética em agentes autônomos” em provas de 2025.

Norma ISO/IEC 22989: conceitos e terminologia de IA

A ISO/IEC 22989:2022 estabelece definições padronizadas para mais de 110 termos de IA, garantindo vocabulário comum em normas técnicas e regulatórias.

• Escopo: define conceitos como agente de IA, aprendizado supervisionado, explicabilidade, robustez e transparência.
• Importância: fornece base para desenvolver normas complementares, como desempenho de modelos e métricas de confiabilidade.
• Stakeholders: indivíduos ou organizações que influenciam ou são afetados por decisões de IA, descritos na norma para assegurar responsabilidade e governança.

Como as bancas costumam cobrar esse conteúdo

Antes de partir para as questões comentadas, vale entender o padrão de cobrança para direcionar melhor os estudos:

Mapear esse padrão ajuda a priorizar o tempo de estudo — se a banca tem histórico de cobrar normas técnicas, vale revisar a terminologia da ISO com mais atenção; se o foco é mais prático, priorize os tipos de aprendizado de máquina e exemplos de aplicação.

Outra estratégia útil é revisar provas anteriores da mesma banca (mesmo que de anos anteriores e sem foco específico em IA) para identificar o estilo de redação das questões — bancas mais tradicionais tendem a usar frases quase idênticas às definições oficiais, enquanto bancas mais modernas costumam trazer cenários práticos para você identificar o conceito por trás da situação descrita.

Glossário essencial da ISO/IEC 22989

Alguns termos da norma aparecem com frequência em provas mais normativas — vale memorizar as definições exatas, já que bancas costumam cobrar a redação literal ou próxima da norma:

• Agente de IA: entidade (software ou robô) que percebe o ambiente por meio de sensores e atua sobre ele para atingir objetivos definidos.
• Robustez: capacidade de um sistema de IA manter seu desempenho mesmo diante de variações ou perturbações nos dados de entrada.
• Viés (bias): tendência sistemática de um modelo produzir resultados distorcidos em favor ou contra determinado grupo ou padrão, geralmente originada nos dados de treinamento.
• Governança de IA: conjunto de políticas, papéis e processos que orientam o desenvolvimento e uso responsável de sistemas de IA em uma organização.
• Ciclo de vida de um sistema de IA: conjunto de fases que vão desde a concepção e treinamento até a operação, monitoramento e eventual desativação do modelo.
• Stakeholder de IA: qualquer indivíduo ou organização que influencia ou é afetado pelas decisões de um sistema de IA, conceito usado pela norma para atribuir responsabilidades claras.
• Confiabilidade: grau em que um sistema de IA se comporta de maneira consistente e previsível ao longo do tempo, mesmo em condições variadas de operação.

Machine Learning x sistemas especialistas: comparação direta

Essas duas abordagens costumam ser confundidas em provas objetivas, então vale destacar a diferença central entre elas:

Erros comuns na hora de estudar IA para concursos

• Confundir IA forte com IA geral avançada de ficção científica: o conceito acadêmico de IA forte é mais restrito e não corresponde às representações populares de filmes.
• Tratar todos os tipos de aprendizado como sinônimos: supervisionado, não supervisionado e por reforço têm aplicações e características bem distintas, e bancas costumam explorar exatamente essa diferença.
• Ignorar a terminologia formal da ISO em provas normativas: usar uma definição “popular” em vez da definição técnica pode custar pontos em questões objetivas.
• Não revisar exemplos práticos: muitas questões pedem para identificar, em um cenário descrito, qual tipo de IA ou técnica está sendo usada — só decorar definições não é suficiente.

Questões comentadas para reforçar o aprendizado

1. O que caracteriza um sistema especialista?
a) Aprendizado por reforço b) Uso de base de regras e explicação de decisões c) Geração de conteúdo d) Agrupamento de dados
Resposta: b) Uso de base de regras e explicação de decisões — explica o raciocínio por trás da inferência.

2. Em aprendizado supervisionado, o modelo é treinado com:
a) Dados sem rótulo b) Dados rotulados c) Recompensas e punições d) Apenas texto não estruturado
Resposta: b) Dados rotulados, usados em classificação e regressão.

3. IA Generativa é exemplificada por:
a) Sistemas especialistas b) Modelos LLM como ChatGPT c) Algoritmos de clustering d) Sensoriamento robótico
Resposta: b) Modelos LLM como ChatGPT, que geram texto e imagens novos.

4. Agentes autônomos tomam decisões com base em:
a) Base de regras fixa b) Aprendizado por reforço c) Processamento de planilhas d) Filtros manualmente configurados
Resposta: b) Aprendizado por reforço — ajustam ações via recompensas e punições.

5. Segundo ISO/IEC 22989, “explicabilidade” refere-se a:
a) Autonomia do sistema b) Capacidade de explicar como a decisão foi tomada c) Velocidade de processamento d) Robustez contra falhas
Resposta: b) Capacidade de explicar como a decisão foi tomada, essencial para confiança em IA.

6. Uma limitação comum de agentes autônomos é:
a) Necessidade de regras explícitas b) Alto custo de manutenção c) Sensibilidade a alterações no ambiente sem retraining d) Incapacidade de tarefas simples
Resposta: c) Sensibilidade a alterações no ambiente sem retraining — necessitam atualização contínua.

7. Em Machine Learning, “validar um modelo” significa:
a) Ajustar manualmente as regras b) Medir desempenho em dados não vistos c) Rodar em modo offline d) Converter código em texto
Resposta: b) Medir desempenho em dados não vistos — avalia a generalização do modelo.

Exercícios práticos

• Escreva, com suas palavras, a diferença entre aprendizado supervisionado e não supervisionado usando um exemplo do seu dia a dia.
• Liste três termos definidos pela ISO/IEC 22989 e explique cada um em uma frase.
• Pesquise uma questão real de concurso sobre IA e identifique qual dos tópicos deste guia ela cobra.
• Compare um sistema especialista com um agente autônomo, destacando ao menos duas diferenças.
• Elabore uma questão de múltipla escolha própria sobre IA generativa, no estilo das bancas.
• Monte um quadro comparativo próprio entre aprendizado supervisionado, não supervisionado e por reforço, com um exemplo de aplicação real para cada tipo.
• Revise três termos do glossário da ISO/IEC 22989 apresentados neste guia e escreva a definição de memória, sem consultar o texto, para testar sua fixação.

Materiais de apoio

• Wikipédia: Inteligência Artificial
• ISO/IEC 22989:2022 — Conceitos e Terminologia de IA
• Estratégia Concursos: questões comentadas sobre IA e ML

Encerramento — veja também

Para continuar sua preparação, confira também:

• Tutorial sobre problemas no Caixa Tem
• Guia completo da CNH Digital 2025
• Hardware Trends 2025: Inovações e Perspectivas

Bons estudos, e conte comigo, Ronaldo Cardoso, para continuar trazendo conteúdo técnico e atualizado que realmente ajuda na sua preparação.

FAQ

Não perca nenhuma dica

Conteúdo novo toda semana — direto, técnico e sem enrolação.