Questão 2974529 de Tecnologia da Informação - FGV 2026

Questão

ID 2974529

Disciplina: Tecnologia da Informação

Assunto: Deployment Pipelines

Ano: 2026 Banca: FGV - Fundação Getúlio Vargas Órgão: Tribunal de Justiça do Rio de Janeiro

Uma fintech desenvolveu um pipeline ponta a ponta (end-to-end) de machine learning para detecção de fraudes em transações financeiras.

O pipeline inclui as seguintes etapas:

(1) ingestão de dados em tempo real via streaming;

(2) feature engineering com agregações temporais (médias móveis de 7 e 30 dias);

(3) predição usando um modelo de gradient boosting;

(4) deployment em arquitetura de microsserviços.

Após três meses em produção, o time de MLOps observou degradação gradual no F1-score de 0.89 para 0.72, enquanto o monitoramento revelou que as distribuições das features agregadas apresentavam mudanças estatisticamente significativas (p < 0.01 no teste de Kolmogorov-Smirnov), embora as features brutas individuais permanecessem estáveis.

Considerando as melhores práticas de pipelines de ML em produção e estratégias de deployment, a equipe deve:

Alternativa A:
descartar as features agregadas temporais do pipeline, pois são a causa do data drift observado, e retreinar o modelo usando apenas as features brutas individuais que permaneceram estáveis;
Alternativa B:
implementar apenas alertas de monitoramento mais sensíveis para detectar drift precocemente, mantendo o pipeline atual inalterado, pois o F1-score de 0.72 ainda é considerado aceitável para aplicações de detecção de fraudes em produção;
Alternativa C:
adotar estratégia de deployment blue-green para testar um novo modelo treinado com dados recentes em paralelo com o modelo atual, direcionando gradualmente o tráfego para o novo modelo enquanto monitora métricas de desempenho e features drift;
Alternativa D:
implementar um sistema de retreinamento automático com janela deslizante que periodicamente atualiza o modelo com dados recentes, mantendo as features agregadas mas recalculando-as sobre períodos mais curtos para reduzir latência conceitual;
Alternativa E:
aumentar a complexidade do modelo substituindo gradient boosting por deep learning com redes neurais recorrentes, pois modelos mais complexos são mais robustos a drift e podem capturar padrões temporais automaticamente sem feature engineering.

Estatísticas Cadernos

Questão 2974529

Continue estudando na plataforma